AMD 以 82 亿美元收购 World Labs，Atlas 解决机器人学与设计中的稀疏重建问题

中文处理结果

官方博文对此讳莫如深，但由于 AMD 是上市公司，我们知道收购价格。不到一年前我们曾报道过他们：

李飞飞写了一篇很棒的反思博文，暗示了主要原因：

自 2024 年成立以来，World Labs 已构建起领先的 AI 空间智能能力，覆盖从创意工作到设计的方方面面。我们组建了世界领先的图像、视频与空间重建模型训练团队。并且，通过收购 SceniX，我们正朝着业界领先的机器人仿真能力迈进。

最近我们发布了 Atlas，这是首个此类全模态（omni）模型架构，解决了空间智能中一个关键的悬而未决的问题：新相机视角预测。正如 LLM 能根据一行文本预测下一个 token，Atlas 从零开始训练，能够根据输入的 2D 图像预测下一个视角，其表现甚至超越了专用模型的最先进结果。它通过将生成模型与多视图几何相结合，实质上解决了计算机视觉中一个长期存在的问题——稀疏重建。这具有直接而深远的影响：从设计与工程到科学与机器人学。

我们看到 Atlas 在众多领域引发了极大兴趣：机器人学的强化学习环境；用于治疗与娱乐的场景生成；以及面向房地产、设计与建筑的真实世界重建，未来还有更多。

另见我们今天发布的 Claude Code 播客：

2026 年 9 月 26 日—9 月 28 日 AI 新闻。我们检查了 12 个 subreddit、544 个 Twitter 账号，没有更多 Discord。AINews 网站可搜索所有往期内容。提醒一下，AINews 现在是 Latent Space 的一个栏目。你可以选择订阅/退订邮件的频率！

AI Twitter 回顾

头条：Claude Sonnet 5.5 发布及反响

发生了什么

Anthropic 发布了 Claude Sonnet 5.5，这是 Claude 5.5 家族中的第二个模型，距 Opus 5.5 发布一周，且恰在 OpenAI DevDay 前一天。早期独立评测显示，它在多个排行榜上与 Opus 5.5 持平或接近。

- 发布时间：发布前的议论先出现。@kimmonismus 报告称它已经路由到他的账户，@scaling01 在官方博文之前就在 Anthropic API 中发现了它。

- 官方公告：@claudeai（5.3 万互动量）和 @AnthropicAI 称其为“相较 Sonnet 5 的明显升级”。他们声称它在大多数工作上运行速度快 30% 以上，成本低至多 30%。

- 定位：@ClaudeDevs 将其定位为“范围明确的日常任务，如修复 bug 和快速迭代功能”。Anthropic 还发布了一份构建指南，涵盖何时选择 Sonnet 还是 Opus 5.5、从 Sonnet 5 迁移以及调优投入程度。

- 免费层：@simonw 指出 Sonnet 5.5 现在为 claude.ai 的免费层提供支持。ChatGPT 的免费层仍是 GPT-5.6 Luna，他称其“能力差得多”。

原始正文

AMD buys World Labs for $8.2B, as Atlas solves sparse reconstruction problem for robotics, design and more

The official post is shy, but since AMD is public, we know the purchase price. We covered them less than a year ago:

Fei Fei has a lovely reflection blogpost that hints at the main reasons:

Since our founding in 2024, World Labs has built leading AI spatial intelligence capabilities for everything from creative work to design. We built the world leading model training team for images, video and spatial reconstruction. And, with the acquisition of SceniX, we’re building towards an industry leading capability for robotics simulation.

Recently we released Atlas, a first of its kind omni model architecture that solves a key outstanding problem in spatial intelligence: new camera view prediction. Like LLMs can predict the next token from a line of text, Atlas, trained from scratch, can predict the next view from an input of 2D images, outperforming state of the art results even by specialized models. It has essentially solved a long standing problem in computer vision called sparse reconstruction, by combining generative models with multiview geometry. This has direct and far reaching consequences: from design and engineering to science and robotics.

We’ve seen incredible interest in Atlas across many domains: RL environments for robotics; scene generation for therapy and entertainment; and real world reconstruction for real estate, design and construction, and so much more to come.