探针AI医疗专题：AI不止会说话：杨立昆创立 AMI Labs，押注“世界模型”的下一代智能革命

当全世界还在计算大模型参数、上下文长度和推理成本时，杨立昆选择把赌注押向另一个方向。

2026年3月，Advanced Machine Intelligence Labs，简称 AMI Labs，宣布完成 10.3亿美元种子轮融资，投前估值达到 35亿美元。这家公司由图灵奖得主、前 Meta 首席 AI 科学家杨立昆（Yann LeCun）领衔，CEO是连续创业者亚历山大·勒布伦（Alexandre LeBrun）。

AMI 的目标不是再造一个 ChatGPT，而是构建一种更接近真实世界智能的 AI 系统：world models，世界模型。

这笔融资的金额已经足够夸张。对一家刚成立、尚未推出成熟商业产品的研究型AI公司来说，10亿美元级别的种子轮，几乎意味着资本在为一种技术路线提前下注。更关键的是，AMI并没有把自己包装成通用大语言模型公司。它的核心判断很直接：今天的AI已经学会了语言，但还没有真正学会世界如何运行。

在杨立昆看来，大语言模型擅长从文本中预测下一个词，却缺乏稳定的物理直觉、长期记忆、因果推理和行动规划能力。它可以写病历摘要、生成代码、回答医学问题，却很难像人类一样持续理解一个环境的状态变化，并预测“如果我这样做，接下来会发生什么”。

这正是AMI Labs 想要切入的地方。

01 LLM的天花板：会说话，不等于理解世界

过去几年，AI产业几乎被大语言模型重新定义。ChatGPT让自然语言成为人机交互的默认入口，Claude、Gemini、Llama等模型推动企业应用迅速扩散。医疗、金融、教育、软件开发、客服、营销，几乎每个行业都开始尝试把LLM嵌入工作流。

但LLM的强大也暴露了一个底层问题：它主要是在语言世界中学习。

语言是人类经验的压缩结果，但语言不等于世界本身。一个模型可以从海量文本中学会“杯子从桌上掉下来会摔碎”，却未必真正掌握重力、材质、运动轨迹、碰撞后果和行动约束。它可以解释手术流程，却不能像一名资深医生那样持续追踪患者状态、判断病情演变，并在风险边界内选择下一步动作。

这也是为什么LLM在高风险行业始终存在信任门槛。医疗尤其典型。临床场景不只需要“生成正确文本”，还需要系统理解病情如何随时间变化、检查结果之间如何相互影响、治疗动作可能带来什么后果，以及什么时候必须停下来交给医生判断。

AMI的立场不是简单反对语言模型，而是认为仅靠语言模型无法抵达真正的自主智能。下一代AI需要的不只是更流畅的表达，而是对真实世界状态的理解、预测和规划。

02 世界模型：给AI装上“内部模拟器”

世界模型这个词并不新。强化学习、机器人、自动驾驶和认知科学里，都长期讨论过类似概念。简单说，世界模型就是一个系统对外部世界运行规律的内部表征。

人类每天都在使用世界模型。你看到一辆车快速驶来，会预测它几秒后到达路口；你端起一杯热水，会自然调整手部动作；医生看到一组异常指标，会推演患者接下来可能恶化的方向。这些判断并不是语言推理的结果，而是大脑在持续模拟世界状态。

AMI想做的，是让AI拥有类似能力。

按照AMI的方向，它要开发能够从真实世界传感器数据中学习抽象表征的世界模型。这类模型会忽略大量不可预测、无关紧要的细节，在表征空间中进行预测。进一步说，AMI强调 action-conditioned world models，也就是“以行动为条件的世界模型”：系统不只预测世界自然会怎样变化，还要预测自己的行动会带来什么后果，并据此规划完成任务的动作序列，同时受到安全边界约束。

如果说LLM的基本动作是“根据上下文生成下一个token”，世界模型的基本动作则是：根据当前状态和可能行动，预测未来状态。

前者更适合语言、知识和信息处理，后者更接近机器人、自动化系统、医疗监测、工业控制和真实世界智能体。

换句话说，LLM让AI进入办公室；世界模型试图让AI进入现实世界。

03 JEPA路线：不预测像素，而预测世界结构

AMI的技术路线绕不开杨立昆长期倡导的 JEPA，即 Joint Embedding Predictive Architecture，联合嵌入预测架构。

JEPA的关键思想，是不要让模型逐像素预测世界。真实世界充满随机性和不可预测细节。比如一段视频里，树叶如何晃动、光影如何微小变化、背景里某个人下一秒眨不眨眼，这些细节对智能体行动通常没有意义。如果模型把算力浪费在复原每一个像素，它学到的可能是表面纹理，而不是对世界有用的结构。

JEPA选择在抽象表征空间里进行预测。模型看到一部分输入后，不是生成完整图像，而是预测被遮挡部分在高层语义表征中的状态。这样它更关注物体、关系、运动、因果和任务相关信息。

这一路线容易被误解成“视觉模型”。原因是Meta过去推出的I-JEPA、V-JEPA、V-JEPA 2都以图像和视频为主要展示载体。但JEPA更底层的价值，其实不在“看图”，而在预测状态。

视频只是时间序列的一种。真正重要的是，世界不是静态图片，而是一条连续变化的状态流。机器人手臂的关节角度、自动驾驶车辆周围的交通参与者、工业设备的振动和温度曲线，本质上都是时间序列。一个智能系统如果不能理解“现在的状态从哪里来、接下来会往哪里走、我的动作会如何改变这条轨迹”，它就只能停留在识别和描述层面。

因此，AMI的世界模型不能只理解为空间智能或视觉智能。它更接近一种面向动态系统的底层建模能力：把多模态输入转化为连续状态表征，在时间维度上预测演化，在行动维度上评估后果。

04 时间序列：世界模型真正的底层语法

如果把世界模型拆到最底层，它处理的不是图像，而是时间。

人类理解世界，靠的不是某一帧画面，而是对连续变化的把握。一个机器人完成抓取动作，看的不是单张图片，而是目标物体、手臂、力反馈和环境之间连续变化的关系。自动驾驶系统判断是否变道，也不是识别某一刻的车辆位置，而是理解车流、速度、意图和道路结构在几秒钟内如何演化。

这正是时间序列模型的重要性。

传统时间序列模型擅长预测数值曲线，比如销量、温度、设备故障概率。但它们往往局限在单一数据类型或特定任务里。世界模型要做的是更高一层：把视频、传感器、文本、动作、事件和环境反馈统一成状态序列，并在抽象空间里预测未来。

我们以医疗场景举例，医疗数据本身并不是静态表格，而是患者状态随时间不断变化的轨迹。一次问诊、一张影像、一份化验单、一段可穿戴数据、一次用药调整，单独看都只是片段；放进时间线上，才构成真正有意义的病程。

今天很多医疗AI仍停留在“截面判断”：给一张影像判断病灶，给一段对话生成病历，给一份病历提取结构化字段。但临床真正需要的是“纵向理解”：疾病如何进展，风险何时上升，治疗是否有效，患者什么时候需要升级干预。

从这个角度看，世界模型和时间序列不是两个话题。世界模型的核心能力，正是对复杂时间序列的抽象、预测和干预规划。

05 十亿美元种子轮：资本押注“后LLM时代”

AMI Labs这轮融资之所以值得关注，不只是金额大，而是投资方结构本身释放了信号。

领投方包括Cathay Innovation、Greycroft、Hiro Capital、HV Capital和贝索斯旗下Bezos Expeditions，参与方还包括英伟达、三星、淡马锡、Toyota Ventures、SBVA、法国国家投资银行Bpifrance旗下基金，以及达索、Publicis等法国本土产业资本。

这不是一组单纯追逐AI热度的财务投资人。

英伟达的出现，意味着AMI的路线与下一代AI算力和机器人基础模型有关。三星、丰田、SBVA背后连接的是硬件、消费电子、汽车、机器人和工业制造场景。Toyota Ventures长期关注自动驾驶、机器人和前沿制造，与世界模型的“行动智能”天然相关。

把这些线索放在一起看，这轮融资的信号不是“又一家AI公司融了大钱”，而是硬件、制造、算力、机器人、空间计算和全球产业资本，正在共同押注一个判断：AI下一阶段的增量，可能不再来自更会聊天的模型，而来自更会理解动态世界的模型。

杨立昆本人则是这场押注的核心信用来源。

他是深度学习三巨头之一，2018年与杰弗里·辛顿、约书亚·本吉奥共同获得图灵奖。更重要的是，他过去几年一直是LLM万能论的公开质疑者。他并不否认大语言模型的价值，但始终认为，单靠自回归文本预测无法抵达真正的智能。2022年，他在《A Path Towards Autonomous Machine Intelligence》中系统提出JEPA和世界模型路线，强调自监督学习、抽象表征、长期记忆、规划和能量模型。

AMI某种意义上是杨立昆把这套学术主张公司化。它不是从市场需求倒推出来的应用创业，而是一次由科学路线驱动的产业实验。

06 第一批战场：机器人、工业，也包括医疗

世界模型最自然的应用场景，是所有需要AI理解动态环境并采取行动的领域。

机器人是最直接的方向。今天的机器人已经可以通过视觉模型识别物体，通过语言模型理解指令，但真正困难的是连续行动：如何抓取不规则物体，如何在动态环境中避障，如何根据失败反馈调整动作，如何规划多步骤任务。没有世界模型，机器人很容易停留在“看懂”和“听懂”，却难以稳定地“做成”。

工业场景也类似。制造、能源、物流、航空、仓储等系统里，AI需要理解设备状态、环境变化、故障风险和动作后果。一个智能体如果要参与调度、维护或控制，就必须能预测不同操作路径的后果。单纯生成建议不够，系统必须知道“这样做会不会造成连锁风险”。

医疗也可以放进这个序列里看。医院不是静态数据库，而是一个高密度、多角色、强约束的动态系统。患者状态在变，医生决策在变，护理资源在变，药物反应在变，支付和合规规则也在变。如果AI只会根据病历生成一段文本，它只能改善局部效率；如果AI能理解患者状态的连续演化，并在安全边界内辅助规划下一步动作，它才有机会进入更核心的临床工作流。

这也解释了为什么AMI的第一个公开合作对象会是Nabla。

07 Nabla为何需要世界模型

AMI不是典型医疗AI公司，但医疗是最能检验世界模型价值的场景之一。

2026年，Nabla宣布与Advanced Machine Intelligence建立独家战略合作。Nabla是一家临床AI公司，核心产品是医生环境式文档助手，通过AI记录医患对话并生成临床文书。它已经处在医疗AI应用的第一线，面对的是最典型的LLM落地难题：临床准确性、安全性、可审计性、医生信任和监管合规。

Nabla在合作公告中提到，将优先接入AMI的世界模型技术，用于探索下一代安全、可审计的医疗智能体。这个表述很关键。

医疗AI的核心痛点从来不是“能不能生成文本”。今天的LLM已经能生成病历、总结对话、解释检查结果、回答患者问题。真正困难的是：系统如何知道自己理解的是不是完整病情？如何在多轮临床对话中保持状态记忆？如何判断某个建议会带来什么风险？如何在不确定时主动请求医生介入？如何让每一步判断都能被审计？

世界模型在医疗中的潜在价值，正是补上这些短板。

一个面向临床场景的世界模型，不一定要像机器人那样理解物理运动，但它需要理解临床状态如何演化。患者的症状、生命体征、实验室检查、影像结果、用药史、合并症和医生动作之间，本质上构成一个动态系统。AI如果只把它们当作文本片段处理，很容易在上下文窗口内做表面拼接；如果能构建患者状态的抽象模型，就有机会更稳定地预测风险、规划下一步信息收集、提示潜在冲突，并在安全边界内辅助临床决策。

这仍然是早期探索。AMI和Nabla目前披露的是战略合作，不是已经获批的临床产品。医疗场景对AI的要求远高于普通办公软件，任何涉及诊疗建议、分诊、用药、风险预测的功能，都需要临床验证、合规设计和责任边界。

但正因为门槛高，医疗才有观察价值。如果世界模型能在医疗里证明自己比LLM更适合长期状态建模、更容易审计、更能控制行动边界，它就不只是机器人或自动驾驶的底层技术，也可能成为下一代临床AI智能体的底座。

08 竞争格局：世界模型正在成为AI新主战场

AMI并不是唯一押注世界模型的公司。

李飞飞创立的World Labs围绕空间智能和世界模型展开，重点是让AI理解和生成3D世界。机器人领域的Physical Intelligence、Figure AI、Skild AI等公司，也都在探索让AI从真实交互数据中学习行动能力。自动驾驶公司、具身智能公司、大厂多模态团队，也都在以不同路径接近世界模型。

但如果只把竞争理解成“谁的视频模型更好”或“谁的空间重建更强”，仍然会低估这场竞争。

世界模型真正要解决的是动态系统建模。视觉只是入口之一，时间序列才是底层语法。机器人需要理解动作序列，自动驾驶需要理解交通流，工业系统需要理解设备曲线，医疗AI需要理解患者病程，金融风控需要理解风险传播。不同场景的数据形式不同，但共同点都是：状态随时间演化，行动会改变未来，预测错误会带来现实后果。

AMI的路线更鲜明地带有杨立昆的技术哲学：反对把AGI希望全部押在LLM规模化上，强调自监督学习、抽象表征、预测架构、长期记忆和可控规划。

这既是优势，也是风险。

优势在于差异化足够清晰。在大模型公司集体卷参数、算力、上下文和Agent工具调用时，AMI讲的是另一套底层叙事：真正的智能不是语言补全，而是世界建模。这让它在资本和人才市场中具备强烈识别度。

风险在于验证周期可能很长。LLM虽然有幻觉和推理缺陷，但已经证明了商业化价值。企业愿意为代码助手、客服、文档、搜索、销售自动化付费。而世界模型的产品形态还没有被完全定义。它到底会以API、机器人基础模型、行业仿真平台、自动化控制系统，还是某种Agent基础设施出现，仍不清晰。

更大的问题是，世界模型是否一定要独立于LLM路线。未来也可能不是“世界模型取代语言模型”，而是二者融合：LLM负责语言、知识和任务接口，世界模型负责状态理解、后果预测和行动规划。

Nabla与AMI的合作其实就暗示了这种方向。医疗AI不是扔掉LLM，而是在LLM之外增加更可靠的世界状态建模能力。

09 AMI的真正看点：不是产品，而是范式

如果用传统公司分析框架看AMI，很容易失焦。它没有清晰的收入数据，没有成熟产品矩阵，也没有已验证的大规模客户案例。按医疗AI公司的标准，它甚至不能算典型标的。

但AMI的价值不在当下产品，而在它提出了一个足够底层的问题：AI下一阶段的瓶颈，究竟是模型规模不够，还是架构方向不够？

如果答案是前者，行业会继续沿着更大模型、更多数据、更多算力、更长上下文往前走。今天的赢家大概率仍是OpenAI、Google、Anthropic、Meta、xAI，以及掌握算力和分发渠道的大厂。