What Big Tech Missed And How Startups Can Still Win

Amie Labs 联合创始人 Alex Lebrun 和 Yann LeCun，拿下 12 亿美元种子轮，要用“世界模型”训练 AI，直接用视频、音频和机器人感知世界，不靠文本。

• Amie Labs 的目标：训练“世界模型”（world model），让 AI 不再只学文本，而是像人和动物一样，通过视频、音频、触觉等真实感知直接学习。
• 和 LLM 最大的区别：LLM（大语言模型）就像“从没出过门、只读过书的人”，懂很多道理但没见过世面；世界模型则像“从小摸爬滚打、亲身体验过”的人，能用常识应对新情况。
• 训练数据：主要用视频，因为最容易获取，也可以用音频和机器人采集的触觉数据。Alex 说“就算天生失明失聪，也能靠触觉活下去，AI 也能这样学”。
• 采集触觉数据：靠机器人实际操作物体，收集“手感”数据，像小孩学会抓东西一样。

• 短期落地场景：最直接的用处在机器人。现在的机器人只能在固定场景下干一件事，换个环境就废了。世界模型能让机器人在家、街上等开放环境里灵活应对。
• 为什么不用 LLM+多模态硬凑？：Alex 直接说“VLA（Vision-Language-Action）是个糙办法”，用 LLM 控制机器人又慢又不准，成本还高，家用机器人 24 小时跑下来账单吓人。
• 推理成本：世界模型训练起来和 LLM 一样烧钱，但推理阶段参数更少、速度更快、成本更低，适合实时控制机器人。
• LLM 依然有用：Alex 明确说，LLM 在语言、数学、编程等“低维、符号化”的任务上永远是最优解，世界模型主攻“高维、噪声大、需要常识和长链推理”的场景。
• 现在有世界模型落地吗？：自动驾驶公司（如 Waymo、Wave）已经用上了部分世界模型的思路，比如用视频数据直接建模环境。

• 大公司难点：Alex 说在 Meta 时，哪怕有想法也很难落地——大公司资源多，但风险厌恶，动不动就被法务卡死，像“带着镣铐跳舞”。
• 创业公司的优势：唯一能赢大公司的，就是敢“做疯一点的事、冒大风险”。OpenAI 能做出 ChatGPT，就是敢在没人看懂 Transformer 的时候砸钱、扛风险。
• 真实例子：Alex 在 Meta 做聊天机器人，第一次上线就答“我在沙发上看黄片”，他立刻意识到“这玩意法务绝对不让过”，只能内部玩玩，说明大公司很难快速试错。

• 融资规模：Amie Labs 拿下欧洲史上最大种子轮，12 亿美元（约 10 亿欧元），主要用来买 GPU，训练世界模型。
• 钱好融吗？：Alex 说“不是钱多难，难在你是不是第一次创业”。第一次融资最难，后面有成功记录，投资人反而主动送钱。
• 最大压力不是股权稀释，而是“外部期待”：Alex 跟团队说，1 亿和 10 亿的区别，不是股份变少，而是“外界盯着你，2 年没动静就活不下去”。
• 花钱的心态：他强调“花钱要像花自己的一样小心”，但买 GPU 这种大头一花，别的开销看起来都不值一提，很容易失控。

• Alex 的强项：喜欢做“特别早期、还没市场”的技术，把前沿研究变成产品，抓住最早的机会窗口。
• Yann LeCun 的角色：公司执行董事长，主抓科学方向和研究路线，Alex 负责招人、搞钱、买 GPU、搭办公室，让团队能跑起来。
• 管理研究团队的诀窍：“管研究员像赶猫一样”，不能死管也不能放养，要在“给方向”和“放手”之间找平衡，否则团队不是乱跑就是啥都不出。

• 怎么选题：Alex 建议“选特别窄的切口，但要有大野心”。他自己早年犯过错，想做“万能聊天机器人”，结果太宽太难，反而没法小团队做出价值。
• Facebook 的野心故事：2015 年他刚被 Facebook 收购，想招 100 个真人做数据标注，扎克伯格看完提案直接说“干脆招 1 万个”，Alex 吓得劝他别冲太猛，最后招了 200 个。这个故事让他意识到“野心可以更大，但要有节奏”。

• 5-10 年后的画面：家里、街上会有“有常识、能帮忙”的机器人，大多数工作还在，但危险和脏活累活会被机器分担，AI 会有“常识”，能更好地理解和帮助人。

“机器能说猫，但没摸过猫、没被猫抓过，就永远不够聪明。”

• 做 AI 创业，敢选“太早”的方向才有机会：大公司资源多但不敢冒险，真正的突破往往出自敢赌新范式的创业团队。
• 世界模型是机器人落地的关键突破口：做机器人、自动驾驶等领域的创业者，要关注“用视频/感知数据直接训练模型”的路线，别只盯着 LLM 多模态拼凑。
• 大钱带来大压力，节奏和外部期待要管控好：拿到巨额融资后，最难的是扛住外界“快出成果”的压力，产品节奏和团队文化必须提前定好，别被钱冲昏头。