AMD ostaa World Labsin 8,2 miljardilla – mallit alkavat ohjata piirejä

AMD:n 28. syyskuuta 2026 julkaiseman tiedotteen mukaan yhtiö on sopinut ostavansa World Labsin noin 8,2 miljardin dollarin osakekaupalla, jonka odotetaan toteutuvan vuoden 2026 loppuun mennessä viranomaishyväksyntöjen ja muiden ehtojen täyttyessä. San Franciscossa toimiva World Labs kehittää malleja, jotka rakentavat, rekonstruoivat ja simuloivat vuorovaikutteisia kolmiulotteisia ympäristöjä tekstin, kuvien ja videon perusteella. AMD haluaa tutkimusryhmän avulla ymmärtää, millaista laskentaa nämä mallit tulevaisuudessa tarvitsevat, ja käyttää tietoa laitteistojensa, ohjelmistojensa ja järjestelmiensä suunnittelussa.

Yritysten yhteistyö alkoi ennen kauppaa. IT Pron kauppauutisen mukaan ne ryhtyivät vuonna 2025 optimoimaan mallien koulutusta ja käyttöä AMD:n grafiikkasuorittimilla, AMD sijoitti World Labsiin helmikuussa 2026 ja perustaja Fei-Fei Li kuvasi tarvetta päästä lähemmäs laitteistoa ilmauksella ”closer to the hardware”. Kauppa toisi mallien tutkijat samaan organisaatioon niiden insinöörien kanssa, jotka kehittävät mallien käyttämää laskentainfrastruktuuria.

Osakekauppa tuo tutkimusryhmän AMD:n sisälle

AMD:n kannalta hankinnan kohde on ennen kaikkea malliosaaminen. World Labsin ryhmän on tarkoitus jatkaa tutkimustaan kaupan toteuduttua, ja Li siirtyisi AMD:n varatoimitusjohtajaksi ja päätutkijaksi toimitusjohtaja Lisa Sun alaisuuteen. Näin mallien kehittäjien havainnot pääsisivät aiempaa suoremmin mukaan päätöksiin siitä, mitä seuraavilta laskenta-alustoilta vaaditaan.

Osakkeilla maksaminen antaa World Labsin omistajille vastikkeeksi AMD:n osakkeita. Sopimus ei kuitenkaan vielä merkitse omistuksen siirtymistä: hyväksynnät ja muut toteutumisehdot ovat yhä edessä. Yhteisen tutkimuksen vaikutusta tuleviin tuotteisiin voidaan arvioida vasta myöhempien tuote- ja tutkimusjulkistusten perusteella.

Atlas näyttää, millaista työtä ympäristömalli tekee

World Labsin tutkimuksen erityisyys näkyy siinä, että malli käsittelee kuvien lisäksi niiden kuvaamaa tilaa. Yksittäinen kuva voi näyttää uskottavalta, vaikka sen ulkopuolinen ympäristö olisi määrittelemätön. Tilallisen mallin on sen sijaan tuotettava uusi näkymä samasta ympäristöstä kameran siirtyessä ja pidettävä kohteiden sijainnit sekä rakenteet johdonmukaisina. Se tarvitsee siis esityksen ympäristöstä, ei vain seuraavan kuvan ulkonäöstä.

World Labsin Atlas-mallin esittelyssä Stanfordin Main Quad rakentuu kahdesta 25:een maanpinnalta otetusta kuvasta, minkä jälkeen malli tuottaa alueesta uusia ilmasta nähtyjä kulkureittejä ja kolmiulotteista geometriaa. Esimerkki havainnollistaa, miksi syötekuvien välinen tilallinen yhteys on tärkeä: malli joutuu päättelemään myös alueita, joita alkuperäisissä kuvissa ei näy. Mitä enemmän todellisia näkymiä se saa, sitä vähemmän puuttuvia osia sen tarvitsee täydentää arvauksilla.

Pelkkien kuvien lisäksi Atlas voi muodostaa syvyyskarttoja ja pistepilviä sekä esittää ympäristön niin sanottuina Gaussian splat -rakenteina. Ero on käytännöllinen: kameran ohjaama video riittää katseltavaksi, mutta robotiikan ja simuloinnin käyttöön tarvitaan myös sijainteja ja pintoja kuvaava esitys, jota voidaan tarkastella uusista kulmista. Kun lähtöaineisto on video, malli arvioi syvyyttä peräkkäisille ruuduille ja yhdistää tiedot rekonstruoiduksi tilaksi.

Atlas yhdistää tekstiä, kuvia, videota, kameran sijaintia ja syvyystietoa samaan tilalliseen kontekstiin. Kun kamera kulkee rekonstruoidussa ympäristössä, malli voi tuottaa näkymät eri kohdista; robottisimulaatiossa se voi arvioida myös robotin kameroiden havaitsemaa kuva- ja syvyystietoa. Samasta lähtöaineistosta voidaan siten rakentaa sekä nähtävä ympäristö että tilanteita, joissa liikkuminen tai esineiden käsittely muuttuu.

Tämä erottaa työkuorman pelkän tekstivastauksen tuottamisesta. Mallin täytyy säilyttää tieto aiemmin nähdystä tilasta, käsitellä uusia syötteitä ja tuottaa niihin sopiva seuraava näkymä tai simulaation vaihe. Atlas on rajatussa varhaisessa käytössä, ja sen on määrä tulla myöhempiin Marble-tuotteen versioihin. Nykyinen malliesittely kertoo tutkimussuunnasta, mutta ei vielä siitä, millaisia AMD:n tulevat piirit ovat.

Mallit voivat vaikuttaa sekä muistiin että ohjelmistoon

AMD:n tavoittelema yhteys mallien ja piirien välillä kulkee työkuorman kautta. Atlas käsittelee peräkkäisiä, keskenään riippuvaisia syötteitä ja tuottaa tulosta vaiheittain. Jos mallin on pidettävä laaja tilallinen konteksti käytettävissä samalla kun se muodostaa uusia näkymiä, laskentaa eivät määrää vain yksittäisen laskuoperaation nopeus vaan myös muistin kapasiteetti, tiedonsiirto ja työn ajoitus eri laskentaosien välillä.

Atlas käyttää muunninarkkitehtuuria, autoregressiivista etenemistä ja diffuusiota samassa mallissa. Se käsittelee erilaisten syötteiden sarjaa järjestyksessä: jokainen uusi osa riippuu aiemmasta kontekstista, kun taas kuvaa muistuttava tulos tarkentuu vaiheittain. Vaiheiden erilaiset vaatimukset nostavat esiin kysymyksen siitä, mitä tietoa kannattaa pitää nopeasti käytettävissä ja mitä siirtää ohjelmiston tai laskentalaitteiden osien välillä. AMD voisi tutkia näitä valintoja mallin kehitystyön yhteydessä.

Koulutus ja mallin käyttö asettavat lisäksi erilaisia vaatimuksia. Koulutuksessa samaa mallia päivitetään suuren aineiston avulla toistuvasti, jolloin kokonaislaskenta ja eri laitteiden välinen työnjako korostuvat. Käyttövaiheessa on olennaista, kuinka nopeasti malli pystyy tuottamaan uuden, aiempaan ympäristöön sopivan näkymän. Vuorovaikutteisessa simulaatiossa odotusaika voi ratkaista, tuntuuko ympäristö jatkuvalta vai katkonaiselta. Nämä ovat teknisiä suunnittelukysymyksiä, eivät ilmoitettuja suorituskykytuloksia.

Mallilaboratorion omistaminen voi auttaa AMD:tä tunnistamaan tällaiset pullonkaulat aiemmin kuin pelkkä valmiin ohjelmiston tukeminen. Tutkijat voivat muuttaa mallin rakennetta ja samalla nähdä, miten muutos vaikuttaa suorittimien, muistin ja ohjelmistopinon yhteistyöhön. Vastaavasti laitteistosuunnittelijat voivat arvioida, kannattaako tiettyä toimintoa nopeuttaa piirissä, ohjelmistossa vai molemmissa. Kaupan perustelu on tässä palautteessa mallikehityksen ja laskenta-alustan välillä.

Seuraava konkreettinen etappi on kaupan toteutuminen sovittujen ehtojen täyttyessä. Sen jälkeen AMD:n tulevista alustoista ja World Labsin malleista voidaan nähdä, miten yhteinen tutkimus vaikuttaa käytännön laskentaratkaisuihin.

Lue myös:

• Nscale keräsi 3,36 mrd. dollaria – miljardi odottaa yhä Nvidiaa