65 岁的杨立昆没有走硅谷那条“融资—发布—变现”的快车道。在拿到 10.3 亿美元、创下欧洲史上最大种子轮融资之后，他创办的 AMI Labs 给出的第一份答卷不是产品，而是一叠论文。
近日，在法国财经媒体《La Tribune》为 2026 年马赛人工智能大会（AIM 2026）录制的一场专访中，图灵奖得主、深度学习先驱杨立昆（Yann LeCun）首次详细披露了其创办的人工智能初创公司 AMI Labs 的商业化路线图：先发表科研成果，再把世界模型部署到工业场景，最后才进军机器人。这条路径与当下 AI 创业圈“六个月必须上线”的普遍节奏形成鲜明反差，也再次把那个老问题推到台前——当所有人都在赌大语言模型能自己长出物理常识时，杨立昆凭什么认为另一条路能赢？
现象：10 亿美元到手，产品却还在论文里
2026 年 3 月 10 日，成立不到三个月的 AMI Labs 宣布完成 10.3 亿美元种子轮融资，投前估值 35 亿美元。领投方包括 Cathay Innovation、Greycroft、Hiro Capital、HV Capital 以及贝佐斯的投资机构 Bezos Expeditions，英伟达、三星、法国亿万富翁 Xavier Niel 等也参与其中。这是欧洲史上规模最大的种子轮融资，也是 AI 史上最大规模的早期融资之一。
但拿到钱之后，AMI 并没有急着发布产品。杨立昆在《La Tribune》的专访中明确表示，公司仍处于研发阶段，没有近期产品发布计划，2026 年被定义为“研发年”。公司的商业化路径被清晰地切成三段：第一阶段发表科学论文；第二阶段把工业世界模型部署到 B2B 场景；第三阶段才进入机器人、自动驾驶等与现实世界交互的系统。
这种“先论文、后产品”的节奏，在 2026 年的 AI 创业圈里近乎异类。同一赛道上，李飞飞创办的 World Labs 走的是另一条路：2024 年 9 月完成 2.3 亿美元种子轮融资，2025 年 11 月就推出首个商业产品 Marble，2026 年 1 月在 CES 上与 AMD CEO 苏姿丰同台演示，随后被 AMD 收购。从融资到退出，World Labs 用了不到两年。
杨立昆不打算复制这个速度。他在采访中说，有意义的进展需要物理常识和可靠的规划能力，而不是精心设计的受控演示。换句话说，他宁愿慢，也不愿意在物理世界的问题上交出一份看起来漂亮、用起来不可靠的答卷。
分析一：为什么先发论文？因为世界模型还没有“课本”
杨立昆把论文放在第一位，不是科学家的清高，而是技术阶段的必然。
AMI 的技术底座是 JEPA（联合嵌入预测架构）。与生成式模型逐像素预测未来画面不同，JEPA 学习的是抽象表征，只预测与任务决策相关的变化——比如前方车辆会不会刹车，而不是路边树叶怎么飘动。这套思路在数学和编程上已经证明有效，因为这两类任务的输出可以被自动验证；但在物理世界，验证成本高得多，模型必须先学会“常识”。
2026 年 3 月，杨立昆与合作者推出了 LeWorldModel：一个 1500 万参数的小型世界模型，用图像训练只需数小时、单张 GPU 即可完成，在部分控制任务上的规划速度比大型世界模型基线快至多 48 倍。同年 10 月提交的 H-JEPA 进一步引入跨时间尺度的分层预测，在 Visual AntMaze 基准上把成功率从单层模型的 18% 提升到 73%。
这些仍是研究结果，不是产品。但它们的意义在于，AMI 正在尝试给“世界模型”这门新学科写课本。大语言模型之所以能在 2022 年后快速产品化，是因为 Transformer 架构和海量文本数据已经成熟，创业者只需要做工程封装。而世界模型连基本架构都还在迭代——参数规模、分层方式、规划算法、评估基准，每一项都没有行业标准。
在这种情况下，先发论文是一举三得：对外建立技术信誉，对内沉淀可复用的方法，对人才市场释放信号。AMI 目前已在巴黎、纽约、蒙特利尔和新加坡四个枢纽招募约 50 至 60 名研究人员，联合创始人兼首席科学家谢赛宁坦言，硅谷对这家初创公司仍持怀疑态度。论文，是说服顶尖研究者加入的最硬通货。
分析二：为什么选工业 AI 做第一站？因为工厂比家庭好预测
如果论文解决的是“能不能做”，工业场景解决的就是“在哪里先做”。
杨立昆在采访中明确，AMI 最早的商业应用将出现在 B2B 工业环境，尤其是发电厂、喷气发动机和化工厂的流程控制。目标客户锁定制造业、汽车、航空航天、生物医学和制药集团等需要管理复杂硬件系统的机构。AMI 把自己定位为“各领域的智慧系统供应商”，而非硬件制造商——它提供控制机器人所需的智能，不造机器人本体。
这个选择背后是风险结构的算计。工业场景有几个对世界模型友好的特征：环境相对封闭、传感器数据完整、失败成本可量化、客户愿意为可靠性付费。一台燃气轮机的异常预测，只需要模型理解热力学、振动和材料疲劳的有限变量；而一个家庭服务机器人要面对的是儿童、宠物、散落玩具和随时变化的布局。
杨立昆把世界模型比作“自动化的数字孪生”。传统数字孪生需要工程师手工编码每一条物理定律，成本高、泛化差；世界模型则从传感器数据中直接学习预测行为，用来检测异常、预测故障、优化运行。这套叙事对工业客户有天然吸引力——他们不缺数据，缺的是能把数据变成决策的模型。
更微妙的是地缘优势。杨立昆强调，AMI 是“非美非中”的 AI 技术供应商，总部设在巴黎，在全球市场和政府采购中有独特优势。尽管投资者中包括战机制造商达梭航太，但他明确表示军事应用并非当前重点，AI 的军事用途应由民选政府而非研究人员决定。这种定位让 AMI 既能拿到欧洲工业客户和主权基金的信任，又不至于被地缘政治彻底锁死市场。
分析三：为什么机器人放在最后？因为那是世界模型的终极考场
机器人是杨立昆路线图的第三站，也是最远的一站。
他在采访中确认，长期目标包括自动驾驶、物流机器人和家庭机器人，但拒绝给出消费级产品时间表。原因很直白：机器人是物理世界最复杂的交互场景，对常识和规划的要求最高。一个在 AntMaze 基准上达到 73% 成功率的模型，离在真实仓库里稳定抓取还差得很远。
这里藏着 AMI 与 World Labs 的根本分歧。World Labs 从 3D 内容生成切入，先做“看得见”的世界，再向智能体延伸；AMI 从工业流程控制切入，先做“可预测”的世界，再向机器人延伸。前者离消费者近、变现快，所以能被 AMD 收购；后者离钱远、周期长，但一旦跑通，壁垒也更深。
杨立昆用一个比喻解释这种差异：大语言模型的渐进式改进像是在升级一艘传统帆船，而世界模型是换了一艘水翼船——设计逻辑完全不同。对投资人来说，帆船升级的故事更容易听懂，水翼船的故事需要更多耐心。10.3 亿美元的种子轮，买的就是这份耐心。
值得注意的是，AMI 并不打算单打独斗。公司正与 Meta 洽谈，探讨将其技术应用于 Ray-Ban 智能眼镜产品线的可能性；同时与医疗 AI 公司 Nabla 保持合作，探索细胞或患者层面的建模来预测治疗效果——Nabla 的前 CEO 正是现任 AMI 的 CEO Alexandre LeBrun。这些合作都在为未来的机器人和边缘设备智能铺路。
结论：一场用时间换壁垒的豪赌
杨立昆的三步走路线，本质上是在回答一个行业级问题：世界模型的商业化，到底应该快还是慢？
他的答案很明确：在物理世界，慢就是快。先发论文把技术地基打牢，再用工业场景验证可靠性，最后才把能力交给机器人。这条路径的风险在于周期太长——从研发到第一个真正意义上的商业产品还需要数年时间，期间任何技术路线的转向都可能让先发优势归零。World Labs 被 AMD 收购已经证明，资本市场对“快”的奖励是即时且丰厚的。
但杨立昆赌的是另一件事：当 AI 竞争进入深水区，真正稀缺的不是能聊天的模型，而是能理解物理后果、能规划、能为自己行为负责的智能系统。工业客户愿意等，政府客户愿意等，机器人公司最终也会等——因为它们等得起一次失败，等不起一个不可靠的大脑。
65 岁重新创业，杨立昆没有选择最容易变现的那条路。他选择了一条更难、更慢、也更符合他二十年来学术信念的路。
AI 的下半场，比的不是谁先发布产品，而是谁先让机器真正理解这个世界。
快报