继 AMD 82 亿美元收购 World Labs 后，Amazon 洽购 Decart 再次释放出一个强信号：世界模型正在从前沿 AI Demo，进入云厂商和芯片厂商争夺下一代 AI 基础设施的核心战场。
据《华尔街日报》报道，Amazon 正在洽购世界模型公司 Decart，潜在交易估值最高可能达到 70 亿美元。就在不久前，Decart 于 2026 年 5 月完成 3 亿美元 C 轮融资，估值约 40 亿美元。如果这笔交易最终达成，意味着 Decart 的估值将在短时间内再次大幅跃升。
上个月，AMD 刚刚宣布以 82 亿美元全股票交易收购 World Labs。World Labs 由 李飞飞 创立，专注于空间智能和世界模型，被视为物理 AI、机器人和工业仿真的关键技术公司。
Amazon 洽购 Decart，AMD 收购 World Labs，两笔交易虽然买方不同，但都指向同一个趋势：世界模型正在成为连接 AI 芯片、云基础设施和物理世界应用的战略入口。
过去三年，大语言模型定义了 AI 应用的主流入口。ChatGPT 让人们看到 AI 如何理解、生成和组织语言。但如果 AI 要真正进入机器人、自动驾驶、工业制造、仓储物流、游戏世界和空间计算，仅仅理解语言是不够的。它还需要理解空间、时间、物理规律、动作反馈和环境变化。
如果说大语言模型让 AI 理解人类语言，那么世界模型则试图让 AI 理解和模拟物理世界。
Decart 是一家非常特殊的公司。外界很容易把它看作一家世界模型公司，但如果从 Amazon 和 AWS 的战略角度看，Decart 的价值并不只在于“生成世界”，更在于它同时具备世界模型能力和 AI 算力优化能力。
Decart 成立于 2023 年，由以色列工程师团队创办。公司推出过 Oasis、Lucy、Mirage 等产品。其中，Oasis 是其最受关注的世界模型产品，面向机器人、自动驾驶、游戏等场景，可以生成和模拟可交互的三维环境。Lucy 偏向 AI 视频编辑，Mirage 则支持基于文本提示实时修改视频流。
这些产品背后的核心能力，并不是简单生成一段视频，而是构建一个可以被交互、被控制、被训练、被推演的虚拟环境。
传统视频生成模型解决的是“看起来像不像”。但世界模型要解决的是更复杂的问题：一个场景是否具有空间一致性？物体之间的关系是否稳定？动作之后环境会如何变化？一个机器人在这个环境里执行任务，能不能获得有意义的反馈？
世界模型的真正价值，不是生成一个看起来真实的世界，而是创造一个 AI 可以训练、试错、推理和行动的世界。
这对机器人和自动驾驶尤其重要。真实世界的数据采集成本极高，也充满安全风险。很多长尾场景、危险场景、极端场景，在现实中很难大规模采集。比如自动驾驶系统需要理解雨夜、雾天、突发横穿、复杂路口、施工道路等场景；机器人需要学习在仓库、工厂、家庭等环境中处理不确定性。如果可以通过世界模型生成大量高质量、可控、可交互的仿真环境，AI 系统的训练成本和试错成本都有可能显著下降。
这也是 Decart、World Labs 这类公司突然变得昂贵的原因之一。它们不是在做普通内容生成，而是在构建物理 AI 的训练基础设施。
相比很多世界模型公司，Decart 还有一个非常关键的软件平台：DOS。DOS 可以帮助开发者将神经网络优化适配到特定处理器上。按照现有信息，它能够把原本可能需要数月的芯片适配和优化流程压缩到数周左右。
如果 Oasis 让 Decart 被外界看作一家世界模型公司，那么 DOS 才可能是它成为 AWS 战略资产的关键原因。
理解 Amazon 为什么想买 Decart，需要先理解 AWS 在 AI 时代面临的核心挑战。
AWS 是全球最大的云基础设施平台之一，但在生成式 AI 时代，云厂商的竞争逻辑正在发生变化。过去，云平台比拼的是计算资源、存储能力、网络能力、全球数据中心覆盖和企业客户基础。现在，AI 云竞争的重点正在进一步上移：谁能提供更高效的 AI 芯片？谁能降低模型训练和推理成本？谁能吸引前沿模型公司和企业客户把关键 AI 工作负载部署在自己的平台上？
Amazon 近年来持续推进自研 AI 芯片战略，包括 Trainium 和 Inferentia。Trainium 面向模型训练，Inferentia 面向推理。随着 Trainium3 商业化推进，AWS 需要解决的不只是芯片性能问题，更是生态问题。
在 AI 芯片市场，Nvidia 的真正护城河并不只是 GPU 本身，而是 CUDA、软件工具链、开发者习惯、模型优化经验和庞大的生态系统。很多 AI 公司选择 Nvidia，不只是因为硬件性能强，而是因为迁移成本低、工具成熟、工程团队熟悉、模型适配经验丰富。
对 AWS 来说，如果想让更多 AI 工作负载跑在 Trainium 上，就必须降低客户从 GPU 或其他芯片迁移过来的成本。企业客户和 AI 实验室真正关心的是：模型能不能顺利迁移？性能是否稳定？推理成本能否下降？开发团队是否需要重写大量代码？优化周期会不会太长？
这正是 Decart DOS 平台可能发挥价值的地方。
Amazon 收购 Decart 的底层逻辑，不只是获得一家世界模型公司，而是获得一个能够帮助 AWS 自研芯片承接前沿 AI 工作负载的软件中间层。
如果 DOS 能够帮助模型更快适配不同处理器，那么它就可能成为 AWS Trainium3 生态中的重要优化层。AWS 可以借此向 AI 公司和企业客户提供更强的迁移能力：你不必完全被某一种芯片绑定，你可以更高效地把模型优化到 AWS 自研芯片上，从而获得更低成本、更高性价比，或者更灵活的供应保障。
在 GPU 供应紧张、AI 推理成本持续上升的背景下，这个价值非常现实。大型模型公司、AI 应用公司和企业客户都在寻找更低成本的训练和推理方案。云厂商则希望把这些高价值工作负载留在自己的平台上。
谁能降低模型迁移和推理优化的摩擦，谁就更有机会控制下一阶段 AI 云工作负载。
这也是为什么 Decart 对 AWS 的意义，不能只从世界模型产品本身理解。它同时可能帮助 AWS 完成三件事：第一，获得下一代 AI 工作负载，即世界模型、机器人仿真、实时 3D 生成和空间智能应用；第二，增强 Trainium3 的软件生态和模型适配能力；第三，为企业客户提供从模型到算力优化再到云部署的一体化路径。
换句话说，Decart 对 Amazon 来说，既是模型资产，也是基础设施资产。
如果把 Amazon 洽购 Decart 放在 AMD 收购 World Labs 之后看，产业信号会更加清晰。
AMD 收购 World Labs 的逻辑，与 Amazon 洽购 Decart 有相似之处，但也存在明显差异。AMD 是芯片厂商，Amazon 是云厂商；World Labs 更偏空间智能和世界模型研究，Decart 则更偏实时世界模型和算力优化基础设施。
World Labs 由李飞飞 创立，聚焦空间智能。其 Atlas 模型可以通过少量照片生成工厂、仓库等虚拟三维环境，并模拟动态物体，例如传送带等工业场景元素。这类能力非常适合机器人训练、工业仿真、仓储自动化、自动驾驶模拟和空间计算。
AMD 收购 World Labs，并不是为了做一个酷炫的生成式 AI 应用，而是为了把世界模型和空间智能能力纳入自己的芯片生态。
在 AI 芯片竞争中，AMD 面临 Nvidia 的强大压力。仅仅推出更强的 GPU 或更具性价比的芯片，并不足以改变生态格局。AMD 需要证明自己的硬件不只是“可以跑模型”，而是能够承接下一代高价值 AI 工作负载。World Labs 提供的，正是这样一个战略叙事：未来的机器人、工业仿真、物理 AI 和空间智能，可以成为 AMD 芯片生态的重要应用方向。
AMD 收购 World Labs，本质上是芯片厂商向模型和应用场景上移；Amazon 洽购 Decart，则是云厂商向模型优化层和 AI 工作负载控制权上移。
这是两笔交易最值得关注的共同点。无论是云厂商还是芯片厂商，都不再满足于只提供底层算力。它们都在向上游模型层、软件层、场景层延伸。因为未来 AI 基础设施的竞争，不只是“谁有更多芯片”，也不是“谁有更多数据中心”，而是“谁能定义和承接下一代高价值 AI 工作负载”。
一方面，它需要巨大算力。世界模型涉及视频、多视角、3D、物理动态、实时交互和长时间场景连续性，对训练和推理都有极高要求。这天然会拉动云计算、AI 芯片、边缘推理和数据中心需求。
另一方面，它又连接真实产业场景。机器人、自动驾驶、工业数字孪生、游戏、XR、仓储物流、智能制造，这些都是潜在的高价值市场。相比纯文本应用，这些场景更接近实体经济，也更容易形成长期基础设施需求。
世界模型之所以重要，是因为它同时满足了两个条件：既消耗大量算力，又能连接物理世界中的高价值商业场景。
从战略定位看，Decart 和 World Labs 都属于世界模型赛道，但二者的核心价值并不完全一样。
World Labs 更像空间智能时代的基础模型资产。它的优势在于科学家品牌、空间理解能力、三维环境建模和物理世界认知。李飞飞的影响力，也让 World Labs 在 AI 研究和产业叙事层面具备极高的稀缺性。对 AMD 来说，World Labs 可以帮助其在 AI 芯片竞争中建立更强的长期场景想象力：不只是训练大语言模型，也可以支撑未来机器人、工业自动化和具身智能系统。
Decart 则更像世界模型时代的基础设施优化资产。它不仅有 Oasis 这样的实时世界模型，也有 DOS 这样的芯片适配和模型优化平台。对 AWS 来说，这种组合非常有吸引力。Oasis 可以带来新的云端 AI 工作负载，DOS 则可能帮助这些工作负载更好地运行在 AWS 自研芯片上。
World Labs 更像“空间智能研究资产”，Decart 更像“世界模型基础设施资产”。
这一区别非常关键。它解释了为什么不同类型的巨头会用不同方式切入同一赛道。
对 AMD 这样的芯片厂商来说，核心诉求是定义下一代 AI 场景。它需要证明未来的空间智能、机器人和物理 AI 工作负载，可以与自己的芯片路线深度结合。World Labs 提供的是模型能力、研究品牌和未来场景入口。
对 Amazon 这样的云厂商来说，核心诉求是控制工作负载和迁移路径。AWS 已经拥有云基础设施和大量企业客户，但它需要让更多 AI 工作负载愿意留在 AWS，尤其是运行在 Trainium 等自研芯片上。Decart 提供的是实时世界模型、推理场景和潜在的跨芯片优化能力。
所以，同样是世界模型并购，AMD 和 Amazon 想要的并不完全相同。
AMD 要的是用世界模型强化芯片生态的未来场景定义权；Amazon 要的是用世界模型和优化层强化 AWS 的 AI 工作负载控制权。
为什么世界模型公司会在这个阶段被重估？
首先，世界模型代表了下一代 AI 工作负载。过去几年，生成式 AI 的主战场集中在文本、代码、图像和视频生成。但这些能力主要仍停留在数字内容世界。下一阶段，AI 要进入物理世界，就必须理解空间结构、物体关系、运动规律和因果反馈。
机器人需要世界模型，才能在复杂环境中规划动作。自动驾驶需要世界模型，才能模拟和理解复杂交通场景。工业 AI 需要世界模型，才能在工厂、仓库和生产线上进行安全训练和优化。游戏和 XR 需要世界模型，才能实时生成可交互、可持续演化的虚拟环境。
世界模型是 AI 从“生成内容”走向“理解和操作环境”的关键一步。
其次，世界模型天然具有高算力密度。它不仅要生成图像或视频，还要保持空间一致性、物理合理性和交互实时性。这意味着模型训练成本高，推理成本也高。如果世界模型进入商业化阶段，它将成为云和芯片厂商非常重要的新增长引擎。
这也是为什么云厂商会感兴趣。云平台需要新的高价值工作负载。过去，大语言模型训练和推理已经为云厂商带来了巨大的 AI 需求。未来，如果机器人仿真、工业数字孪生、实时 3D 世界生成和空间智能应用规模化，云平台将有机会承接新一轮算力需求。
第三，世界模型可以降低真实世界训练成本。对于机器人和自动驾驶公司来说，现实世界的数据昂贵、危险且不完整。通过世界模型生成大量可控环境，可以帮助 AI 系统覆盖更多长尾场景，提高训练效率，并减少真实世界试错风险。
第四，真正具备实时、可交互、可部署能力的世界模型团队非常稀缺。做出一个演示效果不难，但要做到稳定、多场景、低延迟、可扩展、可用于训练和商业部署，非常困难。如果一家公司还同时具备底层算力优化能力，其战略价值就会进一步提升。
70 亿美元或 82 亿美元的价格，看似是为一家模型公司付费，实际上是为未来 AI 工作负载入口、芯片生态话语权和物理世界数据飞轮付费。
这两笔交易也说明，AI 基础设施竞争正在发生结构性变化。
过去，AI 基础设施竞争主要集中在底层资源：谁有更多 GPU，谁有更大的数据中心，谁能提供更便宜的训练和推理算力。现在，竞争正在上移到模型、工具链、优化层和行业工作负载。
云厂商不再只是卖算力，而是希望提供更完整的 AI 平台。芯片厂商也不再只是卖硬件，而是希望掌握关键模型和应用场景。模型公司则越来越深入硬件优化、推理加速和部署成本控制。
模型、云和芯片之间的边界正在变得越来越模糊。未来的 AI 基础设施竞争，将越来越像全栈竞争。
对于 AI Infra 创业者来说，单纯做一个模型 Demo 已经不够。高价值公司需要证明自己能够连接模型、算力、芯片、云和真实应用场景。尤其是在世界模型方向，客户真正关心的不是演示视频有多惊艳，而是它能否降低训练成本、提高仿真效率、改善机器人或自动驾驶系统表现，并最终形成可付费的企业级产品。
对于投资人来说，判断世界模型公司不能只看生成效果，而要看几个更关键的问题：它是否具备物理一致性？是否支持实时交互？是否能嵌入机器人、自动驾驶或工业流程？是否能形成数据飞轮？是否有明确的云或芯片生态协同？是否能从 Demo 走向平台化收入？
对于云和芯片生态来说，类似 Decart DOS 的能力也值得特别关注。未来，多芯片部署、模型迁移、推理优化、AI 编译器、训练成本优化、多云调度，都会成为 AI 基础设施中的重要机会。
在 Nvidia CUDA 生态强势存在的背景下，任何能够降低跨芯片迁移成本、提高模型适配效率的软件层，都可能具有极高战略价值。
这也是 Decart 与一般世界模型公司的区别所在。它不只是生成新世界，也可能帮助模型更好地运行在不同算力平台上。对 AWS 这样的云厂商来说，这种能力直接关系到自研芯片能否被更广泛采用。
对中国 AI 和云生态来说，这一趋势同样值得关注。
中国有非常丰富的物理世界应用场景，包括制造、物流、仓储、机器人、自动驾驶、游戏、短视频、直播、城市数字孪生和工业自动化。世界模型并不是一个只能发生在硅谷的机会。真正的问题是，创业公司能否结合本土产业场景，把世界模型从酷炫 Demo 变成客户愿意付费的基础设施产品。
中国的国产 AI 芯片生态也面临类似挑战。硬件性能只是基础，工具链、模型适配、推理优化和开发者生态同样重要。如果没有足够成熟的软件层，芯片很难大规模承接主流 AI 工作负载。
第一类是面向国产芯片的模型优化和迁移平台，帮助 AI 模型更快适配不同芯片和云环境。第二类是面向机器人、自动驾驶和工业场景的世界模型仿真平台，用于降低训练和测试成本。第三类是面向制造、物流、能源和城市管理的空间智能与数字孪生基础设施，帮助企业构建可交互、可推演、可优化的虚拟环境。
中国创业者的机会不一定是简单复制 Decart 或 World Labs，而是结合本土产业场景，做出真正能降低训练、部署和推理成本的世界模型基础设施。
从更大的产业周期看，Amazon 洽购 Decart 与 AMD 收购 World Labs 共同说明：世界模型已经不再只是前沿研究社区中的概念，而是进入了巨头战略并购和基础设施整合阶段。
这背后有一个清晰逻辑。AI 正在从语言智能走向物理智能，从内容生成走向环境理解，从单一模型能力走向模型、算力、工具链和场景的系统竞争。世界模型正好位于这个转折点。
对 Amazon 来说，Decart 的价值不只是生成可交互世界，而是可能帮助 AWS Trainium3 获得更强的模型适配、推理优化和工作负载迁移能力。对 AMD 来说，World Labs 的价值也不只是空间智能研究，而是帮助其把芯片生态延伸到机器人、工业仿真和物理 AI 场景中。
下一阶段 AI 基础设施竞争，将不再只是“谁拥有更多 GPU”，而是“谁能定义下一代高价值 AI 工作负载，并让这些工作负载运行在自己的平台上”。
它的价值不在于让机器生成一个逼真的视频，而在于让 AI 拥有一个可以理解、预测、交互和训练的世界。
这也是为什么 Decart 和 World Labs 会成为巨头争夺对象：它们代表的不是一个单点应用，而是 AI 进入物理世界之前，最重要的一层基础设施。
End
Saasverse