苏姿丰与李飞飞CoRL首次同台：82亿美元收购后聊了什么

「在座的有谁缺算力？」

学术圈对算力的担忧刚被主持人 Peter Stone 抛上台面，AMD 董事长兼 CEO 苏姿丰一句反问就把话头接了过去。台下坐的全是做机器人学习的学生和教授，这些人恐怕是当天全球最缺算力的一群。

11 月 12 日下午，机器人学习顶会 CoRL 2026 在美国奥斯汀开到第三天。李飞飞刚结束一场关于苏姿丰的对谈，两人一同坐上了对话席。

https://www.youtube.com/watch?v=vzyHMAlvglU

往前推一个多月，9 月 28 日，AMD 宣布以约 82 亿美元的全股票交易收购李飞飞创办的 World Labs，李飞飞出任首席科学家。

主持人 Peter Stone 的身份不少：UT Austin 计算机科学系主任、Texas Robotics 创始主任、Sony AI 首席科学家，还是本届 CoRL 的大会主席之一。他开玩笑说，证明李飞飞是「超级明星」并不难——本届大会另一位主席朱玉是她带出来的博士，帮着把会议办起来的 Roberto Martín-Martín 则是她带过的博士后。

约半小时的对话里，三人从 AMD 的机器人布局聊起，一直谈到这是一个「文明级技术」带来的「文明级时刻」。

「数千亿美元」的机会

和一位懂负载的首席科学家

Peter Stone 一上来就问得直接：AMD 在机器人这块怎么打算？

苏姿丰的开场带点玩笑：「飞飞邀请我来蹭你们的派对。」随后她给出判断：物理 AI 是未来几年数千亿美元量级的机会。她的原话是：「我认为物理 AI。在我们看来，这是未来几年数千亿美元量级的机会。关键在于，你必须真正理解物理、模型以及整个环境。」

收购 World Labs 的理由，她归结为软硬件与系统协同优化的思路，这套理念放到机器人上一样成立。她判断，未来五到十年，这个领域会变得极其关键。

李飞飞是从两人的交情讲起的。她说自己认识苏姿丰快十年了，回头看 Lisa 这十年为……

紧接着，她亮出一个在后面被反复提起的看法：「AI 中建模与计算之间的关系已经发生了根本性的变化。现在走到世界各地，常有人问我 AI 到底是什么。我的回答是：AI 就是计算，计算就是 AI。」

在她眼里，各种方向都离不开软硬件的共同演进和协同设计。她还对台下的学生多说了几句：AI 不只是等着被攻克的难题，它也在变成做科研的工具。「我们正处在一个非常激动的团队科学时代」，World Labs 和 AMD 走到一起，就是这种团队科学的一次落地。

基础模型能不能「端到端」把机器人问题全解决掉？

Peter Stone 说，这届 CoRL 专门设了一个环节。

李飞飞的回答，开头就是一句「我们要在智识上保持诚实」。

她承认，前沿实验室交出的东西确实让人惊叹，本届大会上发布的成果也在其中。眼下的拐点才刚露头，没搞清楚的地方还很多。她把话锋转向机器人：这个领域里仍有大量问题，到现在也说不准根本解法是否已经找到。

她的预测很干脆：「明年的 CoRL 会非常不一样。」过去两周她一直在看……

https://huggingface.co/spaces/behavior-1k/2026-challenge-leaderboard

作为研究者，她坦言自己心里也绷着一根弦：「押注哪条路线，难免有些让人紧张。可这同样让人很兴奋，因为多个方向都在释放信号，我们有机会把那些潜在路径整合起来。」

苏姿丰则从落地场景出发：现实中的应用五花八门，需要的模型也得多种多样。她判断，有些场合前沿大模型能发挥得很好，「但我想也会有一些场景，更专用的模型在成本上更划算、在功耗上更高效，最终延迟也更低。」

「机器人会把算力推向下一个台阶」

讨论很自然地拐到了算力上。Peter Stone 提到，训练模型要吃掉海量算力；而机器人一旦真正部署，还得在严苛的功耗限制下实时完成感知、推理和行动。照这么说，机器人从根子上讲是不是个系统问题？

苏姿丰就是在这个节点上抛出开头那句「台下有谁需要算力吗」的。接着她给出了正经回答：「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。」

「我在计算行业干了 30 年，跟你们相比算是老一辈了。但说实话，没有哪个时候比现在更合适、更关键。算力在每个层级都是刚需：云端要训练超大模型，企业里要用，机器人变得这么重要，也离不开它。

她由此得出结论：模型会有不同尺寸，算力同样会有不同尺寸，「但从根本上说，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。」

李飞飞立刻接话补充，苏姿丰当场回应「我喜欢这个说法」。李飞飞说：「既然人在机器人会议，我想讲一句，而且不是因为我在 CoRL 才这么说，我是真心认为：机器人会把算力带到下一个高度。机器人进展一直比 LLM 慢，原因在于它很难，还得跟物理世界打交道。但眼下这个拐点是实打实的。斜率我没法精确预测，不过我们肯定在往上走，它会以各种形态大规模拉高算力需求，训练端之外，边缘端也一样。」

公共部门的「算力饥荒」

对台下的学生和教授来说，接下来的问题大概最贴己：研究者、创业公司和学生，怎样才能更轻松地做前沿机器人研究？

李飞飞先说了句「这个问题我交给 Lisa 回答」，可话锋很快一转，讲出了全场最刺耳的一段。她提到，自己和 Peter Stone 这些年一直在替公共部门争取算力，2019 年就与一些同行共同推动了

「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。」

在她看来，公共部门既涵盖高校研究者，也涵盖非营利机构。「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。我们还在为下一代发明者和劳动力培养学生。而现在，AI 领域的公共部门正处于严重的饥荒之中。我们必须解决这个问题，因为我们需要投资未来。」

李飞飞还把话头引向负责任的 AI：安全也好、安保也罢，公共部门都得在理解和评测 AI 这件事上挑大梁，把 AI 模型好的、坏的和丑陋的一面，向公众讲清楚，也向政府讲清楚。

话筒交给苏姿丰，她先打趣：「我觉得你们应该去问问 AMD 的首席科学家该怎么做。」随即亮明态度：「我百分之百同意飞飞说的。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。」

她补充说，刚才那个玩笑「并不完全是玩笑」。李飞飞以首席科学家身份加盟，她之所以这么高兴，是因为 AI 尽管进展神速，却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，我相信业内其他公司也一样，能帮助把这个承诺变成现实。」

那 AMD 到底有没有机器人团队？

现场

苏姿丰反问道：「你们是默认我们还没有吗？」

她接着说：「看来这件事知道的人不如应该的多。我们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。」从计算栈来看，AMD 已经向机器人领域提供了不少嵌入式组件，其中包括

苏姿丰说得明白：李飞飞在 AMD 的新角色，有一部分就是要把机器人研究做起来，同时把整个生态的合作关系经营好。「我坚信，到头来没有哪一家公司能包揽整个技术栈。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。」在她眼里，开放的生态、过硬的硬件、能在不同层级自由组合的软件，再加上各实验室分头探索，这些合在一起才是机器人提速的路子。

至于会不会真的组建团队，主持人先打了圆场：「我们不会追究你的答案。」苏姿丰笑着接话：「那我就说『会』，这很容易。」

AI 时代，读博还有没有必要？

Peter Stone 在会上被不少学生追问过同一个问题：读博还算不算做研究的正路？他把这个问题抛给李飞飞，还先打了招呼：「我可能不会喜欢你的答案。」

李飞飞接过话说，台上三个人其实都有点羡慕在场的学生——这么年轻就赶上了 AI 革命，而他们是长大以后才走进这个领域的。至于该不该读博、读博期间该做什么，她自己的看法也在变。她坦言，博士并不适合每一个人。AI 时代，学习工具和软件工程都变了，成为研究者、成为创新者、做出影响的路径比过去多。

不过她马上补了一句，这不是在否定读博。「我仍然觉得它很棒，我很喜欢读博的那段时间。」

那读博究竟图什么？李飞飞说，她始终相信博士是为好奇心而设的。那是人生黄金岁月里受保护程度最高的一段时光，可以去追最大胆、最有趣、也最希望有影响力的问题。

她接着说，AI 再先进，人类智能依然极其宝贵，甚至可能越来越稀缺。如今大量 token 在跟我们的脑电波抢注意力。可人类要建的文明，离不开人的智能，离不开大胆的好奇心。所以，心里若真有那团火，读博仍是好选择——前提是你得有信念，敢用最无畏的方式去啃问题。

苏姿丰讲了自己的故事。她当年其实不想读博，是父母劝她：「你还太小，继续读书吧。」结果那四年「真的是我人生中最好的四年」。

在她看来，关键不在你做的那个具体问题。问题会变，而且眼下变得特别快。真正重要的是，读博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，博士学位没人拿得走。你会一直知道，自己曾把一个问题上推到这一领域的最高水平。

Peter Stone 顺势提醒台下的自家学生：「请注意，Lisa 说的是最好的四年，不是六年或七年。」苏姿丰立刻接话：「没错，不能拖太久，四年就够了。」主持人跟着感叹，这话怕是要让在座不少博导心里一紧。

学生该研究什么？苏姿丰谈到了 AGI 之争。她说，从一些同行和业内人士那里听到，我们离 AGI 已经非常近，好像就差一分钟。「我并不相信。」在她看来，AI 的进步固然惊人，但表现如何，取决于把它用在什么问题、怎么引导。

「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』。」她建议，找一个自己足够感兴趣的问题，把直觉养起来，「这样工具怎么变都无所谓」。

她又说，这在产业界很难做到，因为产业界没耐心。大家都很急，想让产品更快推出，想让下一个模型更快发布。大学环境的不同之处，正在这里。

20 瓦的大脑，与数十亿年的进化

Peter Stone 随后抛出一个带点「尖锐」意味的研究方向。他指出，眼下 AI 总和数据中心绑定，背后是庞大的算力、电力与数据消耗；相比之下，人脑耗电少得多，学习所需的数据同样少得多。以更低的能耗拿到同等性能，在他眼里值得重点攻关——尽管这「可能和卖更多芯片的目标相冲突」。

苏姿丰没有绕开这个问题：「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。」她承认今天存在大型数据中心，也提到「到头来我们需要无处不在的算力」，低功耗、高效率、长寿命、低延迟，每一项都得优化。

李飞飞则从另一面提醒，这两件事得分清楚讲：「我们得留个心眼，别拿大脑那 20 瓦去跟训练模型要烧掉的巨量能耗比。进化这条路代价很高。我们的大脑是几十亿年进化攒出来的，整个动物界为这件事一共花了多少能量，我到现在也不知道该怎么算。」

在她看来，脑科学归脑科学，理解大脑、复现大脑、治疗脑疾病都重要；AI 却是另一门科学，未必要照着大脑复制，「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

对话接近尾声时，Peter Stone 念出了一个

李飞飞略作思索：「我觉得湾区更宜居，我爱那里的气候。」紧接着又补上一句「但我也爱

到了最后的寄语环节，李飞飞对学生们说，这是很多人最动荡的阶段：自己正处在求学的变化里，所在领域在变，整个文明也在被一项文明级技术推着变。

「我想请所有学生，在这个变动的时代里去盯住那些不变的东西。就像 Lisa 讲的，人生拉得很长，许多事都会变，问题会变，挑战会变，机会也会变。可你能不能活成自己想要的样子，很大程度上不看这些变化，看的是那些不变的部分。拿我自己来说，这段路教给我的不变之物是：好奇心、正直，还有追求真理、探寻真理的那股无畏劲儿——在智识上敢冒险，同时守得住诚实。」

苏姿丰给学生的建议则是「非常有野心、非常乐观」，理由是他们赶上了最好的时代。她回忆起自己在 IBM 当年轻工程师的日子：入职大约两年时，有人问她以后想成为什么样的人。她说 IBM 有两条路，其中一条被称作 永远朝着最难的问题跑过去。

「那句话当时我并没有真懂，可这些年它一直搁在我心里，也是我如今会讲给别人听的建议。工程师也好，科学家、研究者也好，我们干的活就是解决问题——解决那些很有意思、很要紧、很让人兴奋的问题。快乐从这儿来，成功从这儿来，世界也靠这个往前走。所以不管做什么，挑最难的问题去做，并且相信自己能撬动很大的改变。」

写在最后

这半小时对话，外界不妨当作一次信号来看。有三处细节值得留意。

其一，AMD买下World Labs，骨子里的考虑是「造芯片的人得比谁都更早摸清负载长什么样」。苏姿丰在台上讲得最多的，就是对工作负载的理解、软硬件如何配合，这跟她宣布这笔交易时的说法对得上。李飞飞在交易公布时也写过，AI缺少专注的硬件投入，效率和规模都会被卡住。

其二，两位都没有把宝押在单一范式上。李飞飞也承认

其三，台下听众最惦记的还是算力。苏姿丰说得很明确，会拨出一部分算力供长期研究和高校使用，可规模和落地时间都没提。眼下需求远大于供给，这个承诺能落实几分，等李飞飞正式到任后还得接着看。为公共部门争算力，李飞飞呼吁了多年，现在她总算进了一家算力供应商的决策层。

Peter Stone抛出的那个问题——省电和卖芯片可能打架——台上始终没给正面回答。李飞飞那句话倒勉强算个回应：机器人会把算力需求推到下一级。倘若这个判断站得住，那不管是更省电还是更强悍，到头来都指向一点：算力要得更多，也要得更杂。