超越 LLM：AMI Labs 十億美元世界模型押注

當圖靈獎得主 Yann LeCun——卷積神經網路的共同發明人、AI 史上最具影響力的研究者之一——以 10.3 億美元押注反對他協助建立的主流典範時，值得我們認真關注。2026 年 3 月 10 日，AMI Labs 正式啟動，籌得歐洲史上最大種子輪資金，並以一個直接挑戰矽谷主要 AI 實驗室核心假設的創辦論點：大型語言模型並非通用智慧的正確路徑。

LeCun 不同意這個假設。他多次公開表明這一立場，且論述日益具體。他的論點並非 LLM 毫無用處——事實上它們在語言任務上表現卓越——而是對於需要在物理世界中推理和運作的 AI 而言，LLM 是錯誤的架構。無論多麼複雜的文字預測，都無法教導 AI 物體如何下落、流體如何運動，或機器人應如何在不確定地形中移動。

AMI Labs 的核心論點是：下一個十年的變革性 AI 不會來自進一步擴展 LLM，而是來自世界模型——被訓練理解和預測物理環境因果結構的 AI 系統。這是對主導架構的直接挑戰，而由 Bezos Expeditions、Eric Schmidt 及一批頂級投資人支持的 10 億美元種子輪，正是在押注 LeCun 是正確的。

什麼是世界模型？為什麼它如此重要？

世界模型是建構環境運作內部表示的 AI 系統——學習支配狀態隨時間變化的物理規則——讓它能夠相應地規劃、預測和採取行動。

與預測序列中下一個 token 的語言模型不同，世界模型學習模擬其環境的動態。給定系統的當前狀態（機器手臂、車輛、流體容器），世界模型預測該系統未來的樣貌，並利用預測來規劃行動。

AMI Labs 方法的核心洞察是：生成模型（無論生成文字或像素）本質上是不精確的，因為它們試圖重建世界的全部複雜性。JEPA 改以在抽象表示空間中學習，預測世界變化中重要的部分，而非試圖重現每個無關的表面細節。

什麼是 JEPA？它如何運作？

JEPA（聯合嵌入預測架構）由 LeCun 於 2022 年論文中提出，是 AMI Labs 的核心架構。這是一個自監督學習框架，旨在從未標注資料中學習豐富的抽象世界表示。

在標準生成模型中，系統被訓練重建輸入——預測被遮蔽影像的每個像素或被遮蔽句子的每個 token。JEPA 改為訓練預測器，預測給定當前狀態嵌入下的未來狀態嵌入（抽象表示）。模型從不嘗試重建原始輸入；它只學習表示之間的關係。

flowchart LR
    A[原始感測器輸入<br>影片 / 雷達 / 攝影機] --> B[情境編碼器]
    A --> C[目標編碼器]
    B --> D[預測器網路]
    C --> E[目標表示]
    D -->|預測| E
    E --> F[世界狀態規劃]
    F --> G[行動輸出<br>機器人 / 車輛 / 無人機]

這個架構具有關鍵的實際優勢：樣本效率。由於 JEPA 不浪費容量重建無關細節，它學習有意義表示的速度更快。AMI Labs 的 V-JEPA 2 原型僅以 62 小時影片訓練，就展現了零樣本機器人規劃能力——遠少於同類系統所需的資料量。

為何現在是世界模型的正確時機？

AMI Labs 的啟動時機並非偶然。多個結構性力量匯聚，使 2026 年成為世界模型的可能拐點：

timeline
    title 世界模型成熟時間線
    2022 : LeCun 發表 JEPA 論文
    2023 : V-JEPA 1 展示影片預測
    2024 : 自動駕駛與機器人產業擴大資料收集
    2025 : V-JEPA 2 實現零樣本機器人規劃
    2026 : AMI Labs 以 10.3 億美元種子輪啟動

硬體成熟度。 推理最佳化晶片（包括 Meta 在 AMI Labs 啟動同週公布的 MTIA 系列）使在機器人和車輛內部邊緣運行複雜世界模型成為可能，無需依賴雲端往返。

資料豐沛。 機器人和自動駕駛車輛產業花了五年建構儀器化車隊，產生大量真實世界影片和感測器資料——正是世界模型所需的訓練信號。

LLM 成長趨緩信號。 多位研究人員注意到，擴展 LLM 在常識性物理推理基準上產生的邊際效益遞減。語言能力與物理理解之間的差距依然巨大。

誰在支持 AMI Labs？

這輪創下歐洲新創歷史紀錄的 10.3 億美元種子輪，不僅反映了投資人對 LeCun 願景的信心，也是一個戰略判斷：LLM 典範在物理世界應用上存在結構性天花板。

Eric Schmidt 和 Tim Berners-Lee 的參與尤為值得注意。這兩位都曾處於過去計算典範轉移的中心。他們的支持傳遞了一個隱含訊息：這不是邊緣研究。

AMI Labs 如何與現有 LLM 實驗室相比？

AMI Labs 並非在語言任務上與 OpenAI 或 Anthropic 正面競爭。其架構、訓練資料和目標應用完全位於不同領域——具身智慧對比文字生成。兩者在每個關鍵維度上的戰略差異都非常顯著。

這不是對同一市場的正面競爭——至少目前尚非如此。LLM 和世界模型可能共存多年，LLM 主導以文字為中心的任務，而世界模型則賦能新一代物理智慧系統。更長遠的問題是：具有真正物理理解的系統最終是否會在抽象推理任務上優於純文字模型？

LeCun 的押注認為答案是肯定的。

這對 AI 產業意味著什麼？

AMI Labs 的啟動是一個信號，不僅僅是一個融資事件。它標誌著對 LLM 正統觀念的一次可信、資源充足的挑戰的開始。

對企業買家而言，世界模型可能解鎖 LLM 真正無法實現的 AI 應用：可靠地在動態工廠車間操作機器人、在新條件下為自動駕駛車輛規劃路線、即時預測設備故障。

對 AI 研究社群而言，10.3 億美元的種子資金購買了大量算力和人才。AMI Labs 將吸引相信下一個前沿是物理智慧的研究人員，加速大型 LLM 實驗室未優先考慮的方向。

對投資人而言，AMI Labs 輪次為投前 AI 融資樹立了新基準，並確立世界模型作為合法機構投資類別——而非僅是學術好奇心。

LLM 時代尚未結束。但它可能不再是唯一的選項。

常見問答

AMI Labs 是什麼？它在做什麼？ AMI Labs 是由圖靈獎得主 Yann LeCun 共同創辦的巴黎 AI 新創公司。它使用 JEPA（聯合嵌入預測架構）建構世界模型——讓 AI 學習物理世界的運作方式，而非預測文字 token。首款產品 AMI Video 以無人機、自駕車和工業自主系統為目標市場。

世界模型與大型語言模型有何不同？ LLM 從文字中學習並預測下一個 token；世界模型則學習表示並預測環境隨時間的變化，在壓縮的潛在空間中運作，而非重建每個像素或詞語。世界模型專為物理推理與具身任務設計，而非文字生成。

什麼是 JEPA？LeCun 為何認為它優於 LLM？ JEPA（聯合嵌入預測架構）訓練 AI 在抽象表示空間中預測世界的未來狀態，而非在原始像素或 token 空間。LeCun 認為這使學習更具樣本效率，因為它聚焦於重要的事物，而非重建無關細節。V-JEPA 2 僅用 62 小時訓練資料即實現零樣本機器人規劃。

誰資助了 AMI Labs？估值為何？ AMI Labs 在種子輪融得 10.3 億美元，由 Cathay Innovation、Greycroft、Hiro Capital、HV Capital 和 Bezos Expeditions 共同領投，估值達 35 億美元。支持者包括 Eric Schmidt、Mark Cuban、Jim Breyer 和 Tim Berners-Lee。

AMI Labs 的世界模型將服務哪些產業？ AMI Labs 瞄準製造業、航太、生醫與製藥等複雜物理系統產業，以及消費性機器人、自動駕駛車輛和無人機物流等核心應用場景。

AMI Labs 認為 LLM 已走向死路嗎？ AMI Labs 並非預測 LLM 將消失，而是主張對於具身、物理世界任務而言，以 JEPA 為基礎的世界模型在架構上更為優越。兩種方法可能在不同應用領域共存。

參考資料

• Yann LeCun 的 AMI Labs 籌得 10.3 億美元建構世界模型 — TechCrunch
• AMI Labs 官方網站 — AMI Labs
• Yann LeCun 的新創事業對大型語言模型的逆向押注 — MIT 科技評論
• 世界模型時代終於到來了嗎？ — Futurum Group