影身智能比World Labs早两年押注原生4D

9 月 28 日，AMD 宣布以全股票方式、约 82 亿美元收购 World Labs。李飞飞将出任 AMD 执行副总裁兼首席科学家，直接向 CEO 苏姿丰汇报。交易公布前几周，World Labs 刚发布新一代空间世界模型 Atlas，从零开始训练，把文本、图像、视频、相机位姿和 3D 深度放入统一空间上下文，重点解决新视角预测，并延伸到三维重建和时空模拟。

在中国，影身智能比 Atlas 早两年走上这条路。公司成立于 2024 年，创始人兼 CEO 闵伟是清华大学工学博士，曾任阿里巴巴本地生活机器人团队负责人。公司从成立之初就选择原生 4D 路线，从多视角采集和动态重建做起，训练 4D 世界模型，再部署进机器人和真实工厂。今年 4 月，已实现用 4 到 6 台消费级摄像头、单块消费级 GPU 实时生成 4D 数据；9 月在中国国际服贸会展示 6 台摄像头支撑的 4D 直播方案。Atlas 发布时，影身智能已在福建晋江制鞋工厂跑起机器人，拿到 2 亿元超级订单，排产机器人达数千台。

闵伟认为，AMD 看到的不只是一家技术公司，更是重建生态的机会。大语言模型生态已相对成熟，继续沿旧路径追赶窗口越来越窄，4D 世界模型提供新技术路线、新基座和新数据，可能带来新算力生态。他把这笔交易看作 4D 世界模型从前期探索进入规模化商业落地的转折点。

过去几年，AI 在语言、图像和视频领域进展惊人，但进入现实世界驱动机器人操作柔性材料、理解复杂物理交互时，局限就会暴露。问题与数据表征有关：现实物理世界是四维的，而大语言模型处理文字，视频模型处理二维像素，都是降维投影，空间结构、遮挡关系、接触过程、柔性形变等信息不可避免被压缩乃至丢失。闵伟以风为例：二维像素中风很难直接呈现，但在 4D 时空里，风可被理解为一组具有位置、体积和运动状态的物质。4D 高斯数据通过大量带位置、尺度、方向、透明度和外观特征的高斯基元，描述物体空间分布及状态随时间变化，相比静态 3D 模型，进一步记录运动轨迹、遮挡关系、接触过程和形变状态，为机器人定位、路径规划和动作调整提供更丰富依据。

行业大致形成四类技术思路：基于大语言模型向上延伸，但幻觉和时空连续性问题难根治；基于视频生成模型，仍无法根本解决二维像素局限；在隐空间做推理，但特征难监督，不确定是否与物理世界对齐；第四条是李飞飞 Atlas 和影身智能在做的原生 4D 世界模型，让隐空间特征尽量与真实四维时空对齐，再在此基础上做理解、生成与预测。2024 年，行业主流还在 VLA、真机数据和视频模型上使力，4D 路线因采集设备复杂、计算成本高长期面临质疑。如今行业判断正在转向，Atlas 发布是一次高调背书，字节跳动也被报道正开发面向实时空间视频生成的 AI 模型。

影身智能技术路线包含 4D 数据加工、世界模型训练，以及让模型进入真实业务并回收执行结果三个环节，形成数据飞轮。多视角视频仍是数据入口，经空间对齐、动态重建和信息补全后转换为随时间变化的 4D 状态，再用于模型训练。产品形态为“影身 360”，通过环绕布置的家用级 RGB 摄像头和消费级 GPU，从稀疏视角实时生成 4D 数据。行业早期获取 4D 数据通常需约 80 台摄像头，影身智能先减至十几台，再降至 4 至 6 台，并尝试用单块消费级 GPU 实时完成。闵伟称之为“数据冶炼”，即提升单条数据的物理信息密度。目前其 4D 数据集已达万小时量级，仍在持续增长。

这些数据进入世界模型后，模型学习内容不再局限于下一帧画面，还包括空间状态如何延续、遮挡后物体是否仍存在、碰撞如何发生，以及动作介入后环境如何变化。未来触觉、力觉等传感器信息也可接入同一套时空表征。这套表征还能帮助模型减少对无关信息依赖，以抓取任务为例，背景、灯光、桌面纹理和物体文字很多时候不决定动作结果，4D 空间把物体位置和运动关系表达得更清楚，有机会用更少数据获得更稳定泛化能力。完整流程中，稀疏多视角视频首先进入数据引擎生成 4D 状态；4D 数据再进入基础模型形成统一时空表征；经任务适配后，模型可生成机器人动作、新视角画面、未来状态和 3D 点云；机器人执行结果随后回流数据体系，继续用于训练和优化。

4D 世界模型是影身智能技术底座，物理具身和数字文娱是两条主要业务线。制鞋是物理具身方向首个落地产业；4D 直播和 4D 游戏是数字文娱方向当前重点。两条业务线使用同一套多视角采集、4D 重建和时空生成能力，但任务不同：工业机器人验证模型能否理解并改变真实物体，数字内容扩大应用场景和数据入口。

制鞋场景中，鞋面、鞋底和布料等柔性物体会发生形变，产品款式、尺码和材料持续变化