AMDは2026年9月28日、Fei-Fei Li氏が率いるWorld Labsを約82億ドルで買収する最終契約を締結したと発表した。買収対価はすべてAMD株式で支払い、規制当局の承認などを条件に2026年末までの完了を見込む。
両社はすでにAMD製GPUを使ったモデルの学習・推論の最適化に取り組んできた。今回の買収ではさらに一歩踏み込み、世界モデルを研究・開発するチームそのものをAMD内部に迎え、将来のハードウェア、ソフトウェア、システム設計に生かす。
これまで出資や技術提携を続けてきた半導体企業が、なぜ約82億ドルを投じてAIモデルの研究チームそのものを抱えるのか。その理由を考える手掛かりが、World Labsの研究対象である「空間」と「物理世界」にある。
モデル研究の段階から、将来の半導体設計へつなげる
買収完了後、Li氏はAMDのエグゼクティブ・バイス・プレジデント兼首席科学者に就任し、CEOのLisa Su氏に直属する。World Labsの発表によると、共同創業者のJustin Johnson氏とBen Mildenhall氏も引き続きLi氏とともにチームを率いる。
単にWorld Labsの技術や製品を取り込むのではなく、研究組織そのものをAMD内で継続させる形だ。
AMDとWorld Labsの関係は今回の買収から始まったわけではない。
World Labsが2月18日に発表した10億ドルの資金調達には、AMDのほか、NVIDIAやAutodeskなども参加していた。3月にはAMD自身が追加出資と技術協業について説明している。
したがって、買収によってWorld Labsが初めてAMDの計算資源を利用できるようになるわけではない。
2025年に始まったAMD GPU上でのモデル学習・推論の最適化は、2026年3月にはInstinct GPUを使った計算規模の拡大、処理の最適化、クラウドパートナーと連携した事業展開へと広がった。そして9月28日の買収発表では、World Labsのモデル研究から得られる知見を、将来のハードウェア、ソフトウェア、システム設計に反映する方針まで示された。
| 時点 | 両社が説明した協業の範囲 | 実施済みの取り組みと今後の方針 |
|---|---|---|
| 2025年 | AMD GPU上でモデルの学習・推論を最適化する技術提携を開始 | World Labsが9月28日の発表で振り返った経緯 |
| 2026年3月19日 | Instinct GPU上での計算規模拡大、処理最適化、クラウドパートナーと連携した事業展開 | AMD Venturesが継続中の協業として説明 |
| 2026年9月28日 | 買収契約を締結し、モデル研究の知見を将来の計算基盤へ反映する方針を提示 | 買収完了と、その後の製品・技術への反映はこれから |
表はWorld Labsの買収告知、AMD Venturesの3月の説明、AMDの買収発表を基に、両社の関係がどう変化してきたのかを整理したものだ。性能向上を比較した表ではなく、9月28日時点では買収そのものもまだ完了していない。
この流れを見ると、AMDが買収によって近づこうとしているのは、完成したAIモデルだけではなく、そのモデルを設計する研究段階そのものだと分かる。
これまでは外部企業が完成させたモデルをAMD GPU上で効率よく動かすことが中心だった。研究チームが社内に入れば、モデルの構造や処理方法が固まる前から、将来どのような計算能力、メモリー、通信、ソフトウェアが必要になるのかを把握しやすくなる。
Su氏も買収発表で、次世代AI向けの計算基盤を開発するには、モデルがどのように進化しているのかを深く理解する必要があると説明している。
ただし、World Labsの研究がAMDのどの製品に、いつ反映されるのかは発表されていない。
82億ドルは研究チームや技術を含むWorld Labsそのものを取得するための金額であり、それに見合うGPU性能や計算効率の改善がすでに実証されたという意味ではない。
Atlasは言語モデルと画像・動画モデルの技術を組み合わせる
World Labsが9月1日に発表した「Atlas」は、テキスト、画像、動画、3Dを一つの仕組みで扱い、空間の構造を理解・生成することを目指した世界モデルだ。
例えば、ある場所を撮影した画像とカメラの位置・向きを入力すると、それを手掛かりに別の位置から見た映像を生成したり、3D空間を再構成したりできる。
こうした「空間知能」は、物体がどこにあり、空間がどのようにつながっているのかを理解し、まだ観測していない視点から何が見えるかまで推測する能力を指す。
Atlasの技術説明によると、テキスト、画像、カメラ位置、3D深度などの入力を共通の「空間的な文脈」にまとめ、その文脈を参照しながら次の出力を生成する。
単発の画像を作るだけではなく、同じ空間を異なる視点や時間から扱いながら、3Dとしての整合性を保つことが重要になる。
Atlasの特徴の一つは、現在の大規模言語モデルと画像・動画生成モデルの技術を組み合わせている点だ。
World LabsはAtlasを「マルチモーダルな自己回帰型拡散Transformer」と説明している。
自己回帰型モデルのように、これまでに生成した内容を参照しながら次の要素を順番に生成する一方、画像や動画の生成では、ノイズから徐々に目的の出力へ近づける拡散モデルの仕組みを利用する。
この構造によって、言語モデル向けに発展してきた高速化技術と、画像・動画生成向けの高速化技術の両方を利用できる。
例えばWorld Labsは、過去の計算結果を再利用するKVキャッシュ、キャッシュを考慮したリクエストの振り分け、計算資源を分離して処理する仕組みなど、LLMの大規模運用で培われた技術をAtlasにも応用できると説明している。
一方で、拡散モデルの計算量を減らす蒸留など、画像・動画モデル側で発展してきた高速化技術も利用できる。
AMDにとっては、これまでLLM向けに蓄積してきた最適化技術を生かしながら、画像、動画、3D空間まで扱う新しい処理に合わせてGPUやソフトウェアを最適化する研究対象になる。
どの計算が繰り返されるのか、何をメモリーに残して再利用できるのか、どこが処理のボトルネックになるのか。モデルの研究者と半導体・システムの設計者が早い段階から協力する意味は、こうした具体的な要求を把握できることにある。
ただし、AtlasがAMD製GPU上で他社製GPUより高速に動くという比較結果が今回発表されたわけではない。
Li氏も自身の投稿で、研究の規模と影響をさらに広げるには、ハードウェアへより近づく必要があると説明している。
「世界は言葉だけでできているのではない」というWorld Labsの基本的な考え方に照らせば、空間や物理世界を扱うモデルの研究者が、計算基盤の開発側へ近づくという今回の選択は一貫している。
もっとも、AIが生成した空間と、実際に観測された空間は区別しなければならない。
Atlasは入力画像に写っていない場所についても、これまでに得た情報から推測して生成する。映像制作などでは便利な能力だが、建物を正確に再現したり、ロボットの行動を判断したりする用途では、モデルが推測して補った部分を実測データと同じように扱うことはできない。
ロボットが失敗する前に、仮想世界で試す
World Labsは7月21日、ロボット向けシミュレーション技術を開発するSceniXを買収した。さらに7月28日には、Real-to-Sim-to-Real（R2S2R）エンジンの初期成果を公開した。
これは、現実のロボット、周囲の環境、物体、作業内容を仮想空間に再現し、そこでロボットを学習・評価した結果を再び実機へ持ち込む仕組みだ。
AtlasとR2S2Rエンジンは同じ技術ではないが、World LabsはAtlasのような世界モデルも、現実世界をシミュレーションへ変換する「Real-to-Sim」を支える技術として位置づけている。
ロボット開発では、実機で試行するたびに物体を元の位置へ戻したり、失敗したロボットを復旧させたりする必要がある。複雑な作業ほど、実機だけで大量の試行を繰り返すには時間と費用がかかる。
仮想環境であれば、物体の配置、照明、カメラの位置、物理特性などを変えながら、多数の条件を繰り返し試せる。
ロボットが観測した情報から次の行動を決める仕組みは「方策（policy）」と呼ばれる。World Labsはシミュレーションを、方策を学習させるためだけでなく、どの方策を実機で試す価値があるのかを選別するためにも使おうとしている。
同社の初期実証では、シミュレーション上で成績の良かった方策は実機でも相対的に高い性能を示し、成功・失敗が起きやすい条件にも似た傾向が見られたと報告している。
仮想環境で多数の候補を評価し、性能の低いものを事前に除外できれば、高価な実機を使った試験を有望な候補へ集中できる。
ここでは計算資源が、モデルを一度学習させるためだけに使われるわけではない。モデルを更新するたびにシミュレーションで大量の条件を試し、問題点を見つけ、再学習するという循環そのものに計算能力が必要になる。
ただし、この仕組みを成立させるには、仮想世界が見た目だけ現実に似ていればよいわけではない。
物体の形状、重さ、摩擦、変形、ロボットが接触した際の動きなども、実世界に十分近く再現する必要がある。
World Labs自身、現実の環境では物体の形状、重量、摩擦などを完全には把握できず、カメラやロボットの特性にも誤差があると説明している。
今回公表された結果もWorld Labs自身による初期実証であり、あらゆるロボットや作業で同じ結果が得られることを独立機関が検証したものではない。
AMDが今回手に入れるのは、こうした「生成、学習、評価」を何度も繰り返す研究能力でもある。
仮想環境を高速に生成・実行でき、そこで得た結果が実機でも役立つのであれば、ロボット開発の試行錯誤を大幅に短縮できる可能性がある。
GPUの性能を、単なるモデルの学習速度だけでなく「実機で次の試験を行うまでの時間」の短縮につなげる用途として考えると、AMDが世界モデルの研究チームを内部に持つ意味もより具体的になる。
オープンモデルを掲げるが、公開条件はまだ分からない
World Labsは買収発表の中で、ハードウェア、ソフトウェア、プラットフォーム、そして広く利用できるオープンモデルまでを含む、エンドツーエンドのオープンAIエコシステムをAMDとともに構築する方針を示した。
Li氏も、ハードウェアからソフトウェア、モデル、データ基盤まで含めたオープンなAI環境を提供していく意向を表明している。
研究成果をAMD内部だけに閉じるのではなく、外部の開発者が利用できる形にする方針を明確にした点は重要だ。
ただし、オープン化を掲げることと、具体的な公開条件が決まっていることは別である。
Atlasは9月1日の発表時点では一部の提携先を対象とした早期アクセスであり、今回の買収発表でも、どのモデルを、どのライセンスで、いつ公開するのかは示されていない。
したがって、Atlasなどの学習済みモデルの重みがすでにオープンソースとして公開されていると受け取ることはできない。
同様に、NVIDIAがWorld Labsの以前の資金調達に参加していたからといって、AMDによる買収後もWorld LabsのモデルがどのGPUへ対応するのかを推測することはできない。
開発者にとって重要なのは、今後実際に公開されるモデルのライセンス、重みの公開範囲、APIの提供条件、そして対応する計算環境だ。
今回の買収がAMDの製品にどれだけの効果をもたらすのかを評価できるようになるのは、World Labsの研究チームがAMDに加わった後だ。
Atlasなどのモデルがどのような条件で利用できるようになるのか。同じ処理に必要な計算量や待ち時間をどこまで減らせるのか。仮想環境で得られた改善が実機のロボットでも再現されるのか。
こうした成果が具体的に現れれば、AMDがWorld Labsを買収する狙いもはっきりしてくる。
約82億ドルを投じて手に入れようとしているのは、一つのAIモデルではない。次世代のAIがどのような計算を必要とするのかを、モデルの研究段階から理解し、それを将来のGPUやシステム設計へつなげる能力そのものだ。
