プレスリリース要約（2026年9月28日発表）
2026年9月28日、Fei-Fei Li氏が率いるAIスタートアップ「World Labs」は、半導体大手AMDに統合（約82億ドル規模での買収合意）されることを発表しました。
- 組織・体制の刷新: Fei-Fei Li氏はAMDのエグゼクティブ・バイスプレジデント（EVP）兼チーフサイエンティストに就任し、AMD CEOのLisa Su氏に直属。Justin Johnson氏およびBen Mildenhall氏と共に、AMD内におけるフロンティアAIリサーチ組織を率いる。
- 背景と目的: 2024年の設立以来、World Labsは空間知能（Spatial Intelligence）モデル「Marble」や「Atlas」などの研究開発を主導。モデルの学習・推論スケーリングを加速させるため、AMDとの深いハードウェア・ソフトウェア統合を選択。
- オープンエコシステムの推進: ハードウェア、ソフトウェア（ROCm）、プラットフォーム、オープンウェイトモデルに至るエンドツーエンドのオープンAIエコシステムの構築を共通目標に掲げる。
- 取引条件: 規制当局の承認等を前提とし、2026年末までに取引完了を予定。
会社概要
World Labs
- 設立: 2024年
- 拠点: 米国カリフォルニア州サンフランシスコ
- 創業者: Fei-Fei Li（CEO / スタンフォード大学教授、ImageNet創始者）、Justin Johnson、Ben Mildenhall、Christoph Lassner
- 主要製品/技術:
- Marble: 3D空間・世界生成モデル（Text/Image/Videoから操作可能な3D表現を出力）
- Atlas: マルチモーダル空間知能モデル（テキスト、画像、動画、3D空間を一括処理するAuto-regressive Diffusion Transformer）
- Spark: ブラウザ上でリアルタイムGaussian Splatting描画を行うWebフレームワーク
- 資金調達実績: a16z、NVIDIA、AMD、Autodesk、Adobe等から累計12億ドル以上を調達。
AMD (Advanced Micro Devices, Inc.)
- 設立: 1969年
- 拠点: 米国カリフォルニア州サンタクララ
- 代表者: Chair & CEO Dr. Lisa Su
- 主要事業: HPC/データセンター向けGPU（Instinct MI300X/MI400シリーズ）、データセンター向けCPU（EPYC）、PC/エッジ向けAPU（Ryzen AI）などの開発・製造。AIソフトウェアスタックとしてオープンソースの「ROCm」を展開。
導入実績・連携エコシステム
World Labsの空間知能モデル（Marble APIなど）およびAMDアクセラレータは、エンタープライズソフトウェア、ロボティクス、コンテンツ制作、データセンターインフラの領域で具体的な導入・パイプライン連携が進んでいます。
- Autodesk（戦略的提携 & 出資）:
- CAD・建築・デザイン業界大手のAutodeskと2億ドル規模の戦略的パートナーシップを締結。建築家やグラフィックデザイナーが2Dスケッチやテキスト入力から即座に3D空間構造（BIM/CAD互換アセット）を生成・編集するパイプラインへMarble技術を統合。
- Lightwheel & NVIDIA Isaac Sim（ロボティクス評価シミュレーション）:
- ロボティクス評価プラットフォーム「Lightwheel (RoboFinals)」との連携ケーススタディにおいて、1枚の360度画像からMarbleを用いて3D Gaussian Splat空間を秒単位で生成。Omniverse/USDフォーマット変換を経てNVIDIA Isaac Sim上の物理環境へロードする「Real2Sim」パイプラインを検証。環境構築コストを従来の数週間から数分へ削減。
- VFX・ゲーム開発スタジオ（メディア・エンターテインメント）:
- 従来の重厚な3Dスキャン・手動モデリングに依存せず、Marble API経由で映画・ゲーム用の背景3Dアセットや6DoF（6自由度）カメラ制御対応の空間シーンをオンデマンド生成するパイプラインでの検証・早期導入。
- AMD Instinct MI300Xの導入実績（インフラ層）:
- Microsoft AzureやMetaをはじめとするハイパースケーラーが、大規模言語モデルおよびマルチモーダル推論インフラとしてMI300X（192GB HBM3）を大スケールで採用・運用。
1. 空間知能モデル（Marble / Atlas等）の計算特性とボトルネック
LLMの学習・推論は、密な行列乗算（Dense GEMM）やトークン列に対するAttention演算が中心となります。一方、World Labsのマルチモーダル空間知能モデル（MarbleやAtlasなど）は、テキスト、画像、動画、さらに3Dメッシュや3D Layout、360度パノラマなどの多次元入力を一括して取り扱い、Gaussian Splatting、テクスチャ付き3D Mesh、物理コライダー等の多様な3Dアセットを出力します。
このワークロードには、LLMとは全く異なる計算・メモリ上のボトルネックが存在します。
LLMと空間知能（3D World Generation）のワークロード比較
| 評価軸 | 1D LLM (LLaMA / GPT等) | 空間知能 (World Labs Atlas / Marble等) |
| 主たる演算パターン | 密な行列乗算（Dense GEMM）1D Token Attention | 疎行列（Sparse Matrix）演算幾何変換 ＋ Ray Sampling / Splatting |
| メモリアクセス | シーケンシャル（KV Cache読み書き） | 非均一・ランダムアクセスの高頻度発生（3Dグリッド・ポインタ参照） |
| メモリ帯域要求 | 高い（推論時のToken生成速度に影響） | 極めて高い（VRAM帯域幅がボトルネック） |
| 出力パイプライン | 単一のToken Sequence | 複数フォーマット（Mesh, Gaussian Splat, Collider, Rendered Video）の並行処理 |
空間知能では、3D空間内の非連続な座標に対するアクセス（Ray TraversalやPoint Cloudフェッチ）が多発するため、GPUのL1/L2キャッシュヒット率が低下しやすく、単体のTFLOPS演算性能よりも「高帯域メモリ（HBM）の帯域幅（GB/s）」が性能を決定づけるプライマリ・ボトルネックとなります。
2. AMD Instinct / APU アーキテクチャとの構造的適合性
World Labsがモデリングおよび推論の最適化においてAMDハードウェアを採用・統合する技術的妥当性は、AMDのアクセラレータ構成から説明できます。
① 192GB HBM3 と 5.3 TB/s の超高帯域幅（AMD Instinct MI300X）
- 技術的要件: 空間モデルでは、高解像度の3D空間テンソルや複数視点（Multi-view）の潜在表現を同一VRAM上に保持しながら即座にアクセスする必要があります。
- 適合性: AMD Instinct MI300Xは、192GBのHBM3メモリと5.3 TB/sのローカルメモリ帯域幅を備えています。これにより、巨大な3DモデルデータやGaussian Splatパラメータをカード間のスワップなしにVRAM上に常駐させ、パイプラインの停止（Stall）を最小限に抑えることが可能となります。
② Zero-Copy メモリアクセス（MI300A等のAPU構成）
- 技術的要件: ロボティクスや物理シミュレーションを伴う空間知能では、CPU上で動作する物理エンジン・剛体計算エンジンと、GPU上で動作するニューラル空間表現モデル（Spatial Neural Rendering）の間で高速なデータ交換が求められます。
- 適合性: CPUとGPUが物理的に統合され統一メモリ空間を共有するAPUアーキテクチャ（MI300A等）では、PCIeバスを経由したCPU-GPU間のデータコピー処理（D2H/H2D転送）が不要（Zero-Copy）になります。これにより、物理ステップとニューラル推論の相互ループにおけるレイテンシーが削減されます。
3. 競合比較：空間知能・世界モデルにおけるポジショニング
空間知能・世界モデルの領域では、主要AIプレイヤーが異なるアーキテクチャアプローチで参入しています。
| 企業 / モデル | 主なアプローチ | 特長・強み | 課題 / 制約 |
| World Labs(Marble / Atlas) | Explicit 3D & Native Spatial(3D Gaussian / Mesh / Spatial Context) | 幾何構造を持った3D空間を直接生成。カメラ制御・メッシュ書き出し・物理シミュレーション連携が可能。 | 高度な3D表現処理に伴うメモリアクセス・パイプラインの複雑さ。 |
| NVIDIA(Cosmos 3) | Omni World Model(Video / Physics / Physical AI) | テキスト、画像、動画、音声、アクションを一括生成。OmniverseやIsaac（ロボティクス）との強固な連携。 | 垂直統合型インフラ（DGX/CUDA）依存度が非常に高い。 |
| Google DeepMind(Genie 3) | Interactive Video Simulation(Autoregressive Interactive Environments) | 24fpsでのリアルタイムインタラクティブ動画生成。一貫した環境アクション・メモリの保持。 | 主にピクセル空間での動画シミュレーションであり、直接的な3D幾何メッシュ抽出には追加処理が必要。 |
| OpenAI / Sora | 2D Diffusion Video Generation(Implicit Spatial Understanding) | 高精細な動画生成能力。物理現象を「潜伏空間（Latent Space）」内で暗黙的に学習。 | 明示的な3Dカメラパス制御や3D幾何データ（CAD/Game Engine用）の直接出力が困難。 |
4. ソフトウェアスタックの最適化：ROCm と OpenAI Triton
グラフィックスや3Dレンダリング領域の先進的な実装（例: Custom CUDA Kernelsによるラスタライザなど）をAMD環境で動かすには、ソフトウェアスタックの最適化が不可欠です。
① OpenAI Triton によるハードウェア抽象化
従来の独自CUDAカーネルに固執する場合、プラットフォーム間の移植コストが肥大化します。PyTorch 2.xと統合されたOpenAI Tritonコンパイラは、コードレベルの抽象化を提供し、AMD ROCmバックエンド向けにカーネルを最適化・コンパイルします。これにより、3Dモデルに必要なカスタムレイヤをNVIDIA/AMD双方で同等のコードベースとして保守することが可能になります。
② C++ Custom Kernel の HIP化（hipify）
幾何変換やラスタライズ処理に手書きCUDAコード（例: C++/CUDA拡張）が必要な場合、AMDが提供する変換ツール（hipify-clang / hipify-perl）を用いてHIP（Heterogeneous-compute Interface for Portability）コードへポートします。この際、NVIDIAのWarp Size（32）とAMDのWavefront Size（64または32）に起因するスレッド同期処理（__syncthreads()やWarp-level Intrinsics）のチューニングが行われます。
5. エンジニアが得るべき構造的示唆
- ワークロード特性に応じたアクセラレータ選定：密な行列計算主体のLLMと、不連続アクセス・多次元データを扱う空間知能では最適化のアプローチが異なります。HBM容量やメモリ帯域幅、CPU-GPUメモリ統合の有無が、システム全体のTCOや推論レイテンシーを決定づけます。
- コンパイラ・レイヤーによるベンダーロックインの低減：PyTorch/TritonやROCmエコシステムを活用した高度な抽象化レイヤーでパイプラインを構築することにより、特定のハードウェアに依存しない可搬性の高いMLインフラストラクチャの構築が可能になります。
6. 技術深掘り・業界のポイント解説
① 空間知能（Spatial Intelligence）が変える「物理世界AI」と開発パラダイム
従来の2D生成AI（Sora等）は画像平面上の「ピクセルの見た目」を模倣するにとどまり、3D空間におけるカメラパスのミリ単位制御や幾何メッシュの直接抽出が困難でした。これに対し、World Labsの「Marble」や「Atlas」といった空間知能モデルは、3D Gaussian Splattingや物理コライダーなどの明示的な幾何構造を出力します。これにより、ゲームエンジン（Unreal/Unity）や建築CAD（Autodesk）、ロボティクスシミュレーション環境（Isaac Sim）へと直接シームレスにパイプラインを接続できる点が最大の違いです。
② なぜNVIDIAではなく「AMD×World Labs」のタッグなのか
空間知能モデルは、高解像度の3D空間データや複数視点推論を並行処理するため、極めて巨大なVRAM容量と広大なメモリ帯域幅（HBM3）を要求します。AMD Instinct MI300Xが備える192GB HBM3・5.3 TB/sというローカルメモリ帯域や、CPU-GPU間でZero-Copy転送を実現するAPUアーキテクチャ（MI300A等）は、このメモリアクセスのボトルネック解消に直接寄与します。さらに、オープンソース（ROCm/Triton）を主軸とする共通のプロダクトビジョンが、両者の約82億ドル規模の急速な統合を後押ししました。
③ 現場エンジニア視点：CUDAコード資産のROCm移行実務
「独自CUDAカーネルで構築した既存のグラフィックス・3Dラスタライズ処理をどう移行するか」は多くのAIエンジニアにとっての懸念点です。本統合の鍵となるのが、PyTorch 2.xと親和性の高いOpenAI Tritonコンパイラによるコード抽象化です。また、手書きC++/CUDA拡張に対しても、AMDのhipifyツール（hipify-clang / hipify-perl）を用いることで大部分のコードを自動変換でき、Wavefront Size（32/64）依存のスレッド同期チューニングを行うことで、マルチプラットフォームで動作する柔軟なMLインフラを維持できます。
7. 参考リンク
- World Labs 公式アナウンス
- AMD ハードウェア仕様 & プレスリリース:
- ソフトウェアスタック & ポーティング開発資料:
- 動画リファレンス（インタビュー・技術解説）:
