当 AI 行业竞相贴上“AGI”和“超智能”的标签时，AMI Labs 却走在一条不同的道路上。首席执行官 Alexandre LeBrun 与图灵奖得主 Yann LeCun 共同创立了这家初创公司，他避开了那些流行术语，转而解决他所称的现代 AI 缺失的一环：物理直觉。

超越 AGI 的语义陷阱

在首尔举行的国际机器学习大会上，LeBrun 表示 AMI Labs 拒绝使用“AGI”或“超智能”之类的术语。“没有一个好的定义。什么是超智能？我不知道。它不是一个很有用的词，”他说，并补充道，行业只是在不断更换标签以维持炒作。

AMI Labs 并没有追求理论上的意识，而是构建“世界模型”（world models）——即学习物理定律并预测世界下一状态的系统。大语言模型（LLM）猜测下一个词；而世界模型则知道，将玻璃杯从桌子上推下去会导致其倾倒并洒出液体。

机器人技术中缺失的“大脑”

LeBrun 指出，机器人硬件领域已经突飞猛进，但软件在“物理世界中表现得依然非常笨拙”。大多数机器人遵循静态程序，在家庭或繁忙的街道上步履蹒跚。

他将 LLM 和世界模型视为合作伙伴而非竞争对手。正如人类大脑将语言与推理分开一样，LLM 擅长处理文本，而世界模型则提供物理交互所需的上下文。这种上下文对于安全性至关重要——例如，它可以防止机器人在进行复杂动作时伤及人员。

通过工业合作伙伴关系实现规模化

AMI Labs 目前仍处于产品开发前期，已按 35 亿美元的投前估值融资 10.3 亿美元。由于世界模型需要现实世界的数据，该公司正在寻找能够开放混乱、复杂环境的工业合作伙伴。

LeBrun 表示，将韩国作为中心是合理的：其半导体、机器人和制造业都是世界级的。通过接入“硬件密集型”行业，AMI Labs 可以利用 LLM 无法触及的混乱现实来训练其模型。

为什么这很重要

从生成式文本向物理智能的转变标志着 AI 的下一个前沿。第一波浪潮实现了知识的数字化；而由世界模型驱动的下一波浪潮将实现物理交互的数字化。开发者和创始人应当关注的价值不在于诗歌生成，而在于工厂和起居室中安全、直观的导航能力。

核心要点

  • 世界模型 vs. LLM： LLM 预测下一个 token；世界模型预测下一个物理状态，从而为实际任务提供所需的直觉。
  • 物理上下文至关重要： 如今的 AI 缺乏在开放环境中进行情境感知的能力；世界模型旨在弥补这一差距。
  • 战略性的工业重点： AMI Labs 瞄准了像韩国这样以硬件为中心的地区，以收集训练物理 AI 所需的数据和合作伙伴关系。