AMI Labs 种子轮

AMI Labs 深度调研:10.3 亿美元种子的世界模型豪赌,LeCun 的非生成式路线与它的空白成绩单

由图灵奖得主 Yann LeCun 联合创立的巴黎世界模型公司,走 JEPA 非生成式路线;2026-03 完成 10.3 亿美元种子轮,2026-10 公开 H-JEPA 开源成果并与 G42 签署非约束性 MOU。

执行摘要

AMI Labs(Advanced Machine Intelligence Labs)是 2026 年最受关注的世界模型公司。它的法律实体是 2025 年 12 月在巴黎注册的 PengyouCo SAS(注册资本 1 万欧元,注册地巴黎六区 rue de Seine 51 号),2026 年 1 月更名为 AMI Labs。公司由图灵奖得主 Yann LeCun(执行主席,2025 年底离开 Meta)与 Alexandre LeBrun(CEO,Wit.ai 与 Nabla 创始人)共同创立,团队还包括 Laurent Solly(COO,前 Meta 欧洲副总裁)、Saining Xie(首席科学官)、Pascale Fung(首席研究与创新官)、Michael Rabbat(世界模型副总裁)。总部巴黎,在纽约、蒙特利尔、新加坡设有分支。

2026 年 3 月 10 日,公司宣布完成 10.3 亿美元种子轮(约 8.9 亿欧元),投前估值 35 亿美元,投后约 45.3 亿美元。这被认为是欧洲历史上最大的种子轮,超过了公司最初设定的 5 亿欧元目标。领投方为 Cathay Innovation、Greycroft、Hiro Capital、HV Capital 与 Bezos Expeditions;战略投资方包括英伟达、三星、丰田创投、Sea、Temasek、SBVA、New Legacy Ventures、Alpha Intelligence Capital、Mulliez 家族协会、Marcel Dassault 工业集团;天使投资人包括 Eric Schmidt、Xavier Niel、Publicis、Jim Breyer、Bpifrance Digital Venture、Tim 与 Rosemary Berners-Lee。

技术主张是 JEPA(Joint Embedding Predictive Architecture,联合嵌入预测架构),LeCun 2022 年提出的框架。核心思想是:不在像素或词序列上做生成式预测,而是在抽象表示空间里预测「缺失或未来的部分」。这条路线的对立面是当前主流的自回归语言模型与扩散/生成式视频模型。

需要提前说明判断:这是一家「信念极强、资金极多、产品极远」的公司。它在种子轮就拿到 10 亿美元,但公司自己承认第一年做基础研究,商业合作讨论要在 6 至 12 个月后开始,可商业化的产品可能要数年。截至 2026 年 11 月,公司没有商业产品、没有收入、没有付费客户,Nabla(LeBrun 创办的医疗 AI 公司)以研究合作方的身份获得优先使用权。2026 年 10 月发生变化的一端是证据与生态,而非商业化:第一个公开研究成果 H-JEPA 连同代码与检查点一并开源,同时与 G42 及其投资组合公司 Analog 在阿布扎比签署了非约束性合作备忘录。评估它的关键落在三个商业问题上(至于 JEPA 路线本身是否正确,仍是尚无定论的学术问题):10 亿美元能买到多少时间、第一批落地场景(工业过程控制、机器人、可穿戴、医疗)里哪个最先付费、以及双股权结构下外部股东的话语权。

公司概览

从 PengyouCo 到 AMI Labs

公司的起点是一个不起眼的法国 SAS(简易股份公司):2025 年 12 月注册,注册资本 1 万欧元,注册地在巴黎六区。同月的公司章程更新显示股权结构被拆分为 100 万股,分为普通股与带 10 倍投票权的 SP 优先股——这个安排意味着创始人团队(尤其是 LeCun)在融资稀释后仍能保持控制权。

2026 年 1 月品牌从 PengyouCo 更名为 Advanced Machine Intelligence(AMI Labs),对外发布使命「构建超越语言的、扎根物理世界的 AI 系统」。2 月 LeCun 正式加入并出任执行主席。3 月 10 日宣布种子轮。

团队构成

这个团队的配置说明公司的定位:不是纯研究实验室,也不是纯产品公司,而是「有商业操盘手的研究型公司」。

LeCun 提供学术方向与号召力(图灵奖、Meta FAIR 创始人、卷积网络与能量模型的开创者)。LeBrun 提供商业化能力(Wit.ai 被 Facebook 收购、Nabla 医疗 AI 创始人)。Solly 提供大公司运营经验(Meta 欧洲副总裁)。Saining Xie 提供技术执行力(DiT、ConvNeXt 等工作的作者之一)。Pascale Fung 提供研究与创新的组织能力(前 Meta AI 研究总监、香港科技大学教授)。Rabbat 负责世界模型的具体技术路线(前 Meta FAIR 研究员)。

这个组合的优势是「学术 + 商业 + 运营」三角齐全;风险是「多头」——LeCun 仍是纽约大学教授、LeBrun 仍在 Nabla 任职,两位核心人物的时间分配会影响执行速度。

规模口径需要单独标注。早期公开材料通常被读作「约 100 人」,《La Tribune》在 AIM 2026 期间对 LeCun 的专访给出的口径是约 50 至 60 名研究人员,分布在巴黎、纽约、蒙特利尔与新加坡四地,并把 2026 年定位为研发年、近期没有产品发布计划。本报告采用专访口径,同时标注它是媒体专访而非公司正式披露。

巴黎的选择

把总部放在巴黎,未选择硅谷,是一个有意的战略选择。LeCun 长期主张欧洲应建立自己的 AI 能力,法国政府(Bpifrance)与巴黎的 AI 生态(Mistral、Kyutai、Inria)提供了土壤。这个选择的商业含义是:更容易获得欧洲的公共资金与政策支持,也更容易招募欧洲的研究人才;代价是远离硅谷的资本与客户网络(尽管在纽约、新加坡设了分支来弥补)。

技术分析

JEPA 要解决什么问题

理解 AMI Labs 的技术主张,需要理解 LeCun 对当前 AI 路线的批评。他的核心论点有三层。

第一,自回归语言模型学的是「下一个词的概率」,未学习「世界如何运作」。文本是世界的压缩表示,但压缩过程丢弃了大量物理信息(物体的质量、空间关系、因果结构)。模型能写出「如何倒水」的步骤,但不知道水的惯性、杯子的重心、手指的力度。

第二,生成式预测(预测每个像素或每个词)是浪费的。世界充满不可预测的细节(树叶的位置、云的形状),强行预测这些细节会让模型把容量花在无意义的随机性上。他主张在「抽象表示空间」里预测——只预测对决策有影响的部分,忽略无关细节。

第三,真正的智能需要「世界模型 + 规划」。智能体要能在内部模拟「如果我这样做,世界会怎样」,然后选择最优动作。这需要一个能预测状态转移的模型,并非能续写文本的模型。

JEPA 就是针对这三点设计的架构:用编码器把观测(图像、视频、传感器数据)映射到表示空间,用预测器在表示空间里预测被遮挡或未来的部分,用避免表示坍缩的正则化保证学到的表示有信息量。

JEPA 与生成式模型的技术差异

三条路线在「预测什么」上根本不同。自回归语言模型预测下一个 token;扩散/视频生成模型预测噪声的去除过程(最终重建像素);JEPA 预测表示空间里的目标嵌入。

这个差异带来的工程后果是:JEPA 不需要生成像素,所以推理成本低、可以做实时预测;它不被不可预测的细节干扰,所以学到的表示更抽象、更适合下游决策;但它也缺少生成能力——不能直接输出图像或视频,需要额外的解码器或策略头。

这个取舍在机器人场景里是合理的(机器人需要的是「预测动作后果」,与「生成好看的视频」不同),在内容创作场景里是不利的(创作者要的是可视化输出)。这也解释了为什么 AMI Labs 的目标场景是工业控制、机器人、可穿戴、医疗,未选择内容生成。

从 I-JEPA 到 V-JEPA 2 的演进

LeCun 团队在 Meta 期间已经发表了这条线的关键工作:I-JEPA(2023,图像)、V-JEPA(2024,视频)、V-JEPA 2(2025,视频 + 机器人规划)。V-JEPA 2 的意义在于把世界模型与动作规划连起来——用视频预训练学世界表示,再用少量机器人交互数据学策略,实现零样本的抓取与放置。

AMI Labs 的技术起点就是这条线,但要解决 Meta 版本没有解决的问题:如何从「实验室演示」走到「工业可用」。这涉及三个工程难题:数据的多样性(工业场景的视频与传感器数据分布与互联网视频差异极大)、实时性(工业控制要求毫秒级响应)、以及安全性与可控性(工业设备的错误动作代价高)。

首个公开成果:H-JEPA

2026 年 10 月 5 日,团队以 arXiv:2610.06805 公开论文《H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning》,作者为 Wancong Zhang、Basile Terver、Michael Rabbat、Yann LeCun 与 Randall Balestriero。代码以 MIT 协议开源,93 个模型检查点发布在 Hugging Face 的 jepa-world-models/h-jepa 仓库,覆盖 AntMaze、FourRoom、Cube、Push-T 与 DROID,其中 84 个为仿真检查点、9 个为 DROID 机器人数据检查点。

论文报告的数字是 3 个随机种子下的均值加减标准误。Visual AntMaze 上三层模型成功率 73.3%,对照单层 LeWM 基线 18.0%;FourRoom 上 96.0% 对 40.7%。提升在各任务上并不一致:Push-T 上三层模型为 17.3%,低于两层模型的 45.3% 与基线的 40.0%,原因是更深的层次在训练时可用的片段数大幅减少。DROID 上则必须引入逆动力学损失,否则性能会坍缩为零;加入该损失后,两层 H-JEPA 在 LeWM 加逆动力学损失的基线之上继续提升。

这份成果改变的是可验证性,而非成熟度。带开源代码与权重的第一个公开结果,让 JEPA 路线第一次可被外部检验与复现,也给 2026 这个研发年留下了一个可度量的产物。它仍然是仿真与机器人数据上的基准结果,没有工业部署、没有产品,也没有附带定价。

应用场景的技术门槛

公司列出的四个场景,技术门槛差异很大。

工业过程控制:需要模型理解物理过程的因果结构(温度、压力、流量如何相互影响),并在异常发生前预测。难点在数据(工业数据稀缺、标注成本高)与可靠性(误报与漏报的代价都高)。

机器人:需要模型理解三维空间、物体属性、动作后果。难点在 sim-to-real(仿真训练的策略在真实世界失效)与长时序规划。

可穿戴设备:需要模型在低功耗芯片上实时运行,理解用户的行为与意图。难点在算力约束与隐私(数据不能上云)。

医疗:需要模型理解生理过程与临床决策。难点在监管(FDA 认证)与责任(错误建议的后果)。

四个场景的共同点是「需要物理理解」,但工程约束完全不同。一家公司同时做四个,资源必然分散——这也是为什么公司说第一年只做基础研究。

技术短板

第一,JEPA 的通用性未验证。I-JEPA/V-JEPA 在视觉表征学习上表现好,但能否支撑工业级的世界模型(长时序、多模态、高精度)尚无证据。

第二,缺乏生成能力。不能生成图像/视频意味着它无法直接服务内容创作、仿真可视化等场景,市场空间受限。

第三,数据与算力需求。世界模型的训练需要大量视频与传感器数据,以及大规模算力。10 亿美元听起来多,但对训练前沿模型是「够启动、不够持续」。

第四,评价标准缺失。「世界模型好不好」缺少公认指标,这让技术进展难以外部验证。

产品与商业化

当前状态:无商业产品

截至 2026 年 11 月,公司没有商业产品、没有定价、没有付费客户(Nabla 是「优先使用权」的研究合作,不是付费客户)。实际存在的是一份公开研究成果(H-JEPA 的代码与检查点)和一个研究合作框架(与 G42、Analog 的非约束性备忘录)。公司明确表示第一年做基础研究,商业合作讨论在 6 至 12 个月后开始,可商业化的产品可能要数年。

这个时间表是诚实的,但也意味着投资回收期很长。对比同赛道的 World Labs(2025 年 11 月已推出 Marble 商用产品),AMI Labs 的产品化进度落后约一年。

研究合作框架:G42 与 Analog

2026 年 10 月 20 日,在阿布扎比举行的阿联酋—法国商业对话期间,G42 及其投资组合公司 Analog 与 AMI Labs 签署了非约束性合作备忘录。范围覆盖前沿 AI 研究(含世界模型)、先进算力基础设施、主权云,以及 Analog Physical Intelligence 在工业场景中的潜在集成。

解读这份文件有两点值得注意。它被明确表述为非约束性,G42 表示范围、商业条款与实施细节留待后续的最终协议确定;金额、期限与里程碑均未披露。因此这份协议属于研究与基础设施框架,不构成合同、订单或收入事件。它的意义在于选择权:让 AMI Labs 同时进入主权算力提供方与工业 AI 集成方的视野,这类关系通常先于第一次工业部署出现。

Nabla:第一个合作方

Nabla 是 LeBrun 创办的医疗 AI 公司,获得了 AMI Labs 世界模型技术的优先使用权,目标是开发面向医疗的软件并争取 FDA 认证。这个合作的逻辑是:医疗场景需要理解生理过程与临床决策,与世界模型的能力匹配;同时 LeBrun 对 Nabla 的了解降低了合作风险。

但这也是一个「关联交易」——CEO 的公司是第一个客户。这在早期公司里常见(用自己熟悉的场景验证技术),但在治理上需要披露与审查。

Meta 的关系

LeCun 离开 Meta 后,Meta 没有在 AMI Labs 持股,但双方签署了研究合作协议,Meta 可获得 AMI Labs 的研究成果。LeCun 还表示正在与 Meta 早期讨论把技术用于 Ray-Ban Meta 智能眼镜。

这个安排对 AMI Labs 有利(获得 Meta 的场景与数据反馈),也带来一个问题:研究成果的归属与独占性。如果 Meta 能优先获得成果,其他投资人(英伟达、三星、丰田)的价值会被稀释。

商业模式的可能形态

公司未披露商业模式,但可以推断三种可能。技术授权(把世界模型授权给工业与机器人公司)、平台服务(提供世界模型的 API 与工具链)、以及联合开发(与大客户共同开发垂直应用)。

三种模式的毛利与可扩展性不同:授权最轻、平台最可扩展、联合开发最重但客单价最高。以公司的资金规模与团队配置,早期更可能走「联合开发 + 授权」,后期转向平台。

竞争格局

世界模型赛道的对手

直接对手是 World Labs(李飞飞,2026 年 9 月被 AMD 以 82 亿美元收购)。两家都做世界模型,但路线不同:World Labs 走三维原生生成(Marble/Atlas 生成可交互三维场景),AMI Labs 走 JEPA 表示预测(不生成像素,只预测表示)。

其他相关公司包括 Physical Intelligence(机器人基础模型,Pi-0)、Skild AI(机器人通用大脑)、1X(人形机器人)、以及大厂的内部项目(Google DeepMind 的 Genie、OpenAI 的世界模型研究)。

与 LLM 路线的关系

LeCun 的立场是 LLM 路线有天花板,世界模型是下一步。但这个判断在学术界仍有争议——支持者认为 scaling law 还能延续,反对者认为语言模型缺少物理 grounding。

从商业角度看,两条路线不是完全对立:LLM 可以做世界模型的「接口层」(理解人类指令、解释结果),世界模型做「物理层」(预测状态转移)。理性的架构是两者结合,但 AMI Labs 的叙事更强调「超越语言」。

欧洲 AI 的战略位置

AMI Labs 被定位为「欧洲对美国与中国 AI 巨头的替代方案」。这个定位有政策价值(欧盟的 AI 主权叙事、法国的国家冠军策略),也有商业风险(欧洲的客户付费能力与风险偏好低于美国)。

对比 Mistral(欧洲的 LLM 冠军,估值超 60 亿欧元),AMI Labs 的差异化是「不做 LLM,做世界模型」。这个差异化让它在欧洲内部不与中国厂商直接竞争,但也意味着它要自己开拓一个新市场。

人才竞争

世界模型赛道的人才极度稀缺。World Labs 有李飞飞 + NeRF 发明人,AMI Labs 有 LeCun + V-JEPA 团队,Physical Intelligence 有 Sergey Levine,Skild 有 CMU 的机器人团队。这是一场「顶级研究者」的争夺战,10 亿美元的资金优势主要体现在能开出更高的薪酬与更大的研究自由。

融资与资本结构

种子轮的规模与结构

10.3 亿美元种子轮,投前估值 35 亿美元,投后约 45.3 亿美元。领投五家(Cathay Innovation、Greycroft、Hiro Capital、HV Capital、Bezos Expeditions),战略投资方含英伟达、三星、丰田创投、Sea、Temasek 等,天使含 Eric Schmidt、Berners-Lee 夫妇等。

这个结构的含义是:它不是一家 VC 主导的公司,而是「产业资本 + 名人天使 + 欧洲政策资本」的联合体。英伟达与三星的投资有战略意图(算力与硬件的协同),Bezos 与 Schmidt 的投资是个人信念,Bpifrance 是法国政府的支持。

双股权与治理

公司章程显示股权分为普通股与带 10 倍投票权的 SP 优先股。这个安排让创始人(LeCun 与 LeBrun)在融资稀释后仍保持控制权。

双股权在 AI 公司里越来越常见(OpenAI 的特殊结构、Anthropic 的长期利益信托、Mistral 的创始团队控制),原因是要保护「长期研究导向」不被短期资本压力扭曲。代价是外部股东的话语权有限。

资金能买到什么

10 亿美元对一家 50 至 60 人规模的公司的意义是:可以组建顶级研究团队(年薪 50 万至 100 万美元的研究员)、购买大规模算力(数千张 GPU 的训练集群)、以及支撑数年研究。较小的团队规模会拉长资金跑道、降低人均消耗,同时也让价值更集中于少数关键人身上。但它不能支撑「无限期的探索」——如果 3 年内没有可验证的技术突破或商业进展,下一轮融资会困难。

DISCREPANCIES

1. 种子轮宣布日期的两个版本。 官方公告与 LeCun 的推文为 2026 年 3 月 10 日;部分媒体记为 3 月 9 日(时区差异)。本报告采用 3 月 10 日。来源等级:OFFICIAL(官方公告与创始人推文)。

2. 估值的投前与投后口径。 官方口径为投前 35 亿美元;部分媒体称「投后 45.3 亿美元」,也有媒体直接写「估值 35 亿美元」而不区分。两个数字都对,含义不同。本报告分别标注。来源等级:OFFICIAL(投前)与推算(投后)。

3. 融资目标与实际金额。 公司最初目标为 5 亿欧元,最终完成 8.9 亿欧元(10.3 亿美元)。部分报道只提「10 亿美元」而不提超募。本报告并列目标与结果。来源等级:OFFICIAL(公司表述)与 MEDIA。

4. 法律实体与品牌的差异。 法律实体为 2025 年 12 月注册的 PengyouCo SAS,2026 年 1 月品牌更名为 AMI Labs。部分资料以「AMI Labs 成立于 2026 年」表述,忽略了 2025 年的注册。本报告区分「实体注册」与「品牌发布」。来源等级:OFFICIAL(工商注册)与 MEDIA。

5. 「欧洲最大种子轮」的表述强度。 公司与媒体称这是「欧洲历史上最大的种子轮」,措辞含「被认为」「可能」等限定。这个「第一」依赖「种子轮」的定义(是否含战略投资、是否含可转债),无法独立核验。本报告保留表述并标注限定词。来源等级:MEDIA(含限定)。

6. 创始人构成。 部分资料称「由 LeCun 与 LeBrun 创立」,另有资料把 Saining Xie、Pascale Fung 等列为联合创始人。官方口径为 LeCun 与 LeBrun 共同创立,其余为核心团队成员。本报告采用官方口径。来源等级:OFFICIAL。

7. 时间表的乐观与保守两读。 公司称「第一年基础研究、6 至 12 个月后开始商业讨论、产品可能数年」。部分解读为「务实」,部分解读为「商业化遥远」。两种解读都基于同一表述,本报告并列。来源等级:OFFICIAL(公司表述)。

8. Nabla 合作的性质。 Nabla 获得「优先使用权」,公司未说明是否付费、是否有排他条款。部分解读将 Nabla 视为「第一个客户」。本报告标注为合作,尚不视为付费客户。来源等级:OFFICIAL(合作公告)与推断的区分。

9. 团队规模口径。 早期材料把研发组织按约 100 人理解,《La Tribune》在 AIM 2026 期间对 LeCun 的专访描述为巴黎、纽约、蒙特利尔、新加坡四地约 50 至 60 人,公司没有正式的员工数披露。本报告采用专访口径,并标注其为专访表述。来源等级:MEDIA(专访)。

10. H-JEPA 数值的统计形式与层次依赖。 论文报告的是 3 个随机种子下的均值加减标准误,而「±」数值常被读作标准差;各任务上的增益也未随层次加深单调上升,Push-T 上三层模型为 17.3%,低于两层的 45.3%。本报告采用论文写明的标准误口径,并明确写出 Push-T 的反转。来源等级:OFFICIAL(论文表格)与 MEDIA 转述的区分。

11. G42 与 Analog 备忘录的法律与商业分量。 2026 年 10 月 20 日的文件被明确表述为非约束性,G42 说明范围、商业条款与实施留待后续最终协议确定,且未披露金额、期限与里程碑。因此它属于研究与基础设施框架,不构成合同、订单或收入事件。来源等级:OFFICIAL(发布公告)。

风险与尽调缺口

其一,产品化时间。 公司自承第一年做基础研究、产品可能数年,意味着 3 至 5 年内没有收入。10 亿美元能否支撑到这个时点,取决于烧钱速度。

其二,JEPA 的验证。 JEPA 在视觉表征学习上有成果,但工业级世界模型的可行性未验证。如果这条路走不通,公司需要转向(如结合生成式方法),叙事会受损。

其三,关联交易与治理。 Nabla 是 CEO 的公司,获得优先使用权;Meta 有研究合作协议;双股权结构让创始人控制董事会。这些安排在早期合理,但在后续融资与上市时会成为审查重点。

其四,人才依赖。 公司的价值高度集中在 LeCun、Saining Xie 等少数人身上。如果他们离开,估值会受实质影响。

其五,场景分散。 四个目标场景(工业控制、机器人、可穿戴、医疗)的工程约束差异极大,同时推进会导致资源分散。

其六,竞争。 World Labs 已被 AMD 收编(资源更强),Physical Intelligence 等在机器人基础模型上有先发,大厂(Google、OpenAI)也在做世界模型。

其七,欧洲市场的商业化能力。 欧洲的工业客户付费能力强(尤其德国、法国的制造业),但对新技术的采用保守。从「研究」到「工业部署」的周期可能比美国更长。

其八,开源路径的风险。 H-JEPA 以 MIT 协议开源并放出 93 个检查点,使成果可复现、易于被二次开发,有利于生态采用与人才吸引,同时公司本身无法从这份产物直接获得收入。G42 与 Analog 的备忘录补充了触达面,却没有补充承诺,因为两者都不带价格、时间表与义务。如果第一个产品来得比生态预期更晚,第三方会继续使用这套开放的研究实现。

综合评分

techScore 8.0。 JEPA 是有理论深度的路线,I-JEPA/V-JEPA/V-JEPA 2 证明了可行性,LeCun 与 Saining Xie 的组合在执行力上有保障。2026 年 10 月的 H-JEPA 首次为这条路线提供了可核查的公开证据,三层模型在 Visual AntMaze 上达到 73.3%,对照单层基线 18.0%。扣分项是工业级可行性未验证、缺乏生成能力限制场景、评价标准缺失。

bizScore 4.5。 目标场景(工业控制、机器人、可穿戴、医疗)都是高价值方向,Nabla 提供了第一个验证场景,与 G42、Analog 的备忘录则打开了面向主权算力提供方的研究与基础设施框架。扣分项是无商业产品、无收入、无付费客户、协议不具约束力、产品化时间以年计、CEO 关联交易。

fundScore 8.0。 10.3 亿美元种子轮、45 亿美元投后估值、投资人结构含产业资本与政策资本,资金充足;约 50 至 60 人的研发团队规模进一步拉长了这份资金的跑道。扣分项是烧钱速度快、下一轮融资依赖技术突破、估值建立在信念上。

productScore 4.5。 仍无商业产品、无定价、无客户案例;现在握在手里的是 H-JEPA 代码与 93 个检查点这类开源研究成果,以及与 G42、Analog 签署的研究合作框架。扣分项是仍然没有付费客户,也仍然没有可售的产品形态。

marketScore 7.5。 世界模型被视为下一代 AI 的关键方向,工业与机器人对物理理解的需求真实,欧洲 AI 主权叙事提供政策支持,G42 的主权云通道进一步强化了这一位置。扣分项是市场尚早、客户采用周期长、竞争激烈。

综合 6.5 分。 这是一场「用 10 亿美元买时间」的豪赌:LeCun 用他的学术声誉与 JEPA 路线,聚集了欧洲最大的一笔种子资金,要在世界模型这条路上证明「语言不是智能的全部」。2026 年 10 月让这场赌局从主张走向证据,H-JEPA 把代码、权重和数字交给外部检验,G42 的备忘录则给出主权算力侧的对接方。它的上行空间极大(如果 JEPA 成为主流架构,它是定义者),下行风险也很实在(如果 3 年内没有出现商业产品,资金与耐心会耗尽)。对物理 AI 的判断是:JEPA 提出的问题(如何在表示空间里预测物理世界)是深刻的,第一个公开成果让这条路线变得可信,而工业验证仍然缺席;AMI Labs 的价值更多在「探索这条路的可能性」,尚不构成「已经建成的能力」。

参考资料

  1. AMI Labs 官方公告(2026-03-10):10.3 亿美元(约 8.9 亿欧元)种子轮,投前估值 35 亿美元;领投方 Cathay Innovation、Greycroft、Hiro Capital、HV Capital、Bezos Expeditions;战略投资方含英伟达、三星、丰田创投、Sea、Temasek、SBVA、New Legacy Ventures、Alpha Intelligence Capital、Mulliez 家族协会、Marcel Dassault 工业集团;天使含 Eric Schmidt、Xavier Niel、Publicis、Jim Breyer、Bpifrance Digital Venture、Tim 与 Rosemary Berners-Lee
  2. 公司治理与实体信息(公开资料):法律实体 PengyouCo SAS 于 2025 年 12 月在巴黎注册,注册资本 1 万欧元,注册地 51 rue de Seine, Paris 6e;同月公司章程更新,100 万股分为普通股与带 10 倍投票权的 SP 优先股;2026 年 1 月品牌更名为 Advanced Machine Intelligence(AMI Labs)
  3. 团队信息(公开资料):Yann LeCun 任执行主席(2018 年图灵奖得主、Meta FAIR 创始人、2025 年底离开 Meta,仍任纽约大学教授);Alexandre LeBrun 任 CEO(Wit.ai 与 Nabla 创始人);Laurent Solly 任 COO(前 Meta 欧洲副总裁);Saining Xie 任首席科学官;Pascale Fung 任首席研究与创新官;Michael Rabbat 任世界模型副总裁;总部巴黎,分支在纽约、蒙特利尔、新加坡
  4. 技术路线(公开资料):JEPA(Joint Embedding Predictive Architecture)由 LeCun 于 2022 年提出,核心是在抽象表示空间预测缺失或未来部分,不在像素或词序列上生成;相关工作上含 I-JEPA(2023,图像)、V-JEPA(2024,视频)、V-JEPA 2(2025,视频 + 机器人规划)
  5. LeCun 的技术批评(公开报道):自回归语言模型学的是下一个词的概率,未学习世界如何运作;文本是世界的压缩表示,丢弃了物理信息;生成式预测把容量浪费在不可预测的细节上;真正智能需要世界模型加规划
  6. 目标应用(公司表述):工业过程控制、自动化、机器人、可穿戴设备、医疗;公司使命表述为「真正的智能不起源于语言,而起源于世界」
  7. 商业化时间表(公司表述):第一年做基础研究,6 至 12 个月后开始与产业伙伴讨论,可商业化产品可能需要数年;LeBrun 警告「世界模型会成为下一个热词,六个月内每家公司都会自称世界模型来融资」
  8. 首个合作(公开报道):Nabla(LeBrun 创办的医疗 AI 公司)获得 AMI Labs 世界模型技术的优先使用权,目标开发面向医疗的软件并争取 FDA 认证
  9. Meta 关系(公开报道):Meta 未在 AMI Labs 持股,但签署研究合作协议,可获得研究产出;LeCun 表示正与 Meta 早期讨论把技术用于 Ray-Ban Meta 智能眼镜
  10. 竞争格局(公开资料):World Labs(李飞飞,2026 年 9 月被 AMD 以约 82 亿美元收购)走三维原生生成路线;其他相关公司含 Physical Intelligence(机器人基础模型)、Skild AI(机器人通用大脑)、1X(人形机器人);大厂项目含 Google DeepMind Genie、OpenAI 世界模型研究
  11. 行业背景(公开资料):世界模型学习状态转移,不是数据分布;JEPA 与自回归语言模型、扩散/视频生成模型的根本差异在「预测什么」(表示空间 vs token vs 像素);世界模型的评价标准尚无共识
  12. 欧洲 AI 背景(公开资料):欧盟推动 AI 主权叙事,法国以 Bpifrance 与国家冠军策略支持本土 AI 公司;Mistral 为欧洲 LLM 代表,估值超 60 亿欧元;巴黎已形成 AI 创业生态(Mistral、Kyutai、Inria 等)
  13. H-JEPA 论文与开源发布(2026 年 10 月):《H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning》,arXiv:2610.06805,2026 年 10 月 5 日提交,作者 Wancong Zhang、Basile Terver、Michael Rabbat、Yann LeCun、Randall Balestriero;代码以 MIT 协议开源;Hugging Face 仓库 jepa-world-models/h-jepa 共 93 个检查点,覆盖 AntMaze、FourRoom、Cube、Push-T 与 DROID,其中 84 个仿真、9 个 DROID;结果为 3 个随机种子的均值加减标准误,Visual AntMaze 三层 73.3% 对单层 LeWM 18.0%,FourRoom 96.0% 对 40.7%,Push-T 三层 17.3% 低于两层 45.3%,DROID 需加逆动力学损失
  14. G42 官方公告(2026 年 10 月 20 日):G42、其投资组合公司 Analog 与 AMI Labs 在阿布扎比 UAE–France Business Dialogue 期间签署非约束性合作备忘录,范围覆盖含世界模型在内的前沿 AI 研究、先进算力基础设施、主权云以及 Analog Physical Intelligence 的潜在工业集成;范围、商业条款与实施留待后续最终协议确定,未披露金额、期限与里程碑
  15. 《La Tribune》在 AIM 2026 期间对 LeCun 的专访(2026 年 10 月报道):研究团队约 50 至 60 名,分布在巴黎、纽约、蒙特利尔与新加坡;2026 年被定位为研发年,近期无产品发布计划

本报告依据公开资料整理,不构成投资建议。公司未上市且无商业产品与收入,融资与估值数据来自官方公告与媒体报道;技术能力与商业化时间表为公司表述,未经第三方验证。数据截至 2026 年 11 月 2 日。

相关报告66

本报告基于公开信息整理,仅供参考,不构成任何投资建议。数据截至报告发布日,请以公司公告与定期报告为准。