李飞飞加入AMD后首谈：机器人将引爆算力新需求

当算力焦虑遇上芯片巨头

11月12日下午，美国奥斯汀，机器人学习顶会 CoRL 2026 进入第三天。会场里坐满了做机器人研究的学生和教授，这群人大概是当下全球最缺 GPU 的群体之一。

主持人 Peter Stone 刚把学术界的算力焦虑摆上台面，AMD 董事长兼 CEO 苏姿丰（Lisa Su）就用一句反问接过了话茬：「台下有谁需要算力吗？」

随后，她与刚刚完成主旨演讲的李飞飞一同坐上对谈席。就在一个多月前，AMD 宣布以约 82 亿美元全股票交易收购李飞飞创办的 World Labs。交易预计年底前完成，李飞飞将出任 AMD 执行副总裁兼首席科学家，直接向苏姿丰汇报。

这场对谈没有太多客套。Peter Stone 打趣说，证明李飞飞是「超级明星」很容易：本届大会另一位主席朱玉可是她的博士，帮忙办会的 Roberto Martín-Martín 是她的博士后。而在约半小时的交流中，三人从 AMD 的机器人布局聊到基础模型的边界，再到 AI 时代的求学之路。

数千亿美元的机会与「负载」理解

Peter Stone 的第一个问题很直接：AMD 在机器人和物理 AI 上看到的机会是什么？World Labs 在这盘棋里处于什么位置？

苏姿丰的回答非常务实。她认为物理 AI，尤其是机器人，是一个未来几年内达到数千亿美元量级的巨大机会。关键在于，必须真正理解物理、模型以及整个环境。

她把收购 World Labs 的逻辑归结为对「工作负载」的理解。「在我们这个行业，优化硬件要花很多年。你对工作负载理解得越深，对技术走向看得越清楚，就越能做好。」苏姿丰表示，硬件、软件、系统协同优化的理念，在机器人领域同样适用。

李飞飞则从两人的私交切入。她提到自己与苏姿丰相识近十年，见证了后者为 AMD 乃至整个计算世界带来的变化。在她看来，AI 中建模与计算的关系已发生根本性变化。「AI 就是计算，计算就是 AI。」

李飞飞指出，无论是世界模型还是语言模型，各类多模态模型正在走向融合，这需要硬件与软件的协同演化。她对台下的学生补充道，AI 不仅是待攻克的问题，也正在变成做科学的工具。「我们正处在一个非常激动人心的团队科学时代。」

基础模型能否「端到端」解决机器人问题？

随着 LLM 和视频生成模型在机器人领域的应用增多，一个核心争议浮现：未来驱动机器人的，会是分层、分模块的系统，还是基础模型端到端一路走到底？

李飞飞的回答保持了研究者特有的谨慎。「我们要在智识上保持诚实。」她说，虽然前沿实验室的成果令人惊叹，但我们仍处在看到拐点的早期阶段，大量问题尚未找到根本解法。

她预测明年的 CoRL 将会非常不一样，变化的速度令人难以置信。作为研究者，她坦承自己也处于一种紧绷状态：押注哪个方向都让人神经紧张，但也正因如此，从多个方向看到的信号才更令人兴奋。

苏姿丰从产业视角提供了补充。她认为在很多垂直应用里，并不存在唯一的模型或方向。「面对现实中的各类应用，你需要非常多样的模型。」有些场景前沿大模型表现优异，但在其他场景，更专用的模型可能在成本、功耗和延迟上更具优势。

机器人将把算力推向新台阶

话题自然转向了算力。Peter Stone 指出，训练模型需要海量算力，而机器人部署又要在严苛功耗约束下实时完成感知、推理和行动。这本质上是一个系统问题。

苏姿丰在此刻抛出了那句著名的反问，随后认真作答：「算力是基础。以我们今天所处的位置来看，它在很多方面确实等同于智能。」

她在计算领域深耕 30 年，直言从未有哪个时刻比现在更重要。「我们在每一个层级都需要算力：在云端训练超大模型，在企业里，在机器人变得如此重要的边缘环境里，还有我们身处的物理环境里。」她的结论是，这是一个解决方案问题：硬件、软件、系统一起优化，以尽可能高效的方式解决问题。

李飞飞紧接着补了一句，让苏姿丰当场回应「我喜欢这个说法」：「机器人会把算力推向下一个台阶。」

李飞飞解释，机器人的进展一直落后于 LLM，因为它是个难题，还要和物理世界打交道。但现在看到的拐点是真实的。「它会以各种形态大规模拉动算力需求，不只在训练端，也在边缘端。」

公共部门的「算力饥荒」

对于台下的学生和教授而言，最切身的问题莫过于：怎样才能让研究者、创业公司和学生更容易做前沿机器人研究？

李飞飞先是将问题抛给苏姿丰，随即话锋一转，说出了全场最尖锐的一段话。她提到，自己和 Peter Stone 多年来一直在为公共部门争取算力，早在 2019 年就推动了 NAIRR（国家人工智能研究资源）法案。

「我就直说了：没能给公共部门提供足够的资源，是 AI 历史上最重要的时刻里最大的失误之一。」

她解释说，公共部门包括大学研究者和非营利机构，这是创新的第一阶段。「这个国家的创新引擎，始于公共部门那些天马行空、由好奇心驱动的研究。而现在，AI 领域的公共部门正处于严重的饥荒之中。」

她还把这件事与负责任的 AI 联系起来：「无论是安全还是安保，公共部门都必须在理解和评测 AI 上发挥关键作用，向公众、也向政府说清楚这些 AI 模型好的、坏的和丑陋的一面。」

苏姿丰对此表示百分之百同意。「我们正在建设数量惊人的算力，可以说是很多个吉瓦。坦白讲，现在需求远远超过供给。但拿出其中一部分专门用于长期研究、用于大学，确保下一代创新者真正用得上算力，这绝对是我们作为行业领导者的职责之一。」

她坦言，自己如此高兴李飞飞加入，正是因为 AI 仍处在非常早期的阶段。「机器人是我认为我们已经很接近、但还没有真正展示出回报的领域之一。我希望 AMD 能帮助把这个承诺变成现实。」

AMD 的机器人团队与生态策略

现场 Slido 上得票最高的问题是：AMD 会不会组建一支机器人团队？

苏姿丰反问：「你们是默认我们还没有吗？」

她透露，AMD 其实有一支规模相当不错的物理 AI 暨机器人研究团队，虽然还处于非常早期的阶段。从计算栈角度看，AMD 已提供许多进入机器人的嵌入式组件，包括 FPGA、嵌入式处理器和 AI 引擎，今天工业场景里的很多机器人就由它们控制。

但面对在座研究者正在做的那类机器人，她认为还处在早期阶段。李飞飞的新角色，有一部分就是要大力投入机器人研究，并经营整个生态的合作关系。

「我坚信，到头来没有哪一家公司能包揽整个技术栈。」苏姿丰表示，这就是为什么今天创业公司在做那么多事情。有产业实验室，有大学，也有大公司，你要的是集各家之所长。开放的生态、强大的硬件、能在不同层级组合的软件，加上不同实验室各做各的事，才是加速机器人发展的方式。

至于会不会组建团队，主持人说「我们不会追究你的答案」，苏姿丰笑着回答：「那我就说『会』，这很容易。」

AI 时代，还要不要读博？

很多学生在会上问过 Peter Stone 同一个问题：读博还是不是通往研究的正确道路？

李飞飞的回答有些出人意料。「我不认为博士适合所有人。」她说，尤其在这个 AI 时代，学习工具和软件工程都发生了巨大变化，成为研究者、成为创新者、产生影响的路径比以前多了。

但她紧接着强调，这并不意味着排斥读博。「那博士到底是为了什么？我依然从根本上相信，博士是为好奇心而存在的。这是你人生黄金年华里最受保护的一段时间，你可以去追逐最大胆、最好奇、最有趣、也希望是最有影响力的问题。」

「无论 AI 多么先进，人类智能依然无比珍贵，甚至可能正变得越来越稀缺。现在有大量 token 在和我们的脑电波竞争。但我们正在建设的文明需要人类智能，需要我们大胆的好奇心。」

苏姿丰分享了自己的经历。她说当年其实并不想读博，是父母劝她「你还太小，继续读书吧」，结果那「真的是我人生中最好的四年」。

「重要的不是你具体做的那个问题。具体问题会变，而且今天变得非常快。重要的是，它给了你成为领域顶尖之一的机会，因为你有探索的自由。人生很长，没人能拿走你的博士学位。你会永远知道，自己曾把一个问题解决到了这个领域的最高水平。」

Peter Stone 趁机提醒台下自己的学生：「请注意，Lisa 说的是最好的四年，不是六年或七年。」苏姿丰立刻附和：「没错，不能拖太久，四年就够了。」

至于学生该研究什么，苏姿丰谈到了 AGI 之争。「我从一些同行和业内人士那里听到，我们离 AGI 已经非常近了，好像就差一分钟。我并不相信。」她认为，AI 的进步固然惊人，但它的表现取决于我们把它用在什么问题上、如何引导它。

「把 AI 当成工具，你当然要用最好的工具。但说到底，你仍然拥有自己的专业积累，也就是直觉。招人的时候，你能分辨出谁对自己的领域有真正的直觉，谁只是所谓的『书本聪明』，放在今天，也可以叫『AI 聪明』。」

20 瓦的大脑与数十亿年的进化

Peter Stone 接着提出了一个颇为「尖锐」的研究方向。他说，当下的 AI 常常和数据中心联系在一起，意味着大量算力、大量电力和大量数据，可人脑用的电少得多，学习所需的数据也少得多。用更少的能耗取得同等性能，在他看来是一个重要的研究方向，尽管这「可能和卖更多芯片的目标相冲突」。

苏姿丰并不回避：「这绝对非常重要。计算没有一刀切的尺寸，物理世界也不是只有一种尺寸。」她承认今天有大型数据中心，有 scaling law，但「到头来我们需要无处不在的算力」，功耗更低、效率更高、寿命更长、延迟更低，这些都必须优化。

李飞飞则提醒大家不要把两件事混为一谈：「我们要小心，别把大脑里的 20 瓦和训练模型所需的巨大能耗相提并论。进化是昂贵的。我们的大脑是数十亿年进化的结果，我还不知道该怎么计算整个动物界为此集体消耗的能量。」

她认为，脑科学是一门科学，理解大脑、复现大脑、治疗脑疾病都很重要；但 AI 也是一门科学，它不必只是复制大脑，「因为我们想解决的计算问题，从写代码到生成仿真再到赋能机器人，在某些方面已经超越了人类的能力。这是两个正交的问题。」

不变的价值与最难的问题

临近结束，Peter Stone 念出了一个 Slido 上的「刁钻」问题：两人正处在「蜜月期」，有没有什么彼此意见不合的地方？

李飞飞想了想：「我觉得湾区更宜居，我爱那里的气候。」随后又补了一句「但我也爱奥斯汀」。两人最终的结论是，她们还没吵过第一架。

在最后的寄语环节，李飞飞说，对很多学生来说，这是最动荡的时候：个人处在学生阶段的变化之中，所在的领域在变，整个文明也在经历一场由文明级技术带来的变化。

「我想邀请所有学生，在变化的时代里去看那些永恒的价值。就像 Lisa 说的，人生很长，很多东西都会变，问题会变，挑战会变，机会也会变。但你能否过上自己想要的人生，很大程度上不取决于那些变化，而取决于那些不变的东西。对我个人而言，这段旅程教给我的永恒价值是：好奇心、正直，以及追求真理、探寻真理的无畏，在智识上既要敢于冒险，也要保持诚实。」

苏姿丰则鼓励学生「非常有野心、非常乐观」，因为他们身处最好的时代。她讲了一个自己在 IBM 做年轻工程师时的故事。那时她入职大概两年，有人问她将来想成为什么样的人。她说 IBM 有两条路，一是被称为 IBM Fellow 的深度研究岗位，一是 IBM 副总裁。「我当时心想，我大概没聪明到能当 IBM Fellow，但或许可以当个副总裁，于是我决定朝那个方向走。」对方给她的建议是：永远朝着最难的问题跑过去。

「当时我并不真正理解这句话的意思，但这么多年来它一直留在我心里，这也是我会给别人的建议。作为工程师、科学家、研究者，我们的工作就是解决问题，解决非常有趣、非常重要、非常激动人心的问题。我们从中获得快乐，获得成功，也借此推动世界向前。所以，无论做什么，都去做最难的问题，并且相信自己能带来巨大的改变。」

信号与展望

如果把这半小时的对谈当作一次信号释放，至少有三点值得留意。

第一，AMD 收购 World Labs 的核心逻辑是「做芯片的人必须更早看懂负载」。苏姿丰在台上反复强调对工作负载的理解与软硬协同，这与她在宣布交易时的表态一脉相承；李飞飞在宣布交易时也发文指出，AI 若没有专注的硬件投入，效率和规模都会受到掣肘。世界模型和机器人恰恰是负载形态最不确定、对端侧算力要求最苛刻的方向之一。

第二，两位嘉宾都没有押注单一范式。李飞飞承认 VLM/LLM 驱动的机器人会越来越重要，但也说得很清楚，物理 AI 的不少基础问题还没有根本解法；苏姿丰则更直白地认为，大模型和专用小模型会长期并存。「模型有多少种尺寸，算力就有多少种尺寸」，这个判断对一家产品线从数据中心一直覆盖到 FPGA 和嵌入式处理器的公司来说，显然是有利的叙事。

第三，也是在场听众最关心的一点：苏姿丰明确表示会拿出一部分算力支持长期研究和大学，但没有给出规模和时间表。在需求远超供给的当下，这个承诺能兑现多少，值得在李飞飞正式上任后继续观察。毕竟，在为公共部门争取算力这件事上，李飞飞已经呼吁了很多年，如今她终于站到了一家算力供应商的决策层里。

Peter Stone 那个「省电可能和卖芯片相冲突」的问题，台上并没有给出真正的答案。不过李飞飞那句话或许可以作为一种回应：机器人会把算力推向下一个台阶。如果这个判断成立，那么无论更省电还是更强大，最终都意味着需要更多、更多样的算力。