Sie, die früher in einem Restaurant gearbeitet hat, hat ihr Unternehmen weniger als drei Jahre nach der Gründung für 8,2 Milliarden US-Dollar verkauft.
Im Hauptsitz von World Labs in San Francisco schneiden zwei chinesischstämmige Frauen gemeinsam den Festkuchen an.
Am 16. November Ortszeit gab der Halbleiterriese AMD bekannt, dass die Übernahme des Weltmodell-Anbieters World Labs abgeschlossen wurde. Die Transaktion hat ein Volumen von 8,2 Milliarden US-Dollar und wurde vollständig in Aktien bezahlt.
Quelle: Offizieller Screenshot von AMD
World Labs wurde 2024 gegründet, gemeinsam von der Stanford-Universitätsprofessorin Li Fei-Fei, ihrem ehemaligen Doktoranden Justin Johnson sowie dem Erstautor der NeRF-Arbeit Ben Mildenhall und weiteren Beteiligten. Das Unternehmen beschäftigt derzeit etwa 70 Mitarbeiter. Nach Abschluss der Transaktion übernimmt Li Fei-Fei die Position des Executive Vice President und Chief Scientist von AMD und berichtet direkt an die AMD-Vorsitzende und CEO Lisa Su.
Von der Unterzeichnung am 28. September bis zur Abwicklung am 13. November vergingen nur 46 Tage. Dieses Unternehmen, dessen Kommerzialisierung gerade erst begonnen hat, ist zum zweitgrößten Übernahmeziel in der Geschichte von AMD geworden. Im Jahr 2022 hatte AMD Xilinx für rund 49 Milliarden US-Dollar übernommen.
Im Vergleich zur feierlichen, lebhaften Szene reagierte der Kapitalmarkt eher zurückhaltend. Am 16. November schloss die AMD-Aktie mit einem Rückgang von 5,58 % bei 504,28 US-Dollar, die Gesamtmarktkapitalisierung belief sich auf rund 827 Milliarden US-Dollar. Bemerkenswert ist, dass der Sektor für Halbleiter und KI-Infrastruktur am selben Tag gleichermaßen nachgab.
In den letzten mehr als zehn Jahren stand Li Fei-Fei mehrmals an Schlüsselpositionen des Paradigmenwechsels im Bereich der künstlichen Intelligenz. Die von ihr geleitete Aufbauarbeit der umfangreichen Bilddatenbank ImageNet lieferte eine einheitliche Daten- und Bewertungsgrundlage für die Forschung im Bereich des maschinellen Sehens; World Labs hat die Forschung in den dreidimensionalen Raum vorangetrieben. Nach ihrem Eintritt bei AMD erstreckt sich ihre Arbeit weiter auf die Rechensysteme hinter den Modellen.
Am Ende eines von dem offiziellen Account von World Labs veröffentlichten Feiervideos wurde das AMD-Slogan „together we advance“ zu „together we advance_worlds“ geändert. Das hinzugefügte „worlds“ verweist nicht nur auf das neu zu AMD gestoßene World Labs, sondern wirkt auch wie ein doppeldeutiges Wortspiel —
Diesmal wollen Li Fei-Fei und AMD gemeinsam nicht nur Chips und Modelle vorantreiben, sondern auch die Fähigkeit von Maschinen, die Welt zu verstehen und in sie einzudringen.
46 Tage, 8,2 Milliarden US-Dollar
Das erst seit etwas mehr als zwei Jahren bestehende World Labs verfügt nicht nur über ein zukunftsweisendes Konzept. Im November 2025 kam das erste kommerzielle Produkt Marble auf den Markt: Nutzer geben einen Text oder ein Bild ein und können so dreidimensionale Szenen generieren, die betreten, bearbeitet und exportiert werden können. Im September 2026 veröffentlichte World Labs das multimodale Weltmodell Atlas, mit dem versucht wird, Text, Bild, Video und dreidimensionale Inhalte über ein einziges Modell zu verbinden. Einen Tag vor der Abwicklung der Übernahme wurde Atlas wie geplant für die Öffentlichkeit und Entwickler freigegeben.
Was Li Fei-Fei anstrebt, ist auch nicht nur die Generierung dreidimensionaler Inhalte. Im Jahr 2026 übernahm World Labs das Robotersimulationsunternehmen SceniX, um Roboter-Körper, Arbeitstische, Sensoren und weitere Komponenten in eine zurücksetzbare, parametrisch einstellbare virtuelle Umgebung zu integrieren. Das Unternehmen hat Aufgaben wie das Verpacken mit zwei Armen oder Kabelbearbeitung demonstriert und einen Teil der Simulationsergebnisse an echten Geräten validiert.
Da sich KI aus dem digitalen Raum in die physische Welt ausdehnt, müssen Maschinen nicht nur wissen, wie die Welt „aussieht“, sondern auch verstehen, welche Folgen Perspektivwechsel, Objektbewegungen und Greifvorgänge haben.
Das ist auch die Antwort, nach der AMD gerade sucht.
In den letzten Jahren hat AMD sein Rechenportfolio ständig ergänzt: Mit der Übernahme von ZT Systems wurde die Fähigkeit für rackebene Systeme gestärkt, mit der Einführung von Helios wurden GPU, CPU und die ROCm-Software in ein und dasselbe Lösungskonzept integriert. Nachdem Hardware, System und Software nach und nach vollständig vorliegen, taucht die nächste Frage auf: Wie werden die Modelle der nächsten Generation der Kunden diese Rechenleistung tatsächlich nutzen?
Der Bedarf für Training und Inferenz großer Sprachmodelle ist relativ klar, während sich die räumliche Intelligenz rasant verändert. Es ist kaum möglich, allein durch abgeschlossene Überlegungen von Chipingenieuren vorherzusagen, welche Rechenengpässe bei Aufgaben wie der Generierung dreidimensionaler Szenen, der Aufrechterhaltung der Konsistenz aus verschiedenen Perspektiven, der Simulation von Objektkollisionen und der Rückführung der Trainingsergebnisse von Robotern in das Modell entstehen.
In gängigen Kooperationsmodellen stehen Chiphersteller meist hinter der Industriekette und warten, bis sich Modelle und Anforderungen allmählich ausreifen, bevor sie stärkere Rechenleistung anbieten. Einer der Werte von Li Fei-Feis Eintritt bei AMD besteht darin, diese Reihenfolge umzukehren: Echte Modelllasten werden früh in den Entwurfsprozess von Chips, Software und Systemen integriert, und noch bevor die Hardware-Route vollständig festgelegt ist, teilt sie den Ingenieuren mit, wo genau die KI der nächsten Generation hakt.
Quelle: KI-generiert
Durch die Übernahme erhält AMD nicht nur Modelle und Produkte, sondern auch ein Forschungsteam, das kontinuierlich neue Rechenfragen aufwerfen kann. Li Fei-Feis Eintritt in das Kernmanagement schafft einen direkteren organisatorischen Kanal für diese Kommunikation.
Für Li Fei-Fei ist dies ebenfalls eine aktive Entscheidung.
In ihrem am 28. September veröffentlichten offenen Brief mit dem Titel „To Seek a Newer World“ erklärte sie: „Ohne gezielte Hardware-Investitionen werden Effizienz und Skalierbarkeit der KI begrenzt, und auch die Skalierbarkeit selbst. Für unsere Ziele würden wir zudem in der digitalen Welt eingeschlossen bleiben.“
Nach Abschluss der Übernahme bleiben die Mitbegründer von World Labs Justin Johnson, Ben Mildenhall und weitere Beteiligte im Unternehmen. Das Team wird als unabhängige Spitzenforschungsorganisation die Entwicklung grundlegender Modelle fortsetzen und gleichzeitig mit den Hardware-, Software- und Systemingenieuren von AMD zusammenarbeiten.
Was fehlt der KI im nächsten Schritt?
Li Fei-Fei wird oft als „Gottesmutter der KI“ bezeichnet.
Sie wurde 1976 in Peking geboren und wuchs in Chengdu auf. In ihrer Autobiografie *Die Welt, die ich gesehen habe: Die Memoiren von Li Fei-Fei* erinnert sie sich, dass sie 1992 im Alter von 15 Jahren mit ihrer Mutter in die USA zog und die Familie sich in New Jersey niederließ. Wegen der Sprachbarriere arbeiteten ihre Eltern zunächst in einer Reinigung und übernahmen später ihren eigenen Laden. Während der Schulzeit betreute Li Fei-Fei den Laden nach der Schule und arbeitete am Wochenende in einem chinesischen Restaurant. Nachdem sie mit einem Stipendium in die Physikfakultät der Princeton-Universität aufgenommen wurde, fuhr sie am Wochenende trotzdem mit dem Fernbus nach Hause, um zu helfen.
Im Jahr 2007 war die 31-jährige Li Fei-Fei bereits Assistenzprofessorin an der Princeton-Universität. Zu dieser Zeit konzentrierten sich die Forscher auf dem Gebiet des maschinellen Sehens hauptsächlich auf die Verbesserung von Algorithmen, während sie sich zunehmend für die Rolle von Daten interessierte.
Sie schrieb in ihrer Autobiografie: „Wenn die Daten zum Trainieren von Algorithmen die reale Welt nicht gut widerspiegeln, können selbst die besten Algorithmen ihre Aufgaben nicht gut erfüllen.“
Daher beschloss sie, eine ausreichend große Bilddatenbank aufzubauen. Diese Arbeit war personalintensiv und brachte keine sofortigen Erfolge in Form von wissenschaftlichen Arbeiten, weshalb sie zeitweise als undankbare Mühe galt. Mit Hilfe der Amazon-Crowdsourcing-Plattform organisierte Li Fei-Feis Team fast 50.000 Annotatoren aus 167 Ländern und annotierte schließlich rund 14 Millionen Bilder mit mehr als 22.000 Kategorien.
Im Jahr 2009 erhielt ImageNet auf der CVPR-Konferenz nur einen Posterplatz in einer Ecke, ohne mündlichen Vortrag, und nur wenige Besucher blieben stehen. Auch in den folgenden zwei Jahren erregten die zugehörigen Wettbewerbe keine große Aufmerksamkeit.
Der Wendepunkt kam im Jahr 2012. Das von Geoffrey Hintons Team auf GPU trainierte AlexNet senkte die Erkennungsfehlerrate im ImageNet-Wettbewerb auf 15,3 %, 10,8 Prozentpunkte niedriger als der Zweitplatzierte.
Die damals niemand übernehmen wollende „Handarbeit“ wurde zum Fundament der gesamten KI-Branche — in den folgenden zehn Jahren stützten sich fast alle Bilderkennungsmodelle auf diese Datensammlung. Im Zeitalter großer Modelle sind Umfang und Qualität der Daten nach wie vor eine der Grundvoraussetzungen für die Leistungsfähigkeit von Modellen, wobei sich die Datenform inzwischen von Bildern auf Text, Video und dreidimensionale Umgebungen ausgeweitet hat.
Li Fei-Feis Erwartungen an die KI beschränken sich nicht auf technische Kennzahlen.
In den Jahren, in denen die Arbeit an ImageNet die meiste Kraft kostete, lag Li Fei-Feis Mutter schwer krank im Krankenhaus. Sie kümmerte sich um sie und korrigierte gleichzeitig ihre wissenschaftlichen Arbeiten. Ihre Mutter fragte sie einmal: „Feifei, wofür machst du das alles?“
Diese Frage verschwand nicht mit dem Erfolg von ImageNet. Im Jahr 2017 trat Li Fei-Fei während ihres akademischen Urlaubs bei Google ein, übernahm die Position des Chefwissenschaftlers für KI bei Google Cloud und brachte ihre Forschung direkt in die Industrieebene vor. 2019 trieb sie die Gründung des Stanford Institute for Human-Centered Artificial Intelligence (HAI) voran, um die Beziehung zwischen KI, Menschen und Gesellschaft weiter zu erforschen.
Für sie gibt es neben der Frage, was Technik leisten kann, immer eine weitere Frage: Für wen soll sie geschaffen werden und wie wird sie Menschen beeinflussen? Je leistungsfähiger die KI wird, desto unumgänglicher ist diese Frage.
Zu dieser Zeit zogen große Sprachmodelle viel Aufmerksamkeit auf sich, während Li Fei-Fei ihre Forschungsrichtung schon früh auf räumliche Intelligenz ausrichtete. In ihrer Rede auf der TED2024 erklärte sie, dass räumliche Intelligenz Wahrnehmung und Handlung verbindet: Maschinen müssen nicht nur visuelle Informationen verarbeiten und Beziehungen im dreidimensionalen Raum verstehen, sondern darauf basierend auch Vorhersagen treffen und handeln.
Im April 2024 gründete Li Fei-Fei erneut ein Unternehmen und rief World Labs ins Leben.
Im September desselben Jahres schloss World Labs eine erste Finanzierungsrunde über 230 Millionen US-Dollar ab. Im November 2025 wurde das erste Produkt Marble vorgestellt, das durch Text oder Bilder erforschbare und bearbeitbare dreidimensionale Szenen generieren kann. Im Februar 2026 folgte eine Finanzierungsrunde über rund 1 Milliarde US-Dollar, an der sich sowohl Nvidia als auch AMD beteiligten.
Von ImageNet bis World Labs stellt sie immer wieder dieselbe Frage: Was fehlt der KI im nächsten Schritt?
Die Übernahme ist nur der Anfang
Nach ihrem Eintritt bei AMD stehen Li Fei-Fei konkretere und schwierigere Probleme bevor.
Sie soll nicht nur dafür sorgen, dass Atlas auf einem bestimmten Chip schneller läuft, sondern die Engpässe bei Modelltraining, Szenengenerierung, physischer Simulation und Rückmeldung durch echte Geräte im Vorfeld in Entwurfsanforderungen für die Rechenplattform umwandeln. Am 11. November enthüllte Lisa Su in einem Gespräch vor Ort auf der CoRL 2026, dass AMD bereits Forschungsgruppen für physische KI und Roboter hat, die gesamte Ausgestaltung befindet sich aber noch in einem frühen Stadium. Beide Seiten müssen in den nächsten Schritten Modelle, Simulationswerkzeuge, Chips und Robotersysteme miteinander verbinden.
Das am schwierigsten zu ergänzende Element sind nach wie vor Daten.
In einem offiziellen Forschungsartikel von World Labs wird erwähnt, dass Roboter für den Einsatz in der realen Welt eine große Menge an Datenerfassung und wiederholten Tests benötigen, wobei der Aufwand für menschliche Arbeit und die Kosten für Hardware-Fehlerversuche sehr hoch sind. Videos können zeigen, wie ein Becher bewegt wird und kollidiert, enthalten aber normalerweise keine Aktionsanweisungen, Kontaktkräfte und haptischen Rückmeldungen, die Roboter direkt nutzen können. Echte Roboter in der realen Welt wiederholt Fehler machen zu lassen, ist teuer, langsam und birgt teilweise auch Sicherheitsrisiken.
Die Simulation bietet einen möglichen Weg: Roboter üben wiederholt in virtuellen Umgebungen, bevor sie an echten Geräten validiert werden. Das senkt nicht nur einen Teil der Trainingskosten, sondern bietet auch die Chance, einige Probleme zu erkennen, bevor der Roboter in die reale Welt eintritt.
Quelle: KI-generiert
Aber dass eine Szene realistisch aussieht, bedeutet nicht,