Advanced Machine Intelligence

1.1 身份、阶段与产品论点

AMI 更应被视为一家新成立的法国前沿 AI 实验室，而不是已有成熟商业指标的软件运营商。法律锚点是 ADVANCED MACHINE INTELLIGENCE：这是一家巴黎 SASU，SIREN 994675254，2025-12-15 完成 RCS Paris 注册，现总部位于 10 rue de Penthièvre, 75008 Paris。公司的公开入口是 amilabs.xyz；其使命声明称，AMI 正在构建世界模型，用于学习真实世界传感器数据的抽象表征，并在安全护栏下规划。这个身份与融资公告一致：AMI 还没有销售打包产品，而是用异常庞大的种子轮押注长周期研究、算力和人才。因此，核心尽调框架是阶段错配。资本规模像后期公司，业务仍处在产品前、收入前阶段，并依赖一套非共识技术架构落地到可靠性要求很高的应用。[CO001, CO002, CO003, CO004, CO005, CO016]

1.2 领导层、治理与关键人物风险

以公司的年龄看，领导班底罕见地可信，但公开证据也把故事压缩在少数个人身上。AMI 称 Yann LeCun 担任董事长，Alexandre LeBrun 担任 CEO，Laurent Solly 担任 COO，Saining Xie 是首席科学官，Pascale Fung 是首席研究与创新官，Michael Rabbat 负责世界模型。这套组合把 LeCun 的 JEPA / 世界模型论点、LeBrun 通过 Wit.ai 和 Nabla 积累的公司建设经验，以及多位 Meta/FAIR 相关的研究和运营履历放在一起。人才确定性强于治理确定性：不同来源对 LeCun 的表述在执行董事长与非执行董事长之间摇摆，公开资料中也没有出现董事会、投票控制或投资人权利安排。后续章节因此应把本章角色表当作具名领导者地图，而不是完整治理深度的证明。最高优先级尽调问题是：公司能否把决策机制制度化，不只依赖 LeCun 的科学权威和 LeBrun 的运营角色。[CO010, CO011, CO012, CO013, CO014, CO015]

1.3 资本结构、投资人与战略期权价值

AMI 的 $1.03B 种子轮，是公司可投也高风险的同一个事实。公司、投资人和独立来源都指向约 €890M / $1.03B 融资，投前估值 $3.5B；扣除费用或任何未披露结构前，隐含投后约 $4.5B。本轮由 Cathay Innovation、Greycroft、Hiro Capital、HV Capital 和 Bezos Expeditions 共同领投，战略和长期支持方包括 NVIDIA、Samsung、Temasek、Toyota Ventures、Sea、SBVA 和 Alpha Intelligence Capital。这个财团不只是钱：硬件、工业、亚洲和医疗相邻资源，在 AMI 证明科学路径后可能转成部署通道。反向解读是，估值已经把多年研究突破提前计价，而 AMI 仍无收入、审计报表，也未披露 Nabla 之外的客户。Sequoia 对 AI 资本开支的批评、Reuters 来源关于 AI 估值泡沫的评论，并不是 AMI 专属失败证据，但足以成为承销十亿美元种子轮的护栏。[CO016, CO017, CO018, CO019, CO020, CO021]

1.4 合作伙伴、用例与商业化路径

Nabla 是第一个具体外部验证点，但应归为战略伙伴，而不是经常性收入证据。Nabla 宣布可优先或首批接入 AMI 正在形成的世界模型，并把合作放在临床流程上：LLM 在幻觉、非确定性、连续信号和可审计行动上容易失手。STAT 补上一条有用边界：两家公司合作紧密，但尚未披露正式股权或授权协议关系。医疗之外，AMI 和独立报道反复点名工业过程控制、自动化、可穿戴设备、机器人、自动驾驶、喷气发动机、发电厂和患者器官等目标领域。这些例子说明世界模型为何有价值，也说明验证会很难：最有价值的应用往往安全关键、受监管、数据密集。因此，商业化路径应先是伙伴驱动的实验，而不是立即推出 SaaS。[CO024, CO025, CO026, CO027, CO028, CO029]

1.5 里程碑、反向检查与未解缺口

里程碑显示公司创建节奏很压缩：2025 年 12 月完成法律设立，Nabla 在 12 月宣布合作与 LeBrun 职位转换，1 月获得公开画像，2 月迁至当前巴黎地址，2026 年 3 月完成 $1.03B 融资。Pappers 上未出现法国登记制裁、诉讼或集体程序，但公开运营记录仍太短，这份干净登记快照的预测力有限。更重要的反向证据是战略层面而非法律层面：Le Monde Informatique 称 AMI 尚无可运行系统，Forbes 强调视频 / 传感器世界模型的成本和监管负担，更广泛的 AI 市场评论警示早期估值可能脱离收入。这些并不否定 AMI 的上行空间；它们定义下一步尽调路径。公司必须把资本和人才转化为公开研究、伙伴试点、安全证据，并最终转化为商业模式。[CO006, CO007, CO031, CO032, CO033, CO034]

1.6 展项

2.1 市场边界与现状替代方案

AMI 的市场规模应放在物理 AI 和具身 AI 栈里衡量：模型从传感器流学习，模拟后果，规划行动，并支持安全部署到真实世界系统。这个边界包括机器人基础模型、自动驾驶和机器人仿真、工业数字孪生 / 模型层、医疗相邻的多模态流程智能，以及受监管部署所需的安全工具。它不包括通用聊天助手、横向企业 AI 助手、传统机器人硬件收入，也不包括完整自动驾驶车队经济，除非 AMI 因模型层获得付费。现状替代方案也很实在：制造商可以继续使用 PLC / MES / SCADA 自动化、经典计算机视觉、系统集成商、任务专用机器人、内部数据科学团队，或供应商绑定的仿真栈。因此，本章把广义具身 AI 市场数字当作上限背景，再收窄到 AMI 可能合理销售 API、模型、授权或联合开发权的软件 / 模型层机会。[CM001, CM002, CM003, CM004, CM010, CM011]

2.2 规模测算视角与口径调和

证据支持多个测算视角，而不是单一 TAM。MarketsandMarkets 估计具身 AI 2025 年市场为 $4.44B，2030 年为 $23.06B，但它的产品边界包括机器人、外骨骼、自主系统和智能家电，远宽于 AMI 可能变现的层。IFR 的 2025 World Robotics 页面显示物理自动化需求按台数看很强——2024 年工业机器人安装量 542,000 台，专业服务机器人销量接近 200,000 台——但这不是软件收入池。Deloitte 的智能制造调查显示买方已准备投入 AI、数据、传感器和自动化，但也意味着采用会嵌在更大的转型项目里。调和后的市场判断是：物理系统大背景很大且在增长，具身 AI 市场估算中等规模，而软件 / 世界模型 SAM 要小得多，必须靠试点和定价证明。[CM009, CM012, CM013, CM014, CM015, CM016]

2.3 买方、用户与付款方分层

AMI 尚未打包成应用，买方地图因此很碎片化。制造和物流场景里，经济买方通常是负责产出、稼动率、安全和劳动生产率目标的运营、制造或自动化负责人；机器人工程师和系统集成商则是技术用户。机器人和 AV 公司里，买方可能是机器人工程、仿真或自动驾驶平台组织，需要更好的数据整理、合成场景、模型评估和跨形态泛化。医疗相邻流程里，临床平台负责人和风险 / 合规团队很重要，因为价值命题取决于可审计性和安全行动，不只是模型准确率。战略创新团队和企业风投部门可以资助早期试点，但除非试点转成运营、临床或工程预算，否则还不足以证明可重复的预算归属。[CM002, CM005, CM007, CM008, CM028, CM029]

2.4 增长驱动因素

最强市场驱动不是泛泛的 AI 热情，而是物理经济约束让更好的感知、仿真和行动模型变得有价值。工业机器人安装量已连续四年高于 500,000 台，中国继续提前拉动物理自动化需求，物流和医疗机器人等专业服务机器人品类也在扩大。制造商报告智能制造在产出、生产率和产能上带来收益，同时把流程自动化、传感器、视觉系统、数据分析和 AI 列为优先事项。基础模型进展是另一条驱动：NVIDIA Cosmos、Gemini Robotics、Genie 2、π0、Helix，以及 LeRobot 等开放工具，都指向一个从手工编程机器人走向数据驱动策略、合成环境和多模态行动模型的市场。只要 AMI 能把研究产出转成企业级集成点，它的世界模型论点就踩在时间窗口上。[CM004, CM005, CM006, CM007, CM008, CM012]

2.5 商业化约束与尽调缺口

市场有吸引力，但门槛很高。Bain 和 MIT Technology Review 都提醒，类人和物理智能体采用仍处早期、分阶段推进，并受自主性、灵巧度、电力、安全和信任限制。受监管或安全关键流程还叠加一层要求：EU AI Act 义务、FDA 对自适应医疗软件的生命周期监管、NIST 风险管理实践，以及前沿 AI 安全承诺，都会把买方推向验证、监测、治理和事件响应。算力强度同样重要，因为 Epoch 的训练成本研究和 Sequoia 的 $600B 批评显示，前沿模型经济性可能跑在终端用户收入前面。因此，关键尽调问题首先是商业问题，不只是技术问题：AMI 到底销售什么价值单元、谁拥有预算、试点如何证明 ROI、买方会接受哪些基准，以及能否在竞争对手或既有厂商商品化模型层之前拿出安全证据。[CM018, CM019, CM020, CM021, CM022, CM023]

2.6 展项

3.1 格局与替代地图

AMI 的竞争场景是拥挤的物理 AI 栈，而不是边界清晰的单一软件品类。最接近的直接同行包括 World Labs、Google DeepMind Genie 2 等世界模型和空间智能实验室，也包括 Physical Intelligence、Skild AI、Figure、Covariant 等机器人策略实验室；它们都在尝试把多模态感知转成行动。赋能平台同样重要：NVIDIA Cosmos 和 Hugging Face LeRobot 向开发者提供模型、数据集、仿真和策略工具，可能降低使用 AMI 专有层的必要性。当买方更偏好全栈自主能力或内部自建，而不是授权模型供应商时，Wayve 和 Tesla 等垂直具身 AI 公司就是替代方案。因此，实际格局由直接竞争者、赋能平台、替代 / 内部自建、现状自动化，以及可能凭算力、数据或流程控制切入的新进入者构成。[CP001, CP002, CP041, CP045, CP047, CP048]

3.2 直接同行能力对比

公开商业化证据上，直接同行对比不利于 AMI；但在野心上，AMI 占优。来源支撑的 AMI 论点是面向真实传感器数据和规划的抽象世界模型，但公司尚未披露已交付产品、定价页、基准、客户案例或通用 API。World Labs 已经推出 Marble，作为付费和免费 3D 世界产品；Physical Intelligence 展示了围绕 π0 及 2026 年后续版本迭代的模型线；Figure 声称 Helix 已可在嵌入式 GPU 上商业就绪；Covariant 的 RFM-1 背后有仓储部署数据；Google DeepMind 则有私有预览版 Gemini Robotics 和研究级 Genie 2。整个行业的能力宽度真实存在，但矩阵中缺乏支撑的单元格仍标为 unknown，因为演示、预览和投资人说法无法证明 AMI 的生产可靠性。[CP007, CP009, CP010, CP014, CP015, CP016]

3.3 商业化、定价与分销

定价多数未披露，所以本章不编造价格。Marble 是审阅范围内唯一有公开订阅层级的直接世界模型产品。LeRobot 是开放工具，不是 AMI 式付费供应商合同。AMI、Physical Intelligence、Skild AI、Figure Helix、Covariant RFM-1、Gemini Robotics，以及多数 Cosmos 企业条款，要么未披露，要么绑定伙伴关系、预览、部署或平台访问，而不是公开标价。分销差异比定价更大：World Labs 有 Autodesk 作为战略设计工作流渠道，NVIDIA 有广泛的首批采用者生态，Wayve 有 OEM 和云关系，Tesla 垂直整合制造；AMI 目前有 Nabla 这个具名医疗首批接入伙伴，但尚未披露可比的机器人或工业渠道。[CP003, CP004, CP005, CP006, CP011, CP012]

3.4 数据优势与护城河耐久性

物理 AI 里最持久的竞争优势不太可能只来自模型架构。真正的优势是具身交互数据、仿真闭环、客户流程、评估基础设施和值得信任的部署渠道。Covariant 的仓储车队和轨迹说法、Figure 的类人数据采集、Physical Intelligence 的跨形态训练、Wayve 的道路试验和 OEM 路径、Tesla 的 AI 算力和 Optimus 量产准备、NVIDIA 的平台控制，以及 LeRobot 的开放数据集 / 工具体系，都会挤压 AMI。AMI 的资本、人才和战略支持方有价值，但在公司展示专有伙伴数据权利、安全基准、付费试点或买方无法通过内部自建和开放 / 赋能平台复制的集成界面之前，护城河还没有被来源证明。[CP008, CP026, CP029, CP030, CP033, CP034]

3.5 反向证据、商品化风险与潜在进入者

反向证据很重要。Bain 认为类人机器人部署仍处早期且需要结构化推进，自主性、灵巧度、电池、认证、劳动力接受度和信任都会卡住规模化。LeCun 本人告诉 MIT Technology Review，目前没人知道如何做出广泛有用的机器人，重大概念突破仍然必要。Sequoia 对 AI 基础设施的批评增加第二层风险：如果算力变得像商品，而终端用户收入滞后于资本开支，没有流程锁定的模型供应商会承受价格压力。潜在进入者站位很强，因为 NVIDIA 控制物理 AI 基础设施，Google DeepMind 控制前沿机器人研究，Tesla 控制机器人硬件 / 制造和专有数据，Autodesk 等 CAD / 仿真既有厂商拥有流程界面。AMI 的尽调负担，是证明其世界模型不只是商品化栈里又一条昂贵研究路径。[CP035, CP036, CP037, CP038, CP044, CP048]

3.6 展项

4.1 收入模型与披露缺口

AMI 尚未公开披露收入、ARR、客户数量、标价或通用产品。最清楚的事实是使命、$1.03B 种子轮和伙伴驱动的商业化路径：AMI 称自己在为安全关键的真实世界领域构建世界模型，Nabla 称自己可首批接入 AMI 面向医疗的新兴技术。这些证据支撑收入模型假设，不支撑收入确认。未来可能的收入流包括企业模型授权、API 访问、联合开发费用、垂直部署、医疗合作伙伴经济分成，以及可能的战略研究合同。没有合同、用量、定价、开票和续约数据，任何一项都不能当作已入账收入。尽调姿态因此必须明确：当前收入指标用 null，Nabla 归为伙伴信号，并在承销可重复性前要求管理层提供财务包。[CI001, CI006, CI007, CI008, CI009, CI014]

4.2 GTM 与销售效率代理指标

公开 go-to-market 证据很薄，但方向一致。AMI 和独立报道都指向先做研究、未来六到十二个月推进伙伴讨论，以及 Nabla 作为首个医疗首批接入伙伴。这不足以计算 CAC、回本期、配额产出、销售周期、管道转化、渠道毛利或客户集中度。最好的代理指标是定性判断：AMI 可能从战略伙伴和受监管或工业试点切入，先完成技术验证，再进入业务线预算归属。如果能转成高价值授权，这条路有价值；但它也慢，而且服务含量重。在 AMI 披露已签试点条款、转化率和经济买方归属之前，销售效率应标为 unavailable，而不是拿 SaaS 常模做基准。[CI005, CI006, CI012, CI013, CI016, CI038]

4.3 成本结构与毛利驱动因素

AMI 的成本结构很可能由算力、顶尖研究人才、数据整理、仿真、安全验证和伙伴集成主导。这是基于 AMI 的前沿世界模型野心和外部成本基准作出的推断，不是公司披露的烧钱模型。Epoch 显示前沿训练成本快速上升；NVIDIA 称物理 AI 系统可能需要 PB 级视频数据和数万小时算力；CloudZero 报告 H100 购买 / 租赁区间很宽；FDA / NIST 材料则显示，医疗和关键基础设施流程会增加风险管理和验证工作。Blackwell 式效率可以降低单位推理成本，但在 AMI 证明工作负载组合、利用率、定价权和合同收入之前，毛利问题不会被解决。因此，毛利率应继续保持 null，成本驱动地图仅作为尽调指南。[CI017, CI018, CI019, CI020, CI021, CI022]

4.4 资本充足性与融资依赖

大额种子轮买来时间和战略期权价值，但它本身不能证明资本充足。来源支撑的事实是 $1.03B 融资、据报 $3.5B 投前估值，以及投资人称这笔钱支持长期研究、全球招聘和可靠智能系统开发。真正判断现金续航所需的信息并未被支撑：扣除费用后的到账现金、已花现金、月度 burn、已承诺算力、债务、GPU 采购、办公室面积、员工数和下一轮里程碑。公开来源显示 AMI 计划做高算力 R&D，且当前没有收入指标；因此，在伙伴试点转成合同经济性，或公司证明种子轮资金足以支撑研究路线图之前，AMI 仍依赖后续融资。[CI002, CI003, CI004, CI025, CI026, CI031]

4.5 财务结论与尽调阻塞项

财务结论是 research-more，不是因为 AMI 缺钱，而是承销所需的财务报表基本缺位。正向案例很强：异常充足的种子轮融资、顶级投资人，以及伙伴驱动的医疗切口。反向案例同样具体：Sequoia 质疑 AI 基础设施支出是否有终端用户收入匹配，Le Monde Informatique 称 AMI 缺少可运行系统，Silicon Republic 提醒一家今年成立的公司已有数十亿美元估值。这些批评重要，因为 AMI 未来成本基础会重算力、重验证。阻塞性尽调路径很具体：拿到合同、价格手册、ARR / bookings、现金和 burn、算力承诺、验证预算、数据权利和董事会里程碑。在此之前，所有收入和现金续航字段都应保持未披露，而不是估算。[CI027, CI028, CI029, CI030, CI044, CI049]

4.6 展项

5.1 产品状态与客户流程

AMI 的产品外露面更适合描述为世界模型的研究平台和伙伴集成路线图，而不是已交付 SKU。官网称，世界模型在表征空间中预测，并在安全护栏下规划行动序列；更新页面称，AMI 正在构建能够理解世界、保持持久记忆、推理、规划，并保持可控和安全的系统。这映射到客户流程，而不是可定价产品：医疗伙伴可以用仿真和确定性规划扩展临床助手；工业运营方可以把传感器状态喂给模型，预测过程后果；机器人团队可以用视频条件规划选择安全动作；安全关键团队可以要求执行前先由人审核计划。关键尽调边界很严格：Nabla 有首批接入权，但公开来源没有显示 AMI 已有通用模型、API、SLA、基准或发布日期。[CE001, CE002, CE003, CE004, CE005, CE006]

5.2 模块、资产与架构地图

模块地图应严格受证据约束。AMI 尚未发布产品包，因此资产地图只是把公开研究主张翻译成可部署层：传感器接入、表征编码器、JEPA 预测器、动作条件规划、评估 / 安全护栏，以及伙伴流程适配器。LeCun 的架构论文、基于能量模型笔记、I-JEPA、V-JEPA 和 V-JEPA 2 支撑技术谱系，但它们不是 AMI 产品基准。Meta 的 V-JEPA 2 是最具体的公开类比，因为它把视频训练、动作条件预测和机器人任务的模型预测控制连在一起。AMI 尽调要证明架构，需要说明哪些部分是专有的，哪些借用了开放文献，哪些已开源，哪些已经接入伙伴数据系统。[CE010, CE011, CE012, CE013, CE014, CE015]

5.3 相对 LLM 与开放物理 AI 平台的差异化

AMI 最强的差异化主张是概念层面的：token 预测型 LLM 针对语言续写优化，而 JEPA 式世界模型学习抽象状态表征，并预测世界可能如何演化，尤其是在候选动作之下。这在医疗和机器人里相关，因为幻觉、缺失因果性和弱物理扎根都可能不可接受。风险在于，架构本身不是护城河。Meta、NVIDIA、Hugging Face 和 DeepMind 已经在相邻的世界模型和机器人控制领域公开论文、代码、模型集合、仿真工具或私有预览。因此，AMI 需要专有伙伴数据权利、安全评估、集成界面和部署证据来证明差异化。没有这些，买方可能把 AMI 视为开放平台、内部自建项目和既有机器人栈之间的一条研究路径而已。[CE007, CE008, CE017, CE020, CE021, CE022]

5.4 部署、信任、安全、隐私与合规缺口

部署路径由伙伴驱动，而且高度依赖受监管流程。AMI 的公开外露面不包括 API 文档、客户 onboarding、监控、支持、数据处理条款、隐私控制、安全认证或上市后证据。在医疗场景里，Nabla 的 FDA-certifiable 表述应先按愿景处理，直到设备范围、predicate 或 De Novo 策略、验证计划和变更控制计划可见。FDA、NIST 和 EU AI Act 材料把控制负担讲得很具体：风险管理、可审计性、验证、人工监督、修改控制，以及保护健康、安全和权利，在安全关键用例里都不是可选项。立即部署建议应限制在小范围试点：保留 human-in-the-loop 审核，锁定运行域，明确事件流程，并在自主行动前收集证据。[CE029, CE030, CE031, CE032, CE033, CE034]

5.5 路线图、开源姿态与产品成熟度

路线图很长。AMI 已筹集种子轮级别资本，并称将与行业伙伴、产品开发者、学术界、公开发表和开源协作。TechCrunch 访谈是最清楚的商业化时点护栏：管理层把 AMI 定位为基础研究，可能需要数年才能变成商业应用。Nabla 合作提供可信的医疗切口，但仍是首批接入，不是 AMI 软件已交付的证据。外部证据也给机器人假设降温：类人部署面临电池、制造、安全、认证和人类接受度障碍，而 Meta 自己的 V-JEPA 2 基准相对人类物理推理仍有差距。成熟度结论是 research-more：技术论点自洽，但在 AMI 发布模型工件、伙伴试点、安全案例和部署指标前，公开证据还停在路线图层面。[CE009, CE039, CE040, CE041, CE042, CE044]

5.6 展项

6.1 AMI 直接客户证据仍处商业化前

公开客户尽调应从一个负面发现开始：AMI 尚未披露付费客户基础、客户数量、产生 ARR 的试点、NRR 或合同条款。最强直接证据是 AMI 自己的定位——一家为可靠性关键领域构建世界模型的研究实验室——以及 Nabla 的独家首批接入合作。这让 Nabla 具有战略重要性，但不会把 Nabla 的医疗系统客户转成 AMI 客户。AMI 可能的买方是需要可靠预测、规划和仿真的企业或受监管运营方；在医疗切口里，经济买方很可能是 Nabla 或医疗系统渠道，而不是单个临床医生。因此，尽调姿态是商业化前：先拆分可能的买方、用户和付款方群体，再要求 AMI 特定生产部署证据，才可承销可重复性。实际操作上，本章每个尽调展项都把客户证明按层级处理：AMI 官方定位在底部，其上是 Nabla 战略接入，Nabla 客户部署证明放在独立的渠道验证通道里，AMI 直接生产证明仍为空。这个层级防止报告把伙伴势能误转成尚未赚到的客户指标。[CU001, CU002, CU003, CU004, CU005, CU007]

6.2 Nabla 提供具名客户证明，但只是间接渠道验证

Nabla 是唯一具名且可优先接入 AMI 技术的战略伙伴，也带来有意义的间接证明：医疗系统已在真实临床流程中部署 Nabla 的环境式助手，报告使用率，并从试点扩展到更大范围部署。这些证据重要，因为 AMI 第一条可信医疗路径很可能通过 Nabla 的装机基础和反馈闭环推进。但它必须放在单独的尽调桶里。Denver Health、Carle、McFarland、Tia、CHLA、UToledo 和 Aultman 验证的是 Nabla 销售、集成和支持临床 AI 的能力；它们不能证明 AMI 已交付自己的世界模型，也不能证明 AMI 已获得收入。因此，具名证明表把 AMI 关系与下游 Nabla 客户结果分开标注。最强间接信号不是单个 logo，而是 Nabla 账户中反复出现的模式：明确的流程痛点、试点或评估、EHR 集成、临床医生层面采用，以及量化的文档或职业倦怠结果。缺失的桥，是这个模式里披露的 AMI 衍生功能。[CU015, CU016, CU017, CU018, CU019, CU020]

6.3 留存、扩张和集中度都应按缺口承销

Nabla 采用耐久性有一些有用证据，例如 McFarland 的试点留存率和医疗系统扩张故事，但 AMI 特定留存完全未披露。买方不应从 Nabla 的环境式助手指标推断 AMI 续约行为，因为 AMI 技术仍被描述为新兴世界模型架构。早期集中度也异常二元：Nabla 是唯一具名首批接入伙伴，所以战略验证和渠道学习都集中在这一段关系里，而正式授权经济性尚未公开。上行空间来自 Nabla 从记录文书延伸到编码、EHR 命令和智能体流程，但证据包仍需要 AMI 特定试点、部署里程碑、定价、续约条款和扩张经济性。承销时，尽调负担应从“产品有多粘？”改成“什么产品、谁在用、基于什么协议、续约时钟如何启动？”在这些答案出现前，即使 Nabla 有有用的满意度或试点留存指标，留存表里 AMI 也应显示 null。[CU006, CU010, CU011, CU024, CU031, CU032]

6.4 在 AMI 证明生产就绪前，采购摩擦可能很高

反向信号不是 AMI 技术论点不可信，而是如果公司停留在基础研究阶段，客户证明会滞后；与此同时，竞争对手和垂直 AI 供应商会积累生产数据、信任和采购参考案例。医疗买方从战略接入走向生产前，会要求安全性、可审计性、隐私姿态、EHR 集成、监管路径、可衡量 ROI 和支持义务。Sacra 明确警告 AMI 可能很慢才能证明生产优势，Forbes 追问世界模型能否越过炒作，Sequoia 对更广泛 AI 支出的批评也强化了客户正在审视 ROI 的事实。这些来源使客户章节在 AMI 具名直接试点或商业客户前成为尽调阻塞项。采购门槛尤其高，因为 AMI 的价值主张触及安全关键决策支持，而不是低风险后台自动化。买方可以认可研究项目，同时仍会推迟采用，直到责任分配、监控、兜底行为和可衡量流程经济性在具名账户中被记录。[CU034, CU036, CU037, CU038, CU039, CU040]

6.5 展项

7.1 主导风险是产品前、高估值的研究押注

AMI 的风险栈应自上而下读：估值和声誉先于产品证据到来，而最难的主张依赖世界模型系统，这些系统必须在受监管、安全关键领域足够可靠。公司拥有异常强的创始人可信度和很大的资产负债表期权，但这些优势也抬高门槛。严重风险不是孤立的：算力强度拖慢产品化，产品化延迟让客户证明稀缺，证明稀缺使 $3.5 billion 投前估值更难辩护，融资门槛又会增加公司在治理、安全和医疗控制充分举证前启动产品的压力。反向来源在这里很重要。Forbes 追问世界模型能否越过炒作，Sequoia 质疑基础设施支出背后的广义 AI 收入缺口，Epoch 显示前沿训练经济性可能只对资金最充足的实验室可承受。投资含义因此是 track 或 research-more，而不是按已规模化公司承销：在把本轮规模视为验证之前，要求 AMI 特定基准、受治理试点和合同证据。[CR001, CR002, CR004, CR005, CR006, CR008]

7.2 监管、法律和治理边界未解

法律风险比单一法规更宽。如果 AMI 技术成为临床流程组件，FDA AI-enabled-device 和 predetermined-change-control 材料就会变得相关，因为模型行为、更新、验证证据和上市后监测都是核心尽调项。在欧洲，AI Act 把高风险部署变成提供方责任问题，而不只是研究问题。UK 前沿承诺和 NIST RMF 又提供了实务上的安全测试和治理词汇。行业监管之外，IP 和冲突边界需要特别关注，因为公开记录把 LeCun 与 Meta、NYU 相连，把 LeBrun 与 Nabla、Meta/FAIR 相连，也把 AI 训练生态与针对 Meta 的活跃版权诉讼相连。这些事实都不能证明 AMI 有不当行为；它们说明，投资人在接受公司治理姿态前，应要求提供转让、数据权利、发表审查、冲突豁免和伙伴排他性文件。[CR010, CR011, CR012, CR013, CR014, CR015]

7.3 运营风险集中在可靠性、算力和未披露控制上

AMI 的技术承诺也是它的运营负担。面向医疗、机器人或工业控制的世界模型，不能只生成看似合理的输出；它必须支撑测试、监控、可审计性、变更控制、兜底行为和事件响应。外部材料说明这会很贵：Epoch 估计前沿训练成本升级，NVIDIA 描述物理 AI 工作负载需要 PB 级视频和大规模算力小时预算，Sequoia 警告基础设施支出必须由真实收入证明。安全和隐私叙事尚未公开。AMI 未来或许能建立强控制，但留存来源没有披露临床数据治理、模型日志、红队测试结果、访问控制或泄露响应姿态。因此，运营质量是门控风险，而不是投后增强项；尤其是受监管客户会在生产自主性前索要证据。[CR015, CR016, CR017, CR018, CR019, CR020]

7.4 合作伙伴、人员与竞争者依赖压窄执行路径

AMI 的集中风险分三层。第一，公开具名的早期垂直路径只有 Nabla；它有战略价值，但也让 AMI 依赖一个医疗合作伙伴、一组数据权利谈判，以及一条临床验证路径。第二，AMI 与关键人物绑定很深：LeCun 提供研究可信度，LeBrun 搭起 Nabla 和运营之间的桥。公开叙事因此暴露在关键人可用性、继任和治理风险之下。第三，世界模型赛道已经不再空白。World Labs、Google DeepMind 和 NVIDIA 都在发布相邻的空间、机器人和物理 AI 工作；在 AMI 拿出公开产品证据之前，既有平台就能先把算力、工具、分发和客户关系合在一起。缓释手段不是泛泛招聘，而是让外界看见足够深的梯队、Nabla 之外的设计合作伙伴、有文件记录的合作条款，以及 AMI 能在某个具体工作流里打赢资本更充足平台的证据。[CR009, CR021, CR022, CR023, CR024, CR025]

7.5 缓释措施必须落到可监测触发项

风险清单只有在缓释措施可衡量时才值得投资。第一道证据门槛是 AMI 专属产品产物：演示、基准测试或试点，且评估协议有记录、可复现。第二道是治理证据：IP 转让、数据权利安排、利益冲突豁免、监管分类分析和安全控制。第三道是商业证据：Nabla 之外的具名设计合作伙伴、定价或试点经济性、客户 ROI 和部署支持义务。最后一道是资本纪律：算力承诺、跑道、烧钱速度和融资预期，应当对应技术里程碑，而不是对应头条估值。单个门槛失败未必致命；但产品验证、治理和融资同时失守，就应推翻投资论点，因为这意味着本轮买到的是时间，而不是风险下降。今天的剩余风险仍然很高：公开记录里有很强的野心和融资，但 AMI 专属控制证据还不够。[CR028, CR032, CR036, CR037, CR038, CR040]

7.6 展项

8.1 当前价格与建议

AMI 应被视为一笔定价极高的特殊研究型公司融资，而不是常规种子期软件投资。公开记录支持本轮规模、投资人质量和 $3.5 billion 投前估值，但不支持收入倍数测算，因为 AMI 尚未披露收入、ARR、定价、毛利率或付费客户。这个缺口比通常更关键：隐含投后价格已经约为 $4.5 billion，而商业化可能还要数年。因此立场应是跟踪或继续研究：若条款受到保护，可以继续尽调、保留选择权；但不要仅凭公开证据按当前报道价格承销买入。IC 真正要问的不是 AMI 是否令人印象深刻，而是私下条款和里程碑能否补偿过早买入的风险。[CV001, CV002, CV003, CV005, CV006, CV008]

8.2 投资论点与反论点

可投资的论点是：世界模型成为新的物理 AI 前沿栈，AMI 赢下足够的人才、算力、合作伙伴数据和安全可信度，从而定义这一层。这个判断并不空想：AMI 有战略支持方，World Labs 和 Physical Intelligence 证明投资人愿意押注相邻的世界模型和机器人基础模型，NVIDIA 和 DeepMind 也把物理 AI 验证为一条重要技术方向。反论点同样重要。同样的关注度可能在买方看到持久产品价值之前，把世界模型变成融资标签。AMI 首个具名合作伙伴 Nabla 提供了有用验证，但公开证据尚未披露合同经济性、数据权利、FDA 路径归属或客户转化。因此，投资论点可信，但在所报道价格下还不足以承销，尤其外部报道仍把本轮描述为在收入出现前给顶尖研究员支付的溢价。[CV007, CV010, CV011, CV012, CV013, CV020]

8.3 情景与进场纪律

公开证据缺少 AMI 财务数据，情景分析不应编造退出价值或目标回报。真正有用的是看里程碑能否支撑价格。牛市情景里，AMI 发布产品基准，Nabla 拿出受监管工作流验证，合作伙伴数据或算力形成稀缺平台，当前价格才可能合理。基准情景里，AMI 仍是一家高质量实验室；在产品和客户证据出现前，估值应保持不变。熊市情景里，算力成本、监管摩擦、估值周期压缩，或开放 / 企业平台跑在 AMI 证据之前，迫使公司平轮或下轮融资。因此，进场纪律应是结构性的：分期、按比例跟投权、治理报告和更低的有效进入价格，比无保护加价更站得住。[CV024, CV025, CV026, CV027, CV035, CV036]

8.4 可比公司与市场背景

可比组同时支持两个结论。第一，前沿 AI、具身 AI 和世界模型公司可以在成熟利润出现前拿到数十亿美元估值：World Labs、Mistral、Physical Intelligence、Figure、Wayve 和 Skild 都显示，相邻主题有大量资本需求。第二，AMI 的商业证据弱于其中几个参照。Mistral 有战略产业投资人和已部署的模型业务；World Labs 有 Marble；Physical Intelligence 和 Figure 展示了机器人演示或产品叙事；CoreWeave 和 NVIDIA 则是带有基础设施经济性的公开市场或申报参照。因此，AMI 的估值在过热的前沿 AI 市场里并不荒唐，但相对 AMI 专属公开证据仍然偏高。[CV012, CV013, CV014, CV015, CV016, CV017]

8.5 尽调请求、退出准备度与论点失效触发项

最后的尽调清单应聚焦能改变建议的证据，而不是泛泛评估公司质量。必须拿到的请求包括融资条款、产品验证、Nabla 经济性、算力承诺、监管准备度、专有数据权利和治理可见度。今天的退出准备度很低，因为可信 IPO 或大型战略收购叙事，需要产品、收入、监管或基础设施规模证据，而这些证据对 AMI 并不公开。若 AMI 在没有产品或客户验证的情况下，以高于当前隐含投后估值再融资；若 Nabla 仍只是营销关系；若算力烧钱不透明；或若 NVIDIA、DeepMind、World Labs、Physical Intelligence 或开源系统在 AMI 建成专有数据和分发前商品化这一层，投资论点就会失效。[CV031, CV032, CV043, CV044, CV045, CV046]

8.6 展项