AMI Labs

1.1 身份、总部与商业模式

Advanced Machine Intelligence Labs——以 AMI Labs 名义运营——是一家在法国巴黎注册并设总部的前沿 AI 研究公司。自 2025 年底成立以来，公司就在四个国际枢纽运营：巴黎（总部）、纽约、蒙特利尔和新加坡。巴黎地址把 AMI 锚定在法国日渐成形的 AI 生态中，与 Mistral AI 和 Meta 的 FAIR 实验室并列；LeCun 表示，这一选择反映了他的判断：前沿 AI 不应只是美国或中国的事业。 AMI 的全名 Advanced Machine Intelligence 直接写出了野心：构建超越以语言为中心的模型、能直接理解物理世界的 AI 系统。公司当前处于收入前研究阶段；没有商业产品，也没有近期产生收入的计划。未来启动变现时，AMI 打算向行业伙伴授权世界模型技术，而不是直接销售消费者或企业软件。公司公开承诺发布开源代码和开放学术论文，把自己定位为服务更广泛社区的研究平台。法国总统 Emmanuel Macron 公开欢迎 AMI 将总部设在巴黎，并称其为法国 AI 的里程碑。 [CO001, CO002, CO003, CO004, CO005, CO006]

1.2 技术愿景——世界模型与 JEPA

AMI Labs 的整个技术论点建立在 LeCun 的 Joint Embedding Predictive Architecture（JEPA）之上。JEPA 最早出现在 2022 年一篇立场论文中，随后通过包括 I-JEPA（2023）在内的论文继续完善。JEPA 的核心洞察是：生成式方法在高维像素或 token 空间中预测世界未来状态，但物理世界 AI 必须处理连续、嘈杂、高维的传感器数据，这种路径从根上不适配。JEPA 转而训练模型在抽象表征空间中预测：学习世界如何变化的关键因素，而不是试图重建表面外观。 AMI 正在开发行动条件世界模型：系统预测智能体行动的后果，并在真实世界约束和安全护栏下规划多步行动序列。AMI 认为，这类世界模型会表现出持久记忆、推理和规划能力，以及可控性——这些特性是当前 LLM 在结构上无法提供的。目标应用领域包括工业流程控制、工厂自动化、医疗诊断和临床工作流、机器人以及可穿戴设备。这些场景里，LLM 幻觉会带来真实成本，可靠性和可控性不能让步。Nabla 合作是 AMI 的第一个商业联盟，专门用来在高风险临床环境中测试世界模型的可靠性。 AMI 的论点还带有结构性经济含义：更小、特定领域的世界模型如果用相关传感器数据训练，应当比万亿参数 LLM 需要少得多的算力，从而有可能以当前基础设施成本的一小部分，把前沿 AI 部署到设备端或工业现场。 [CO009, CO010, CO011, CO012, CO013, CO014]

1.3 创始团队与领导层

AMI Labs 围绕 Yann LeCun 的科学声誉和 Alexandre LeBrun 的运营履历搭建，支撑高管大多来自 Meta 的 AI 研究组织。 Yann LeCun 获得 2018 年 ACM A.M. 图灵奖——计算领域的诺贝尔奖——并与 Yoshua Bengio、Geoffrey Hinton 共同因深度神经网络奠基性工作获奖。在 2025 年 11 月离开前，他在 Meta 的 FAIR 实验室担任 VP 和首席 AI 科学家超过十年；据报道，离职源于与 Mark Zuckerberg 在 AI 战略上的分歧。LeCun 保留 NYU 教职，并担任 AMI 执行董事长；他明确不是 CEO。他把 AMI 总部设在巴黎，同时保留纽约基地，凸显公司横跨多洲的全球结构。 Alexandre LeBrun 以 CEO 身份带来运营深度。他共同创立 Wit.ai（2015 年出售给 Facebook），随后共同创立总部位于巴黎的医疗 AI 公司 Nabla；在转入 AMI 前，Nabla 已融资 $120M，ARR 增长三倍。LeBrun 也曾在 Meta FAIR 为 LeCun 工作。首席科学官 Saining Xie 来自 Google DeepMind，拥有超过 90,000 次研究引用，并共同创造 Diffusion Transformers（DiT）——许多领先生成系统背后的架构。首席研究与创新官 Pascale Fung 是 HKUST 教授，也是以人为中心 AI 的先驱。Michael Rabbat（世界模型 VP）和 Laurent Solly（COO，前 Meta 欧洲 VP）补齐高管团队。对 LeCun 的关键人物依赖是最重大的单人风险：他的可信度支撑投资者信心和招聘。 [CO016, CO017, CO018, CO019, CO020, CO021]

1.4 融资、估值与投资方联盟

2026 年 3 月 10 日，AMI Labs 宣布完成 $1.03B 美元（约 €890M）种子轮，投前估值 $3.5B。多家媒体引用的 PitchBook 数据确认，这是欧洲有记录以来最大种子轮。该轮融资显著超过 Financial Times 在 2025 年 12 月报道的 €500M 初始目标。 本轮由五家投资方共同领投：Cathay Innovation（曾在 Nabla 支持 LeBrun）、Greycroft、Hiro Capital、HV Capital，以及 Jeff Bezos 的 Bezos Expeditions。战略投资者包括 NVIDIA（显示 GPU 基础设施协同）、Toyota Ventures（工业 / 汽车应用）、Temasek（新加坡枢纽和主权财富）、Samsung（设备 / 消费电子）和 Sea。法国机构支持者包括 Bpifrance Digital Venture、Association Familiale Mulliez、Groupe Industriel Marcel Dassault 和 Publicis Groupe。知名天使投资人包括 Eric Schmidt、Mark Cuban、Jim Breyer、Tim 和 Rosemary Berners-Lee、Xavier Niel 以及 Mark Leslie。 LeBrun 明确表示，这笔资金投向两个成本中心：算力和人才，而不是收入生成。公司将在四个地点招聘时优先质量，而非数量。战略投资方构成（NVIDIA、Toyota、Samsung、Temasek）反映了公司有意押注工业和主权 AI 市场；这些市场里的政府和企业买家正在寻找非美国 hyperscaler 的 AI 替代方案。 [CO029, CO030, CO031, CO032, CO033, CO034]

1.5 里程碑、合作与轨迹

AMI Labs 的创立弧线异常压缩：从 LeCun 2025 年 11 月离开 Meta，到 2026 年 3 月完成 $1.03B 种子轮，只用了四个月。Nabla 合作与融资公告同步披露，是公司唯一公开确认的商业联盟。Nabla 将获得 AMI 世界模型的特权早期访问权，用于在高风险临床环境中测试。LeBrun 保留 Nabla 董事长兼首席 AI 科学家职务，维持两家公司之间的战略桥梁。 截至 2026 年 6 月运行日，AMI 仍处于延长研究阶段。公司尚未公开发布论文、基准测试或原型演示。LeBrun 在融资公告期间确认，有意义的商业产品可能需要数年才能出现。公司眼下的优先事项是研究基础设施、算力采购，以及在巴黎、纽约、蒙特利尔和新加坡组建团队。世界模型赛道已经吸引竞争者：World Labs（Fei-Fei Li）在 2026 年 2 月完成 $1B 融资，General Intuition 在 2025 年 10 月融资 $134M。LeBrun 自己预测，“world model”会成为下一个 AI 热词，许多公司会改名贴上这个标签。 [CO039, CO040, CO041, CO042, CO043, CO044]

1.6 展示材料

2.1 市场边界——物理世界 AI 基础设施

AMI Labs 位于一个尚无标准分析师定义市场的基础层：物理世界 AI 基础设施，也被称作具身智能、物理 AI，或基于世界模型的 AI。这个市场的核心特征，是要求 AI 系统能在连续、嘈杂、高维的真实环境中理解、预测并行动——工业厂房、临床场景、机器人系统和可穿戴设备——而不是处理离散文本或语言 token。 LeCun 明确用 Moravec Paradox 来界定市场边界：对人类来说轻而易举的事情（感知、导航、物理操控），对当前 AI 仍然难以计算。大型语言模型在架构上受限于离散 token 序列，无法可靠预测物理行动后果，也无法在多步操作序列中维持一致的世界状态表征。在 2026 年 1 月接受 MIT Technology Review 采访时，LeCun 点出了四个具体应用领域：工业流程控制（喷气发动机、钢厂、化工厂）、工厂自动化和机器人、医疗诊断与临床工作流，以及智能或可穿戴设备。 AMI 公司网站、Cathay Innovation 的投资者沟通，以及媒体报道，都持续确认这四个细分市场就是公司声明的市场边界。NVIDIA 也把 “Physical AI” 并行定位成一个独立基础设施类别——投资 Isaac 仿真、Cosmos 世界模型训练和机器人推理基础设施——这从外部佐证了该市场边界的连贯性，也说明资本密集型玩家认可这一类别。 AMI 核心市场不包括：纯文本和以语言为中心的应用（LLM、聊天机器人、文档摘要）、生成式图像和视频创作（扩散模型），以及基于结构化表格数据的传统 ML 分类。边界不是地理性的：AMI 的巴黎总部和多枢纽结构（纽约、蒙特利尔、新加坡），叠加欧洲和亚洲投资方联盟，传递的是全球市场野心，并对欧洲 AI 主权要求特别敏感。 AMI 目标技术的现状替代品包括传统 SCADA 和 PLC 工业控制系统、基于规则的临床决策支持软件、基于遥操作的机器人系统、专用计算机视觉模型，以及把行动规划外挂到语言模型上的 LLM agent 框架。每类替代品在可泛化物理推理上都有记录在案的限制——世界模型正是为弥合这一缺口而设计。Moravec Paradox 框架是 LeCun 自己的解释镜头，代表公司声称的市场逻辑，而不是独立验证过的市场边界研究。 [CM001, CM002, CM003, CM004, CM015, CM016]

2.2 市场规模——TAM、SAM 与证据受限视角

还没有分析师把 “world models” 或 “physical-world AI infrastructure” 定义为独立商业类别，因此 TAM 测算只能框定相邻市场，再施加相关性筛选。 广义 TAM——物理世界 AI 可触达市场（约 $258–610B，2026 年估计）：三个独立分析师锚点勾勒上限。Grand View Research 将 2025 年总 AI 市场估为 $390.9B，预计 2033 年达到 $3,497.3B，CAGR 为 30.6%。MarketsandMarkets 将 2026 年市场估为 $601.9B，预计 2033 年达到 $3,638.1B，CAGR 为 29.3%。两组数字都涵盖包括文本和生成式 AI 在内的所有 AI 垂直领域；AMI 可触达部分只是其中子集。与 AMI 声明领域最相关的三个子细分是：（1）医疗 AI——2026 年 $36.7B，预计 2031 年达到 $194.8B，CAGR 39.7%（MarketsandMarkets）；（2）工业自动化——2024 年 $206.3B，预计 2030 年达到 $378.6B，CAGR 10.8%（Grand View Research）；以及（3）机器人 AI 软件——2025 年 $21.0B，预计 2032 年达到 $70.8B，CAGR 19.0%（MarketsandMarkets）。 SAM——世界模型基础设施授权（无独立规模测算）：AMI 声明的收入模式是向行业伙伴授权技术，而不是直接做垂直部署。基础设施层授权业务会从上述垂直市场中抽取一部分价值——历史上，基础设施层通常捕获其赋能应用层价值的约 3–15%。对 $258B 的合并物理 AI 子细分（医疗 AI + 机器人 AI 软件，2026 年中估计）施加 5–10% 捕获率，得到 2031 年视角下粗略 SAM 为 $13–26B。鉴于 AMI 研究优先的时间线且没有任何可部署产品，不确定性很宽。这是分析师推导；没有公开来源独立验证捕获率或子细分构成。 SOM——2026–2028 可服务可获得市场（实际为零）：AMI 是研究优先公司，当前没有产品。CEO LeBrun 在 2026 年 1 月表示，商业推出可能 “约一年后” 开始，乐观情况下意味着最早商业收入在 2027 年。短期 SOM 受 Nabla 医疗合作约束，只是单一渠道客户，而非大众市场。$3.5B 投前种子轮估值说明，投资者主要是在为科学可信度和物理世界 AI 类别的长期期权价值付费，而不是近期收入。 一个重要的相反规模信号：工业自动化——按价值计最大的物理世界细分——CAGR 为 10.8%，显著低于 AI 特定市场细分 29–40% 的 CAGR 区间。这种分化反映了工业部署资本密集、采纳保守的性质。投资者如果把头部 AI 增长率外推到 AMI 的物理世界市场，很可能高估近期可触达需求。 [CM005, CM006, CM007, CM008, CM009, CM010]

2.3 买家、用户与付款方分层

AMI 的授权模式意味着，公司的直接买家是构建或部署 AI 赋能系统的企业，而不是这些系统的终端用户。这种 B2B 基础设施动态形成两层市场结构：AMI 必须同时赢得系统构建者的技术信任，以及运营导向企业买家的商业采纳。 工业自动化（到 2030 年最大的可触达细分）：买家是化工、汽车、能源和航空航天等大型工业企业的制造 CTO、工厂运营总监和自动化工程师。付款方是资本开支预算，周期为每 3–5 年。采纳由劳动力成本上升、工厂现代化计划，以及中国制造商机器人密度优势加速带来的竞争压力共同触发。IFR 数据确认，2025 年美国机器人安装量增长 11%，达到 38,000 台，其中食品行业采纳激增 30%——说明自动化需求正在从传统汽车行业向外扩散。2024 年中国年度安装量约 295,000 台（全球份额 54%），进一步加大西方制造商加速 AI 赋能自动化的竞争压力。 医疗（考虑 Nabla 合作，近期信号最强）：买家是医疗系统 CIO 和临床信息学团队。付款方是医院运营预算，并最终取决于医保报销框架。Forbes 报道称，LeBrun 特别提到当前 AI 在临床场景的限制，将其作为 AMI 的切入点——世界模型能够提供比 LLM 更安全、更可靠的临床决策支持。FDA 和 EMA 审批限制面向患者的应用；Nabla 合作看起来被定位为工作流工具（AI 病历记录），而不是 FDA 监管的临床设备，这可能加快初始商业时间线。 机器人 OEM（平台 / 渠道买家）：AMI 可以把世界模型 API 授权给机器人硬件制造商。Toyota Ventures 参与种子轮，传递了汽车和工业机器人兴趣。LeCun 的明确表述是，当前机器人只适用于特定任务，无法泛化——这正是世界模型要填补的缺口。该细分的战略买家是机器人 OEM 的 AI / 软件 VP，拥有产品开发预算和多年硬件周期。LeCun 承认，当前人形机器人通过遥操作训练，无法跨环境泛化——这一说法既描述了市场问题，也抬高了商业就绪速度的不确定性。 可穿戴 / 设备 OEM（最长前置期）：Samsung 的战略投资显示，可穿戴设备和智能眼镜是潜在应用领域。LeCun 曾把能够 “观察你在做什么、识别你的动作，并预测你接下来要做什么” 的智能眼镜描述为世界模型用例。预算归属消费电子 OEM 的 R&D 部门，硬件设计周期为 2–3 年。 投资者构成提供了最清晰的分层信号：NVIDIA（物理 AI 基础设施）、Toyota Ventures（汽车和工业机器人）、Samsung（设备和可穿戴）、Temasek（亚太主权与企业资本）都是战略投资者，而不是财务投资者；每家都指向一个世界模型技术可能嵌入的细分市场。 [CM019, CM020, CM021, CM022, CM023, CM024]

2.4 增长驱动因素与采纳约束

增长驱动因素： 劳动力套利与自动化需求：制造、医疗和物流的全球劳动力短缺构成结构性驱动。IFR 确认，2025 年美国机器人安装量增长 11%，食品行业采纳激增 30%。中国第十五个五年规划（2026–2030）把机器人置于现代工业体系核心，明确将 AI 研究聚焦在物理应用，并把机器人指定为经济增长的主要驱动力。这迫使西方制造商和政府投资物理 AI 基础设施，以匹配中国的部署规模。 物理 AI 基础设施投资：NVIDIA 已在 GTC 2026 验证 “Physical AI” 是一个独立基础设施类别。NVIDIA 的 Isaac 仿真平台、Cosmos 世界模型训练基础设施和机器人推理栈，代表着 hyperscaler 级别的投入，建设 AMI 目标市场所需的赋能基础设施。Futurum Group 分析师指出，NVIDIA 在 AMI 的投资方身份传递的是协同，而非竞争——AMI 的基础模型层可能补充 NVIDIA 的算力基础设施，而不是与之竞争。 欧洲 AI 主权需求：欧洲政府、主权财富基金和企业买家正在积极寻找不经由美国 hyperscaler 供应链、也不把敏感数据暴露在美国云管辖下的 AI 基础设施。Bpifrance 参与 AMI 种子轮，反映了法国国家资本对本土 AI 能力的投入。LeCun 明确把 AMI 描述为 “既不是美国，也不是中国”，直接回应主权 AI 需求，并创造出超越纯技术优劣的结构性市场偏好。法国国家 AI 生态和 EU AI Act 合规要求，也为一家总部位于欧洲的前沿 AI 实验室提供进一步顺风。 LLM 失败模式意识：在高风险物理环境中，LLM 的失败模式已有记录——幻觉、无法建模行动后果、时间推理不可靠——这些问题正在催生企业对更可靠 AI 架构的需求。SiliconAngle 报道和 Futurum Group 分析都指出，工业和医疗买家非常清楚 LLM 可靠性边界。 采纳约束： 世界模型技术尚未商业验证：作为商业产品类别，世界模型还不存在。Futurum Group 明确指出 “研究优先使命与按十亿美元融资校准的投资者预期之间存在结构性张力”。AMI 押注基于 JEPA 的架构会比替代路径更快在物理任务上达到商业级性能，但没有外部验证支持这一时间线。 监管路径：面向患者的临床 AI 需要 FDA 和 EMA 审批，上市前审查以年计。自主系统的工业安全认证（IEC 61511、ISO 13849）需要大量验证。医疗和工业控制高风险应用的 EU AI Act 合规要求，在 AMI 主要欧洲目标市场进一步增加监管复杂度。 企业采纳保守：工业和医疗企业买家资本密集，规划周期多年，从既有平台切换成本高（工业领域 Siemens、GE、Honeywell；医疗领域 Epic、Cerner）。Grand View Research 的工业自动化数据确认，即便纳入 AI 集成，该行业 CAGR 仍为 10.8%——远低于头部 AI 增速——反映了这种保守性。资本开支周期平均为 3–5 年。 竞争性物理 AI 架构：Google DeepMind、Meta Superintelligence Labs、Physical Intelligence 和 1X 都在开发相邻物理 AI 能力。LLM 提供商正在投入推理和行动能力，可能向世界模型用例收敛。LeCun 承认，如果主要 LLM 提供商加快世界模型和空间学习工作，AMI 的架构差异窗口会变窄。没有公开基准测试独立比较基于 JEPA 的世界模型与竞争路径在物理世界任务上的表现。 机器人泛化缺口：LeCun 在 2026 年 1 月公开表示，“没人，绝对没人，知道怎样让这些机器人聪明到真正有用”，并把原因归结为依赖遥操作的训练数据无法跨环境泛化。这个坦率承认一方面勾勒了世界模型的市场机会，另一方面也显示距离商业部署仍有很长技术距离。 [CM026, CM027, CM028, CM029, CM031, CM032]

2.5 规模矛盾、证据缺口与尽调优先级

本章保留三个仍未解决的重大矛盾。 矛盾 1——AI 增速与物理世界部署速度：头部 AI 市场 CAGR 为 29–31%（MarketsandMarkets、Grand View Research），显著高于工业自动化市场 10.8% 的 CAGR；后者是 AMI 物理世界范围内最大的单一细分。差异源于文本、语言和生成式 AI 在整体 AI 市场规模测算中占主导。投资者在研究第一天就给 AMI $3.5B 投前估值，可能是在外推头部 AI 增速；但这些增速并不代表物理世界 AI 采纳速度，尤其考虑工业和医疗买家的资本开支保守性。 矛盾 2——机器人商业就绪说法：LeCun 2026 年 1 月称 “没人，绝对没人，知道怎样让这些机器人聪明到真正有用”，这与 Agility Robotics、Figure AI、1X 和 Boston Dynamics 的商业部署说法直接冲突；这些公司都描述了近期通用人形机器人商业化。关于当前机器人泛化能力，这两种判断不可能同时准确。矛盾仍未解决，也给任何物理 AI 基础设施提供商带来显著市场时机不确定性。 矛盾 3——世界模型差异性与 LLM 收敛：AMI 的论点要求 LLM 在结构上无法拿下物理世界 AI 市场。然而，Google DeepMind 的 Gemini Robotics、NVIDIA 的 Project GR00T，以及 OpenAI 的物理智能体工作，都试图用多模态基础模型处理类似物理世界任务。基于 JEPA 的世界模型是否在物理世界任务上架构更优，还是各路径最终收敛，是一个关键经验问题，目前没有公开基准测试给出答案。 关键证据缺口——没有世界模型授权的分析师 SAM：没有公开分析师报告把世界模型基础设施授权市场作为独立类别测算规模。所有市场估计都针对更宽类别，里面包含非世界模型应用。本章引用的 $13–26B SAM 是基于基础设施捕获率推导，并非来自任何公开研究。这是投资尽调中最重大的规模缺口。 [CM038, CM039, CM040, CM041]

2.6 展示材料

3.1 竞争格局概览

AMI Labs 的竞争格局横跨四个不同竞争簇：（1）瞄准 3D 空间和仿真输出的直接世界模型创业公司；（2）在大型企业平台中嵌入世界模型项目的前沿研究实验室；（3）把物理世界 AI 商业化到机器人硬件上的具身 AI 和机器人创业公司；以及（4）把世界基础模型作为平台层提供的基础设施玩家。 AMI 最清晰的直接竞争对手是 World Labs（Fei-Fei Li 的空间智能创业公司）、Odyssey（通用世界模型实验室）和 SpAItial（3D Gaussian Splat 世界模型）。三家公司都是私营融资创业公司，追求用于生成式 3D 环境的世界模型架构。不同于 AMI，三者都采用生成式架构——预测像素级或体素级内容，而不是抽象表征——且已经部署公开产品或 API。 前沿实验室簇包括 Google DeepMind（Genie 1/2/3、Gemini Robotics）、Meta FAIR（V-JEPA，LeCun 离开后）和 OpenAI（Sora，已于 2026 年 4 月停用）。NVIDIA 位置特殊：其 Cosmos 世界基础模型平台采用开放授权，已通过机器人和 AV 伙伴嵌入物理 AI 开发者生态。Physical Intelligence 和 Wayve 代表具身 AI 商业化簇，把世界模型和基础策略直接部署到机器人硬件和自动驾驶车辆中。 AMI 基于 JEPA 的路径占据一条技术上不同的赛道——非生成式、可控、可靠性优先——当前没有已商业部署的竞争对手直接瞄准其声明的工业流程控制和医疗垂直领域。战略风险在执行速度：AMI 承诺多年产品前时间线，而竞争者已经在交付。 [CP001, CP005, CP006, CP009, CP010, CP012]

3.2 直接世界模型创业同业：World Labs、Odyssey、SpAItial

Fei-Fei Li 创立的 World Labs，是 AMI 最突出的直接创业竞争对手。它的论点——“空间智能” 是生成式 AI 的下一前沿——与 AMI 的物理世界 AI 野心相互映照，但在架构和应用上明显分化。World Labs 的 Marble 产品可从文本、图像、视频和 360 全景生成空间一致、持久的 3D 世界。2026 年 1 月推出的 World API 为开发者构建仿真、创意工具和空间应用提供程序化访问。World Labs 于 2026 年 6 月发布世界模型功能分类，把模型分为 Renderers、Simulators 和 Planners——这个框架隐含地把 AMI 定位为 Simulator / Planner 类型，而 World Labs 领先 Renderer 细分。World Labs 已有商业产品和开发者采纳，截至 2026 年中拥有 AMI 尚不具备的先发优势。 Odyssey 是规模较小的世界模型实验室，但野心更宽：Odyssey-2 模型瞄准通用物理准确性，Starchild-1 把从视觉观察中学习扩展到更丰富的多模态交互，Agora-1 支持多智能体共享世界，PROWL 框架用对抗式 RL 改善世界模型表现。Odyssey 的产品套件比 World Labs 面向消费者的 Marble 更贴近研究，但其以 RL 驱动提升物理准确性的路径，与 AMI 的准确性优先定位高度重叠。 SpAItial 成立于 2025 年 5 月，是直接同业中最年轻、规模最小的一家。其 Echo 模型家族通过开发者 API 从图像、文本或全景生成持久 3D Gaussian Splat 世界。Echo-2 已公布。SpAItial 的开发者优先定位（API + SPZ、PLY、SOG 等 3D 格式导出）以及对 3D 世界生成的窄聚焦，代表了不同于 AMI 计划工业授权模式的商业化策略。 三家同业与 AMI 之间的关键架构分野在于：World Labs、Odyssey 和 SpAItial 都是生成式系统——它们重建像素级或体素级内容，用算力效率换取照片级真实输出。AMI 的 JEPA 路径在抽象表征空间中预测，创始人认为这能带来可控性和可靠性，而这些特性是生成式系统在安全关键环境中结构上无法匹配的。 [CP001, CP002, CP003, CP004, CP005, CP006]

3.3 前沿实验室与 Hyperscaler：DeepMind、Meta FAIR、OpenAI 和 NVIDIA

在前沿实验室中，Google DeepMind 的世界模型组合最完整。Genie 1（2024 年 2 月）是第一个基于互联网视频训练的无监督基础世界模型，参数量 110 亿。Genie 2（2024 年 12 月）把能力扩展到可由行动控制的 3D 环境，用于训练和评估具身智能体；它能从单张提示图生成最多持续一分钟的一致世界。Genie 3 被列为 DeepMind 当前世界模型，但完整技术披露尚未公开。另一路线中，Gemini Robotics 把语言条件推理应用到多种机器人硬件形态，包括 ALOHA、Bi-arm Franka 和 Apptronik Apollo。DeepMind 的规模——算力、数据、研究人才和 Google 生态整合——使其成为长期竞争威胁，尽管其目标（推进 AI 研究）不同于 AMI 的商业路线图。 Meta FAIR 的 V-JEPA（2024），即 Video Joint Embedding Predictive Architecture，是与 AMI 路径最相似的已发表系统：非生成式、自监督，在抽象表征空间中预测。LeCun 在 Meta 共同设计 JEPA，如今把该架构带到 AMI。随着 LeCun 于 2025 年底离开，Meta 截至 2026 年 6 月的 AI 研究头条转向 “Muse Spark”，显示战略重心离开以 JEPA 为中心的世界模型。Meta FAIR 的 I-JEPA 和 V-JEPA 仍以 Creative Commons NonCommercial 许可证在 GitHub 开源——这构成任何实验室都可继续利用的公开先例，也给 AMI 带来商品化问题。 OpenAI 的 Sora 在技术论文中被明确定位为 “能理解并模拟真实世界的模型基础”，因此是直接世界模型竞争者。但这项战略押注被逆转：OpenAI 于 2026 年 4 月 26 日停用 Sora 网页和应用体验，API 将于 2026 年 9 月 24 日随后停止。此次退却大幅削弱了世界仿真器空间的一大竞争者，也验证了 LeCun 的论点：基于扩散的生成式系统不适合可靠的物理世界应用。 NVIDIA 与众不同，它是基础设施层玩家，而不是终端市场竞争者。Cosmos 于 CES 2025 发布，目前为第 3 版，是一组世界基础模型，基于来自真实世界数据的 20,000,000 小时、9,000 万亿 token 训练，并以开放商业许可证提供。Cosmos 在单一平台中支持视觉推理、机器人策略训练和基于物理的仿真。NVIDIA 的开发者生态庞大：Cosmos 伙伴包括 1X、Agility Robotics、XPENG、Uber 和 Waabi。其 Isaac 平台提供完整机器人软件栈。NVIDIA 的世界模型野心和 GPU 市场主导地位意味着，它将设定每一家世界模型公司用来对标的算力基础设施标准。 [CP012, CP013, CP014, CP015, CP016, CP017]

3.4 具身 AI 与物理机器人：Physical Intelligence 和 Wayve

尽管架构策略不同，Physical Intelligence（π）是商业野心上最接近 AMI 的物理世界 AI 类比对象。AMI 计划把世界模型作为基础设施授权给行业伙伴，Physical Intelligence 则构建并部署直接控制机器人硬件的 vision-language-action（VLA）模型。π0（2024 年 10 月）是第一个使用八种不同机器人形态的跨形态数据训练的通用机器人策略，结合了互联网规模视觉语言预训练和机器人传感运动数据。π0.7（2026 年 4 月）在泛化上实现跃迁：它通过组合多样训练数据中的技能，完成训练中从未见过的任务，实现组合式任务泛化，并能在差异很大的机器人形态间迁移而无需额外数据。Physical Intelligence 已有活跃伙伴计划，并与机器人 OEM 建立具名商业关系——这是 AMI 尚未达到的商业牵引力基准。 值得注意的是，π0.7 使用世界模型生成视觉子目标：给定语言命令后，一个轻量世界模型会生成下一子步骤应呈现的图像，再把它提供给策略模型。这种集成确认，即便机器人基础模型公司也开始把世界模型组件——AMI 的核心产品方向——纳入流水线。它说明 AMI 既可能与 Physical Intelligence 竞争，也可能成为其下方的基础设施层。 Wayve 位于自动驾驶垂直领域，采用它称为 AV2.0 的端到端具身 AI 路径：一个神经网络把原始传感器数据转化为驾驶命令，不依赖 HD 地图，也不依赖特定领域标注数据。Wayve 的路径使用大规模自监督学习——与 AMI 的无监督世界模型论点有哲学血缘——但产品应用专注驾驶，Wayve 并不争夺 AMI 瞄准的工业或医疗市场。Wayve 总部在英国，投资方包括主要汽车 OEM 和科技公司。 HuggingFace 的 LeRobot 开源框架值得一提，它是一股结构性力量：该框架提供硬件无关、Python 原生的机器人控制，配套 Hugging Face Hub 上的数据集和预训练策略，正在主动把物理 AI 普及给开发者和研究者。随着时间推移，LeRobot 会削弱任何单家公司机器人基础模型的专有优势。 [CP020, CP021, CP022, CP023, CP024, CP033]

3.5 护城河持久性、差异化与竞争风险

AMI Labs 最核心的架构差异，在于它基于 JEPA、走非生成式路线：它不重建像素或体素，而是在抽象表征空间里预测。因此，AMI 的世界模型理论上更省算力、更可控，也更适合那些幻觉会带来物理成本的场景。当前已商业部署的竞争对手里，还没有哪家公司同时宣称具备这种非生成式架构，并瞄准安全关键的物理世界应用。AMI 的创始团队（LeCun、Xie、Rabbat、Fung）以及明确聚焦医疗和工业领域的选择——Nabla 临床合作已经验证这一点——构成了可信的早期护城河。 但需要评估四类竞争风险。第一，开源商品化：Meta FAIR 的 I-JEPA 和 V-JEPA 已在 GitHub 公开，HuggingFace LeRobot 生态也在持续降低具身 AI 策略的构建成本。JEPA 架构本身属于既有技术，资金充足的竞争者完全可以绕开 AMI，训练一个基于 JEPA 的工业模型。第二，部署速度：World Labs、Physical Intelligence 和 NVIDIA Cosmos 都已有活跃产品和开发者社区；AMI 多年研究承诺意味着竞争者会不断积累分发、数据和客户反馈，并随时间复利。第三，被超大云厂吸收：Google DeepMind 和 NVIDIA 算力几乎不受限，也有路径把任何 AMI 式世界模型进展纳入自家平台。第四，架构套利：世界模型领域变化很快——如果生成式或混合式架构以更低成本达到相近可靠性，AMI 的非生成式差异会收窄。 AMI 最耐久的优势，是 LeCun 无法复制的信誉，与面向受监管行业、专注可控性和安全属性的具体方向叠加。医疗和工业企业面对监管、责任和安全要求，消费级或开发者向世界模型产品并不是为这些要求设计的。如果 AMI 跑通 Nabla 用例并发表结果，它可以在一个尚无竞争者可信宣称占位的垂直领域建立概念验证。 [CP035, CP036, CP037, CP038, CP039, CP040]

3.6 展品

4.1 资本结构与轮次机制

AMI Labs 在 2026 年 3 月 10 日宣布完成 $1.03 billion USD（约 €890 million）种子轮融资。该轮按 $3.5 billion 投前估值定价，隐含投后估值约 $4.53 billion。PitchBook 确认这是欧洲有记录以来最大的一笔种子轮。AMI 直到 2025 年 12 月前后最初还在寻求约 €500 million；最终交割金额接近目标两倍，说明投资团获得超额认购。 本轮由五家 venture investors 共同领投：Cathay Innovation、Greycroft、Hiro Capital、HV Capital 和 Bezos Expeditions。战略企业投资者包括 NVIDIA、Samsung、Temasek、Toyota Ventures 和 Sea。法国机构和产业支持方包括 Association Familiale Mulliez、Groupe Industriel Marcel Dassault、Publicis Groupe 和 Bpifrance Digital Venture。知名天使包括 Eric Schmidt、Mark Cuban、Jim Breyer、Tim and Rosemary Berners-Lee、Xavier Niel 和 Mark Leslie。 2026 年 4 月 3 日提交给 US Securities and Exchange Commission 的 Form D 显示，美国投资载体 “Advanced Machine Intelligence I, L.P.” 和 “Advanced Machine Intelligence II, L.P.”——由旧金山的 Model I, L.P. 管理——合计募集约 $16.9 million，用于投资 AMI。这种结构符合把小额美国 LP 份额汇入更大国际投资团的安排。AMI 本身是一家法国私营公司，没有公开财务申报或资产负债表披露。 战略投资者的逻辑看起来分成两条线：财务 VC（Cathay、Greycroft、Hiro、HV）接受了多年研究时间线，并以高于同阶段创业公司的溢价定价；企业战略方（NVIDIA、Samsung、Toyota、Temasek）则可能获得世界模型研究的早期接触权，这些研究与其算力、半导体、汽车和主权 AI 优先事项相关。超额认购说明两类投资者都认为，考虑到 LeCun 的技术信誉和世界模型叙事，$3.5B 投前估值是合理价格。 [CI001, CI002, CI003, CI004, CI005, CI006]

4.2 收入模型与 GTM 时间线

AMI Labs 没有收入，没有商业产品，并已明确表示近期不计划创收。CEO Alexandre LeBrun 把公司描述为“一个非常有雄心的项目，因为它从基础研究开始。它不是那种典型的应用 AI 创业公司：三个月发产品、六个月有收入、十二个月做到 $10 million ARR。” 他表示，世界模型从理论走向商业应用可能需要“数年”。 预期的变现路径——一旦到来——是技术许可：向工业伙伴出售特定领域的世界模型能力，而不是销售消费级或企业软件。Yann LeCun 预计，2026 年 3 月种子轮宣布后 6–12 个月内，可能开始与企业伙伴讨论；而通向“准通用智能系统”的时间线是 3–5 年。Nabla 是 LeBrun 之前创办的医疗 AI 公司，也是 AMI 首个且唯一公开披露的商业伙伴；它在非收入条款下获得早期研究产出的访问权。 因此，AMI 的 GTM 动作是从研究走向伙伴，而不是从产品走向客户。没有标价、没有交易历史、没有客户 pipeline，也没有可评估的 ARR。销售效率指标（CAC、回本期、NRR）在这个阶段结构性不适用。Nabla 合作是医疗场景中的试点环境和早期概念验证，不是创收型商业协议。并行的开源和学术发表承诺，把 AMI 定位成研究平台而不是产品公司；这可能吸引后续合作，但会推迟支撑高价许可所需的传统 IP 护城河形成。 [CI010, CI011, CI012, CI013, CI014, CI015]

4.3 成本结构、burn 对标与 runway 估算

LeBrun 明确把算力和人才列为 AMI 两大成本中心。本章所有 burn 数字都是参照 frontier AI lab 对标推导的估算；AMI 未披露任何公司自身财务数据。 算力方面：Epoch AI 数据显示，自 2020 年以来，前沿模型训练算力每年增长 4–5 倍；已知最大的 AI data center 需要约 $24 billion 资本成本，才能运行 800,000 张 H100-equivalent 芯片。不过，AMI 的架构论点——JEPA 世界模型需要数亿而不是数千亿参数——意味着单次训练所需算力应显著低于 frontier LLM。AI 芯片单位美元性能约每年提升 37%（Epoch AI），也就是说算力成本按实际口径在下降。Sequoia Capital 的分析估计，GPU 约占 AI data center 总持有成本的 50%，其余为能源、建筑和网络。 人才方面：AMI 启动时团队估计约 12 人（Futurum Group analysis，2026 年 3 月），并正在巴黎、纽约、蒙特利尔和新加坡招聘。LeBrun 表示 AMI 会“重质量胜过重数量”。可比实验室（OpenAI、Anthropic、DeepMind）的 frontier AI research 薪酬公开记录显示，高级研究人员的年度总薪酬从数十万美元到超过 $1 million 不等。如果 AMI 扩张到 100 名研究人员和员工，平均 fully-loaded cost 为 $400,000–600,000，则年度人才支出会达到 $40–60 million——还未计入创始团队股权稀释。 把保守算力支出（早期研究规模下 $50–150M/year）与人才成本（80–150 人规模下 $40–80M/year）合并，再加上基础设施和 overhead，未来 1–3 年每年 $150–300 million 的 burn rate 属于合理区间。Goldman Sachs 质疑，全球估计 $1 trillion 的 AI 基础设施支出最终能否产生相称收入回报。Sequoia 警示，投机性 AI 基础设施投资狂热在历史上会导致资本焚烧、GPU 算力定价能力侵蚀，以及快于预期的硬件折旧。这些宏观风险不直接作用于 AMI 近期运营，但会让 Series A 融资环境更困难。 按 $150M/year 的 burn，AMI 的 $1.03B 约可支撑 6.9 年资金续航。按 $300M/year，资金续航降至约 3.4 年。这些只是指示性区间；实际 burn 轨迹高度取决于 AMI 是否会在第 2–3 年扩大到大算力训练。 [CI009, CI017, CI018, CI019, CI020, CI021]

4.4 公开 traction 与财务数据缺口

从公开来源看，AMI 的财务画像几乎不透明。它是一家法国私营公司（société par actions simplifiée），无义务公布账目，没有 SEC reporting，没有公开 ARR，也没有披露收入。外部来源能观察到的唯一财务事实，是种子轮规模和估值；多家独立媒体和公司自有公告都确认了这些信息。美国投资载体 2026 年 4 月的 SEC Form D filing 显示，其合计募集约 $16.9 million，为美国投资者 tranche 结构打开了一扇小窗口，但不涉及 AMI 内部财务。 员工数数据稀少：Futurum Group 估计种子轮宣布时约 12 名员工。AMI 的 Ashby job board（2026 年 5 月归档）可访问，但只提供有限结构化数据。可信第三方没有发布 LinkedIn 员工数、Glassdoor 薪资数据，或 AMI 员工的独立统计。考虑到 2026 年 3 月种子轮交割和 LeBrun 明确的招聘指令，当前员工数几乎肯定高于 12 人，但没有精确数字。 与 NVIDIA（战略投资者）的算力访问条款未披露。NVIDIA 对 AI lab 的战略投资通常包括算力分配协议，这可能实质性抵消 AMI 的硬件支出。Samsung 和 Toyota 合作也可能提供数据或硬件访问，而这些不反映在基于纯财务投资者得出的 burn-rate analogues 中。如果存在这些 in-kind 安排，AMI 的有效 runway 会长于仅按现金估算的结果。 Nabla 合作条款未披露：AMI 是否从 Nabla 获得任何收入、in-kind 数据访问或医疗领域 expertise，以及时间线如何，都不得而知。LeBrun 将其描述为“对 AMI 研究的早期访问”，不是商业许可，说明这段关系主要是 AMI 的数据和验证 pipeline，而非收入来源。 [CI029, CI032, CI034, CI036]

4.5 财务结论与尽调阻断项

AMI 的财务位置结构简单，但执行不透明。公司持有约 $1.03 billion 种子资本，全部用于算力和人才；收入为零，且处于多年 pre-revenue 时间线。按保守 burn rate，资本充足性似乎可以支撑其声明的研究任务；若每年 burn 为 $150–200M，$1.03B 种子资金大约能让 AMI 在需要 Series A 之前支撑五到七年。但如果第 2–3 年算力需求像可比实验室从小规模研究扩张到大训练一样加速，资金续航可能迅速压缩。 没有收入，因此 revenue quality 无法评级。利润率路径完全停留在理论上（许可模型意味着高毛利，但还没有可定价产品）。按研究实验室标准，资本强度很高：算力和人才两个成本中心规模相近，研究阶段没有收入抵消。融资依赖是完全的：未来至少 3–5 年，AMI 离不开外部资本。 两个最重大的财务风险是：（1）如果训练需要扩张到高于初始预测的规模，burn 会加速，可能缩短 runway，并迫使公司在不如超额认购种子轮有利的条件下融资 Series A；（2）time-to-revenue 风险，即世界模型研究周期长于预期，迫使公司以可能更低估值追加融资。第三个风险，是 AMI 的开源承诺与高价许可模型所需 IP 保护之间的张力：开源服务研究社区，也可能吸引人才和伙伴，但会削弱高价许可的可执行性。Goldman Sachs 和 Sequoia 都系统性追问过，AI 基础设施投资能否在 venture timeline 内产生回本。 Futurum Group 指出，AMI 的 Series A 将是研究产出能否转化为商业可信度的 “the first real market test”。尚未完成的关键财务尽调事项包括：（a）实际 cash burn rate 和 draw-down schedule；（b）与 NVIDIA 的任何 in-kind compute 安排；（c）Nabla 合作的商业条款；（d）headcount ramp plan 和总薪酬预算；（e）Series A 时间线和估值目标；（f）AMI 的具体算力架构要求——frontier scale 的 JEPA 训练成本远低于 frontier LLM，但精确数量级仍是私密信息。 [CI028, CI029, CI039, CI040]

4.6 展品

5.1 技术架构与 JEPA 脉络

AMI Labs 的整个技术身份，都可追溯到 Yann LeCun 在 2022 年 6 月立场论文 “A Path Towards Autonomous Machine Intelligence” 中提出的 Joint Embedding Predictive Architecture（JEPA）。核心洞见是：世界模型应该在抽象表征空间，而不是原始像素或 token 空间里预测。这条非生成式路线让系统可以有意忽略不可预测的细节——树叶移动、表面噪声、随机传感器伪影——同时保留高层语义结构。LeCun 架构提出五个相互作用的模块：perceptor（多模态感知编码器）、world model（JEPA 预测器）、actor（行动规划器）、configurator（目标和策略设定器），以及双记忆系统（短期和长期 episodic）。没有任何单一模块构成 AMI 的产品；完整认知架构才是公司声明的终点。JEPA 脉络已有两个公开实现。I-JEPA（CVPR 2023）只用未标注数据，训练 Vision Transformer 在潜空间预测被遮蔽的图像区域；一个 ViT-Huge/14 在 16 张 A100 GPU 上不到 72 小时完成 ImageNet 训练。V-JEPA（Meta，2024）把方法扩展到视频：遮蔽大块时空区域，要求预测器在表征空间而非像素中补全。相对既有视频表征学习 baseline，V-JEPA 训练和样本效率提升 1.5× 到 6×，并擅长“冻结评估”——编码器预训练一次后保持冻结，轻量 probes 处理下游任务。V-JEPA 以 Creative Commons NonCommercial licence 发布。AMI 计划的下一步，是 action-conditioned world models：能够模拟拟议动作的后果，并在安全 guardrails 约束下选择行动序列——这种能力尚未公开展示。 [CE001, CE002, CE003, CE004, CE005, CE006]

5.2 产品定义、用例与许可模型

AMI Labs 短期内明确不是一家产品公司。公司官网和 CEO 表态确认，它是一家 pre-revenue 研究实验室，追求技术许可模型：开发世界模型，并提供给构建垂直应用的行业伙伴。Nabla 是首个披露的伙伴；这家医疗 AI 公司由 Alexandre LeBrun 共同创办，如今 LeBrun 领导 AMI。2025 年 12 月宣布的 Nabla 合作，给予 Nabla 对 AMI 新兴世界模型技术的优先且特权访问权，目标是为临床护理构建可获 FDA 认证的 agentic AI systems——具体是对音频、生命体征、影像等连续医疗信号进行确定性、可审计决策。医疗之外，AMI 官网列出五个目标垂直领域：工业流程控制、自动化、可穿戴设备、机器人，以及兜底的“其他”。这些领域的共同点是安全关键：LLM 幻觉不可接受，可靠性、可控性和安全是一级要求。许可模型尚未披露类似 SaaS 或按 token API 计费的机制；实际商业安排预计要等世界模型成熟到足以进入伙伴试点之后才会出现。CEO LeBrun 明确表示，公司可能需要“数年”才能让世界模型从理论进入商业应用；早期伙伴参与会围绕真实世界数据和联合评估，而不是离散产品发布。 [CE011, CE014, CE015, CE016, CE021, CE022]

5.3 开放研究策略、开发者社区与 IP 差异化

AMI Labs 已公开承诺开放论文和开源代码，把自己定位为研究社区建设者，而非封闭 incumbent。CEO LeBrun 明确表示“我们也会开源大量代码”，并称“开放时事情推进得更快”。I-JEPA 代码库已经在 GitHub 的 facebookresearch（Meta repository）下公开，V-JEPA 则以 Creative Commons NonCommercial licence 发布。AMI 维护一个 Medium blog，但渠道还处于早期。Yann LeCun 保留 NYU 教职，并继续指导博士和博士后研究，形成直接的学术到商业 pipeline。公司的差异化 IP 论点有三根支柱：JEPA 架构族（表征空间中的非生成式世界建模）、带安全 guardrails 的 action-conditioned planning，以及超越纯视觉的多模态传感器数据处理。这不同于 NVIDIA Cosmos——后者是生成式（diffusion 和 autoregressive），面向机器人和 AV 开发者生成模拟数据——也不同于 DeepMind Genie 2，后者同样是生成式，面向 embodied agents 的训练环境。两者都没有直接处理 AMI 正在构建的 action-conditioned non-generative architecture。竞争者 SpAItial（面向 3D Gaussian Splatting 的 Echo world model）、World Labs（spatial 3D world generation）和 Physical Intelligence（robot foundation models）都走生成式或窄机器人路线。AMI 的 JEPA 脉络由 LeCun 的 Turing Award 声望和已发表的 CVPR / 开源记录锚定，提供了竞争者不易复制的可信 prior art 和学术合法性。 [CE012, CE013, CE017, CE018, CE019, CE024]

5.4 安全、可控性与监管路径

AMI Labs 把安全和可控性放在架构层，而不是事后 guardrail。非生成式 JEPA 方法旨在从结构上消除幻觉：因为预测器在抽象表征空间工作，并丢弃不可预测的像素级细节，它不能像 LLM token sampler 那样编造具体事实内容。AMI 官网写道：“Action-conditioned world models 让 agentic systems 能预测自身行动的后果，并在 safety guardrails 约束下规划完成任务的行动序列。” Nabla 合作公告强化了这一框架：世界模型支持“确定性、可审计决策”和“基于模拟的推理与‘假设’分析”——这些属性是任何自主临床 AI 提交 FDA 监管申请的核心。Nabla 的既定目标，是成为首个用 AMI 技术把可获 FDA 认证的 agentic AI systems 带入医疗的公司。但截至 2026 年 6 月，还没有监管申报，没有获得安全认证，也没有公开呈现针对世界模型系统的正式安全评估。架构安全论证——非生成式等于无幻觉——尚未被独立验证，也未在临床场景中与 LLM 错误率做 benchmark。AI Snake Oil / AI as Normal Technology 的批评者质疑，学术 JEPA 演示与生产级临床 AI 之间的缺口，能否在没有大量领域专用训练数据、监管工程和临床验证的情况下跨越；这些条件无法从当前公开证据中推导出来。 [CE010, CE015, CE020, CE023, CE025, CE031]

5.5 竞争格局与执行缺口

世界模型领域竞争激烈、资金充足，并在快速分化。NVIDIA Cosmos（CES 2025 发布）是已完全部署的生成式世界基础模型平台，基于 20 million 小时真实世界数据和 9 trillion tokens 训练，已被 1X、Agility Robotics、Waabi 等机器人和 AV 公司采用。DeepMind Genie 2（2024 年 12 月）是 action-controllable generative world model，可生成多样 3D 环境，用于训练 embodied agents。Physical Intelligence 在 2026 年 4 月推出 π0.7 steerable robot foundation model。OpenAI 的 Sora 视频生成模型在 2026 年 4 月停用，说明生成式视频世界模型面对商业逆风，验证了 AMI 的非生成式押注——但也说明，即便资金充足的生成式路线，也未能获得广泛商业采用。AMI 的具体执行缺口很实质：（1）AMI Labs 自身尚未公开发布任何产品或模型；（2）V-JEPA 仅限约 10 秒视频片段，更长时域推理仍是开放研究问题；（3）action-conditioned planning module 只存在于 LeCun 2022 年论文的设计概念中；（4）截至 run date，尚无 AMI Labs 署名论文发表，仍依赖此前 Meta FAIR 论文；（5）没有公开分享任何把 AMI 方法与 NVIDIA Cosmos、Genie 2 或 Physical Intelligence 在任一任务上比较的 benchmarks；（6）视觉之外的多模态传感器整合仍是愿景，未被展示；（7）技术许可模型需要大型工业伙伴愿意试点未经验证的研究阶段 AI，这可能限制早期签约速度。Epoch AI 数据显示，frontier AI 训练算力每年增长 5×——意味着 AMI 必须持续扩张，才能与资源充足的 incumbents 竞争。公司 $1.03 billion 融资提供了可观 runway，但商业可行性仍完全未经证明。 [CE017, CE018, CE019, CE020, CE021, CE022]

5.6 展品

6.1 商业化前阶段与客户格局

截至 2026 年 6 月，AMI Labs 没有付费客户，没有披露收入，也没有生产部署。公司在 2025 年底启动，完成 $1.03 billion 种子轮；CEO Alexandre LeBrun 在公开表态中说得很清楚：“AMI Labs 不是典型的应用 AI 创业公司，不是三个月发产品、六个月有收入、十二个月做到 $10 million ARR。” 这是有意且明示的战略选择，不是疏忽。AMI 在商业许可前，先资助一项多年基础研究议程。 公司的客户策略遵循业内所说的 design-partner model——让早期用户或伙伴组织参与共同开发，在正式商业发布前验证技术。AMI 的使命陈述把“工业流程控制、自动化、可穿戴设备、机器人、医疗及更多领域”列为最终垂直领域；Yann LeCun 在 2026 年 3 月接受 AFP 采访时表示，融资公告后“六到十二个月内可能展开”与企业伙伴的讨论。这个窗口大约覆盖 2026 年 9 月到 2027 年 3 月，但不意味着已经签署商业合同。 投资者基础本身就是早期商业兴趣的 proxy。Toyota Ventures（robotics/automotive）、Groupe Industriel Marcel Dassault（aerospace/industrial）、NVIDIA（hardware and inference infrastructure）、Samsung（devices）、ZEBOX Ventures（CMA CGM logistics）和 Publicis Groupe（creative/media）等战略投资者，各自指向 AMI 可能首先获得 design-partner traction 的行业。但没有公开披露显示 AMI 与其中任何一方签有合同性 design-partner agreement。 [CU001, CU002, CU003, CU004, CU005, CU006]

6.2 Nabla 作为首个设计伙伴：医疗入口

Nabla 是 AMI 唯一公开点名的伙伴，也是公司最早的真实世界导向证据；但它不是商业收入证据。2025 年 12 月的新闻稿把该安排描述为“排他性战略合作”，Nabla 获得 AMI 新兴世界模型技术的“首批访问权”。Nabla 的既定目标，是成为“第一家把可获 FDA 认证的 agentic AI systems 带入医疗的公司”——这一定位完全依赖 AMI 成功构建可认证的世界模型技术，而结果还在多年之后。 Nabla 的规模为 AMI 技术未来触达医疗市场提供了重要背景。截至 2026 年 6 月，Nabla 服务超过 190 家医疗组织和 150+ 个 health systems and provider groups，覆盖 35+ languages，超过 100,000 名临床医生使用其 ambient documentation platform。这些客户属于 Nabla，不属于 AMI。Nabla 的临床部署没有收入流向 AMI；当前 AMI-Nabla 安排的性质是共同开发访问权，而非许可费。 Nabla 合作带有显著结构性纽带：LeBrun 在成为 AMI CEO 前，是 Nabla 的联合创始人和 CEO；LeCun 自 Nabla 创立以来就是投资人和顾问。LeBrun 仍担任 Nabla 的 Chairman and Chief AI Scientist。这种深层关系让 AMI 真正获得早期医疗买方需求和临床场景 LLM 局限的情报，但也意味着关系不是 arm's-length，不能作为独立商业 proof point。 关键是，Nabla 当前的 AI 系统完全基于 LLM。AMI 的世界模型技术仍处于研究阶段，没有 production-ready API 或产品。AMI 世界模型实际整合进 Nabla 临床平台的时间线未披露；而医疗中自主 agentic AI 的 FDA 监管路径，远比现有 narrow diagnostic AI tools 的 510(k) 路径复杂且缓慢。 [CU010, CU011, CU012, CU013, CU014, CU015]

6.3 目标买方群体与采购路径

AMI 的目标客户画像，是处在数据密集、安全关键环境中的企业买方；在这些环境里，LLM 幻觉会带来实质运营或监管风险。LeCun 描述的典型用例，是一家飞机发动机制造商希望建立覆盖数千个传感器的整体模型，以优化效率并预测故障——这是工业制造垂直领域的买方，其设备生命周期长达数十年，供应商评估流程也常跨多年。医疗买方（医院系统、医疗器械制造商、Nabla 这类 health AI platforms）同样具备安全关键特征，但采购治理更严格，受 FDA clearance 要求、临床工作流整合和责任风险驱动。 机器人领域中，相关买方角色是制造或物流公司的自动化或工程负责人，他们需要可靠的实体机器人 action-prediction 能力——目前这类买方由 NVIDIA Isaac robotics platform，或 Physical Intelligence、1X Technologies 等公司服务。可穿戴设备领域中，买方很可能是 device OEM（Samsung、Garmin、Oura），希望获得设备硬件层可高效运行的 persistent-memory ambient intelligence。 无论哪种情况，AMI 世界模型的采购路径都需要：（1）design partner agreement，让客户以提供领域数据和评估反馈为交换，访问早期 model checkpoints；（2）pilot phase，可能持续 6–18 个月，在客户传感器环境中测试世界模型；（3）基于试点结果进行商业许可谈判。这个多步骤流程意味着，即便今天最早介入的伙伴（Nabla，2025 年 12 月参与），距离签署商业许可也还有数年。 除 Nabla 外，没有公开证据显示正式 design-partner agreements 已披露。Toyota Ventures、Dassault、ZEBOX、Samsung 和 SEA 出现在投资 syndicate 中，与商业协同一致，但股权投资并不迫使任何一方成为客户或设计伙伴。 [CU021, CU022, CU023, CU024, CU025, CU026]

6.4 采购摩擦、监管壁垒与采用时间线

多重结构性力量会把 AMI 的 go-to-market 时间线拉长到标准 frontier AI 商业化周期之外。 医疗领域中，根据 Menlo Ventures 2025 State of AI in Healthcare survey，即便最激进的买方，现在处理 AI 采购决策也平均需要 6.6 个月（低于传统 IT 的 8 个月）。但这种加速适用于 production-ready ambient scribing 和 billing automation tools，不适用于需要 FDA clearance 的研究阶段世界模型。FDA 已 cleared 的 AI/ML medical devices（截至 2026 年初超过 900 个）主要是 narrow diagnostic detection tools，通过 510(k) 或 De Novo pathways 获批。Nabla 设想的自主 agentic clinical AI，很可能需要复杂得多的监管接触——最可能是 PMA（pre-market approval）或新的 De Novo pathway，从实质提交起，时间线通常跨 2–5 年。 Menlo Ventures 还记录到，医疗买方明确优先考虑“技术成熟度”和“能在规模化环境中可靠运行、可直接投产的解决方案”——AMI 目前达不到这个标准。上一阶段的“试点致死”动态虽然对已验证 AI 工具有所缓解，但会继续困住 world models 这类未经验证的架构。Goldman Sachs research 指出，累计 AI capex 已达 $1 trillion，但部署型 AI 收入有限；Sequoia Capital 更新版 “AI's $600B question” 分析量化了截至 2024 年 GPU 基础设施支出与实际终端用户价值之间的缺口。这些结构性观察适用于更广泛的 AI 市场，但也直接影响客户采用未经验证架构的意愿。 工业 / 制造市场中，复杂 process control systems 的企业软件销售周期，即便是成熟供应商也常常需要 12–24 个月。AMI 还面对额外障碍：它需要客户共享专有运营数据（喷气发动机遥测、工厂传感器流）来训练世界模型，由此引发数据主权和 IP ownership 担忧；Futurum Group 和独立分析师都把这些问题标记为“AI 驱动交易中最先被审查的问题之一”。这种数据共享前提制造了鸡生蛋动态：AMI 需要领域数据来构建有用模型，但客户没有经验证的 ROI 就不会共享数据。 BMJ 的 TRIPOD+AI 临床 AI 报告框架强调，任何临床预测模型在进入 health system 部署前，都必须满足严格的外部验证、预先指定 calibration 和 bias assessment 要求——AMI 尚未发表的世界模型还无法回应这些标准。 [CU031, CU032, CU033, CU034, CU035, CU036]

6.5 扩张、集中度风险与证据缺口

AMI 已披露的全部客户接触面，是单一非付费设计伙伴（Nabla），在当前阶段形成极端集中度风险。由于没有商业收入，传统集中度指标（top-customer share of ARR、NRR、GRR）均未定义。真正有意义的集中度风险是结构性的：如果 Nabla 合作未能产出可运行的世界模型整合，AMI 就失去唯一真实世界医疗反馈回路。如果 Nabla 的 FDA 认证之路停滞——考虑到 agentic clinical AI 的新颖性，这在结构上很可能发生——医疗垂直入口会无限期推迟。 融资本身也制造扩张压力：投资者以 $3.5 billion 投前估值为一家研究阶段实验室付费，下一轮融资时就会期待商业 traction 证据。LeBrun “years, not quarters” 的表述诚实，但会在 Series A 时制造困难动态；Series A 很可能在种子轮交割后 18–24 个月到来（约 2027 年中到 2027 年底）。到那时，AMI 至少需要证明：（a）可运行的世界模型架构和已发表 benchmarks；（b）至少一个活跃 design-partner pilot，能生成真实领域数据；（c）围绕 Nabla 或另一家医疗伙伴的可信 regulatory filing strategy。 AMI 设想的 land-and-expand model——把世界模型技术许可给一个垂直领域或伙伴，再扩展到相邻买方——需要一个成功的首个锚点。如果任何 AMI 世界模型技术整合进 Nabla，Nabla 的 190+ health organization 部署足迹会提供真实广度，但目前这仍是假设。工业和机器人垂直领域则没有已点名锚点。 无法报告 customer count、ARR、NRR 或 GRR；由于 pre-revenue 状态，这些指标都未定义。本章无法区分 “zero customers” 与 “undisclosed early customers”，因为 AMI 没有提交需要披露收入的 Form D 或 SEC disclosure，全部商业状态证据都来自管理层公开表态。 [CU041, CU042, CU043, CU044, CU045, CU046]

6.6 展品

7.1 执行与商业化风险

AMI Labs 在 2026 年 3 月按 $3.5 billion 投前估值完成 $1.03 billion 种子轮；当时没有收入、没有已部署产品，并自称采用多年研究优先路线图。LeCun 本人在 2026 年 1 月 MIT Technology Review 采访中表示，实现人类水平 AI 需要“重大概念突破”，而且“明年或后年不会发生”。公司智识旗手的这句坦白，把执行风险框定得很清楚：全部价值主张押在一次科学范式转移上，而按创始人自己的说法，时间点无法确定。即便条件有利，从世界模型研究到可商业部署的许可产品之间的产品化缺口，行业分析师和历史先例估计也需要三到七年。 AMI 的开源发表承诺——写在使命陈述中，也被 LeCun 反复强调——与其未来许可模型形成额外张力。提前发表核心架构洞见，意味着资源更充足的竞争者（Meta FAIR、Google DeepMind、NVIDIA）可以比 AMI 更快吸收并实现 AMI 的研究。Gary Marcus 在 Substack 分析中认为，alternative-to-LLM AI 路线缺乏具体商业证据是一种模式，不是异常；这类投机性估值带有实质 dud risk。 [CR001, CR002, CR017, CR018, CR019, CR021]

7.2 技术、研究与竞争风险

AMI 押注 JEPA（Joint Embedding Predictive Architecture）会接替 LLM，这在科学上站得住脚——LeCun 的立场论文以及 I-JEPA/V-JEPA 论文都说明其研究根基很强——但商业化路径明显比基于 LLM 的产品更长。训练算力成本每年增长 4–5×（Epoch AI，2024），前沿世界模型训练预计需要超过 10^25 浮点运算的 exascale 级算力运行，而这正是 EU AI Act 推定系统性风险的门槛。NVIDIA 在 AI 训练芯片上的近乎垄断，意味着 AMI 在运营上依赖 NVIDIA 的定价和配额决策； NVIDIA 参与 AMI 种子轮投资就是证据——这层关系带来供给通道，也带来利益绑定风险。 竞争压力极端：Google DeepMind Genie 2、NVIDIA Cosmos、Meta FAIR 后续项目、Physical Intelligence（π）和 World Labs 都在争夺重叠技术地带，而且资产负债表更厚、迭代循环更快。DeepSeek 等中国开源模型说明，接近世界模型的能力可能很快商品化。 Sequoia 的「$600B question」分析直接适用于 AMI：hyperscaler 的 GPU 资本开支越来越商品化，任何依赖算力的 AI 产品定价权都会被侵蚀。 Goldman Sachs 也指出，预计 $1 trillion 的 AI 资本开支迄今几乎没有产生可衡量 ROI。 [CR007, CR008, CR024, CR034, CR035, CR036]

7.3 监管与法律风险

AMI Labs 面对一套分层、跨司法辖区的监管栈。作为在法国（EU 成员国）注册并设总部的通用 AI（GPAI）模型开发商， AMI 明确落在 EU AI Act（Regulation 2024/1689）范围内；该法案于 2024 年 3 月 13 日由欧洲议会以 523 票赞成通过。 GPAI 模型提供商必须履行透明度义务，包括发布详细训练数据摘要、遵守 EU 版权法、落实模型文档要求；这些义务在该法案生效后 12 个月（2025 年 8 月）开始适用。根据第 51 条，若 GPAI 模型训练累计计算量超过 10^25 FLOPs，即被推定存在系统性风险， 进而触发模型评估、系统性风险缓释计划和事件报告等额外义务。 AMI 规划中的医疗和机器人应用属于 EU AI Act 的高风险 AI 类别，需要合格评定、质量管理体系和上市后监测。在美国， AI 赋能医疗器械需要 FDA 510(k) 许可或上市前批准（PMA）；FDA 于 2021 年 1 月发布 AI/ML Action Plan，并持续搭建自适应 AI 医疗软件监管框架。美国 Bureau of Industry and Security（BIS）负责的出口管制限制向特定国家转让先进 AI 芯片和相关技术； 若地缘政治恶化，AMI 的欧洲算力基础设施会承受供应链风险。截至 2026 年 6 月，AMI 未披露未决诉讼或 IP 纠纷，但 LeCun 与 Meta 之间没有公开的竞业限制或 IP 转让协议，这让 Meta FAIR 资助下发展出的 JEPA 架构存在潜在 IP 归属模糊。 [CR025, CR026, CR027, CR028, CR029, CR030]

7.4 关键人物、治理与融资风险

AMI Labs 的治理结构形成两条不同的关键人物风险。LeCun 担任执行董事长，而非 CEO；他明确把自己的角色定义为战略性而非运营性， 保留 NYU 教职并继续常驻纽约。公司总部在巴黎，CEO Alex LeBrun 同时担任 Nabla（AMI 锚定临床合作伙伴）的董事长兼首席 AI 科学家。 这种双重角色安排意味着，最具知名度的科学权威是兼职，运营负责人又同时向另一家实体承担职责。LeCun 2025 年 11 月在 Meta 任职 12 年后离开，原因是与 Zuckerberg 在 AI 战略上存在分歧；这说明高知名度 AI 科学家一旦出现理念错位，可能脱离机构承诺， AMI 面临不小的复发风险。 融资风险很实质。$1.03B 种子轮、$3.5B 投前估值建立在一条短期没有收入里程碑的研究时间线上。Anthropic、Mistral、Cohere 等前沿 AI 实验室为维持类似的重算力研究项目，通常每 18–24 个月再融资一轮。AMI 在 2 年研究期内几乎肯定需要种子轮后的资本。 Sequoia 的分析把算力定义为定价权坍塌的商品，这意味着 AMI 后续每一次训练运行都会同时面对绝对成本上升（每年增长 4–5×） 和回报压缩。Goldman Sachs 也独立指出前沿 AI 支出存在 ROI 缺口。 [CR009, CR010, CR011, CR012, CR013, CR014]

7.5 地缘政治与主权风险

AMI Labs 明确围绕地缘政治叙事搭建：成为有别于美国主导和中国主导模型的「第三条路径」欧洲主权 AI 替代方案。LeCun 在 MIT Technology Review 2026 年 1 月访谈中阐述了这一愿景，称许多国家希望掌握 AI 主权控制权，而一家开源欧洲冠军会回应这种需求。 法国总统 Macron 也公开背书 AMI 的巴黎总部。这一叙事带来特定风险：公司的战略定位依赖 EU 政治意愿、资本和监管友好度持续存在， 而这些条件都可能变化。 美国对先进 AI 芯片的出口管制（由 BIS 依据 Export Administration Regulations 执行）形成结构性供应链风险：如果对 EU 实体的芯片出口限制收紧， 或 EU-US 贸易关系恶化，AMI 的训练算力供给可能中断。多司法辖区运营（巴黎、纽约、蒙特利尔、新加坡）带来复杂监管敞口， GDPR 义务、美国数据本地化偏好和新加坡数据治理规则之间可能冲突。OECD AI Principles 与 EU AI Act 叠加，形成一张合规义务拼图， 一家尚未有收入的公司也必须穿过去。主权 AI 叙事还带来集中风险：如果 AMI 无法证明技术优势，或欧洲 AI 资金枯竭， 叙事就会坍塌，公司也会失去主要战略差异化。 [CR041, CR044, CR045, CR046, CR043, CR031]

7.6 附录

8.1 估值背景与可比公司组

AMI Labs 2026 年 3 月种子轮按 $3.5 billion 投前估值定价，融资 $1.03 billion 后投后估值为 $4.53 billion。PitchBook 确认这是欧洲有记录以来最大种子轮。交割时公司约有十几名员工，没有产品，且自己给出的时间线按年而非季度计算——这让估值几乎纯粹押注于科学可信度和战略期权价值， 而不是收入或近期现金流。 最接近的结构性可比，是商业规模形成前就被定价的精英创始人前沿 AI 实验室。Fei-Fei Li 的 World Labs 于 2024 年 8 月以 $1 billion 估值融资 $230 million；这在当时已被视为产品前融资中的大额交易；到 2026 年初，随着 Marble 3D 世界模型产品发布， World Labs 据称正讨论按 $5 billion 估值融资。Andreessen Horowitz 领投 World Labs Series A，并用一份宣言把空间智能定义为下一代 AI 前沿，这与 AMI 的 JEPA 定位形成直接智识平行。Mira Murati 的 Thinking Machines Lab 种子轮估值约 $12 billion， 体现市场给予前 OpenAI CTO 履历的溢价。DeepSeek 据称在 2026 年 6 月以 $50 billion-plus 估值融资 $7.4 billion， 但 DeepSeek 已发布生产模型并产生可衡量使用量，与种子阶段的 AMI 截然不同。世界模型初创公司 Odyssey 在 2026 年 6 月 18 日当周完成 $310 million 融资，Crunchbase 周度交易摘要将其列为当周领跑交易，说明到 2026 年中，资本仍在大规模流向世界模型子赛道。 作为公开市场锚点，C3.ai 报告 2025 财年（截至 2025 年 4 月 30 日）总收入 $389.1 million，同比增长 25.3%，其中订阅收入 $327.6 million；这为判断 AI 软件平台达到商业成熟时的样子提供了有用的 SaaS 可比，也提醒我们 AMI 当前研究阶段距离这种变现水平还有很长距离。 PitchBook 引述 NVIDIA 对 AI 初创公司的累计投资约 $53 billion、覆盖 170 笔交易，这凸显战略资本涌入该领域的规模——也包括 NVIDIA 自己参与 AMI 这一轮。 投资人给 AMI 定价的逻辑，与「主权 AI」溢价和人才稀缺溢价一致。AMI 的投资财团由 Cathay Innovation、Greycroft、Hiro Capital、 HV Capital 和 Bezos Expeditions 联合领投，NVIDIA、Samsung、Temasek、Toyota Ventures 等战略方参与，横跨美国、欧洲、亚洲主权资本和战略资本。 $3.5B 投前估值高于 World Labs 初始 $1B 估值，但明显低于 Thinking Machines Lab 的 $12B 种子轮；这说明市场对 AMI 更长技术周期、 以及押注 JEPA 架构而非 LLM 邻近路径的特定风险，给出了校准后的折价。[CV001, CV002, CV003, CV004, CV005, CV006]

8.2 投资论点与反方论点

正向论点靠四根柱子支撑：科学可信度、架构差异化、战略可选性和主权溢价。LeCun 的 Turing Award 履历和十年执掌 Meta FAIR 的经历， 构成一个罕见、已大幅去风险的科学领导画像。JEPA 在抽象表示空间做预测，而不是生成像素或 token 层级预测；这是一条可测试的差异化假设， 且已有公开研究记录。投资财团的战略构成——尤其是 NVIDIA、Temasek、Samsung、Toyota Ventures——表明具备长期规划周期的产业买家相信， 世界模型 AI 会在 AMI 的运营窗口内进入其供应链和产品。主权 AI 维度（欧洲总部、跨大陆投资人组合、Bpifrance 参与）让 AMI 能接触公共资金流和受监管行业采购管道， 这些是仅在美国运营的同行拿不到的。 反方论点同样有力。AMI CEO LeBrun 在发布时说得很清楚：这不是一家 6 个月内有收入的典型应用 AI 初创公司。公司会先做多年研究， 再进入商业化。Goldman Sachs 对 AI 资本开支的分析估计，约 $1 trillion 的计划中 AI 基础设施投资迄今在收入或可衡量生产率收益上「little to show」。 Sequoia 更新后的分析把「$200B question」扩大为「$600B question」——也就是 AI 基础设施 CapEx 与支撑这些支出所需收入之间的缺口——但尚未给出答案。 如果这种资本开支到收入的结构性缺口是 LLM 邻近 AI 的风险，那么世界模型的风险更重，因为它还多了一层架构赌注：JEPA 路线必须在 AMI 目标应用垂直领域跑赢多模态 LLM，而且要赶在那些资源多 AMI 数个数量级的 Big Labs 收敛到类似架构之前。 CB Insights 2026 年 AI 100 显示，能建立持久业务的垂直 AI 公司，护城河来自数据——要么是非文本数据、稀缺数据，要么深度嵌入受监管工作流的数据。 AMI 设想的垂直领域（制造、医疗、机器人）符合这一论点，但 AMI 还没有这些数据、工作流或客户。从研究实验室走到拥有数据护城河的企业级在位者， 路很长，历史上通常需要 hyperscaler 赞助者或非常长的 runway。[CV011, CV012, CV013, CV014, CV015, CV016]

8.3 情景分析：牛市、基准与熊市

三种情景主要区别在三个变量：JEPA 商业可用性的推进速度、Big Labs 的竞争反应、以及能否以不低于 $3.5B 投前底价拿到后续资本。 三种情景都假设 AMI 需要 $1.03B 种子轮之外的追加资本；原因是同类实验室在前沿规模下每年算力和人才 burn 估计为 $300–500M， 而 Epoch AI 记录的算力每年 4–5× 增长，会让任何固定算力预算在多年研究周期内不够用。 牛市情景下，JEPA 到 2028 年实现可展示的真实世界 benchmark，例如在工业过程控制或自主机器人中，相比多模态 LLM 形成可复现优势； AMI 随后按 $10–15 billion 估值完成 Series A。与两家或更多产业投资人（Toyota Ventures、Samsung、NVIDIA）的战略合作在 2029–2030 年转化为已部署用例。IPO 在 2031–2033 年具备可行性，前提是收入达到 $200M+ ARR；这意味着 20–25× 收入倍数， 与 2025–2026 年前沿 AI 公司群体的高端溢价一致。 基准情景下，AMI 用 2–3 年产出高质量开放研究，以基本持平到小幅上修的估值（$5–8B）融资 $500M– $1B Series A， 并把应用焦点收窄到一两个能证明早期客户防御性的垂直领域。商业产品在 2029–2031 年到来。退出最可能通过 hyperscaler 以 $8–15 billion 战略收购实现——若届时公司拥有独特架构、主权叙事一致的投资人基础，并以 50–100 名员工做到 $40–60M ARR， 这一结果具备可信度。 熊市情景下，JEPA 架构赌注在实践中没有形成差异化：Big Labs 发布有竞争力的世界模型系统，开源替代品扩散，企业买家看不到购买理由。 到 2028 年，资本市场对收入前 AI 研究收紧。AMI 难以按种子轮估值融资，被迫大幅收窄范围、接受会稀释主权叙事架构的战略投资， 或以困境条件出售。$1–2 billion 困境退出或关闭，是不利结果。[CV019, CV020, CV021, CV022, CV023, CV024]

8.4 建议与估值立场

当前价格下建议立场是 TRACK；在上调前，应对具体过关里程碑继续 RESEARCH-MORE。估值立场是 STRETCHED：$3.5B 投前估值可以被解释为对 LeCun 科学项目和欧洲主权 AI 定位的一份期权，但相对于公开可核验信息（无产品、无收入、除 Nabla 外无商业合作、无 JEPA benchmark 结果）， 其中计入了大量乐观预期。 由于商业证据几乎完全缺席，且 JEPA 技术假设高度不确定，本建议的信心为 LOW。风险评级为 HIGH：研究优先的时间线、LeCun 关键人物集中（执行董事长而非全职 CEO）、 算力成本升级、Big Lab 竞争压力交织在一起，形成难以对冲的风险。 下方 KPI 评分框架概括了投委会在七个维度上的定位：市场、技术证明、竞争护城河、单位经济、风险组合、估值和证据质量。 在现有证据下，除市场机会外，没有任何维度得分高于「中等」。 破题触发项（详见附录）包括：任何证据显示 JEPA 在 AMI 目标应用类型上无法跑赢多模态 LLM；Yann LeCun 不再担任执行董事长； 种子轮交割后 24 个月内未能以不低于 $5B 投前估值完成 Series A；或 Nabla 合作关系解散且没有替代方。[CV025, CV026, CV027, CV028, CV029]

8.5 退出成熟度、尽调问题与融资可选性

截至 2026 年 6 月，AMI 尚未具备退出条件。IPO 至少需要已验证收入和可复制 go-to-market；两者都不存在。结合 Futurum 分析师评估、 公司自己的公开表述，以及同类实验室先例（DeepMind 2014 年被 Google 收购，而非 IPO），近期到中期最可信的流动性路径是被 hyperscaler 战略收购， 最可能发生在 2029–2033 年窗口。 潜在收购方因战略契合而区分：Samsung 和 Toyota Ventures（现有投资人，设备 / 工业契合）、Apple（空间智能是 Vision Pro 和机器人战略核心）、 Microsoft（主权 AI 计算基础设施），或由法国 / 欧洲国家冠军出手收购以保留主权维度。Meta 仍是自然的技术合作方，但鉴于 LeCun 离开时的摩擦， 作为收购方存在冲突。 $1.03B 种子轮按前沿实验室 burn 率（$300–500M/年）估计可支撑 2–3 年 runway，这意味着 AMI 需要在 2027 年末或 2028 年回到市场融资 Series A。 这一轮会成为真正的市场出清估值测试：研究产出能否支撑从 $3.5B 上调，还是倍数压缩。种子轮进入的投资人应把研究发表速度和 JEPA benchmark 结果， 作为 Series A 定价的主要领先指标。 下方附录列出的尽调问题，是建议参与 Series A 共同投资前的最低证据标准。最关键的问题，是独立验证 JEPA 在标准化物理世界 benchmark 上相对 state-of-the-art 多模态 LLM 的性能优势；截至 2026 年 6 月，公开资料无法回答这个问题。[CV030, CV031, CV032, CV033, CV034]

8.6 附录