李飞飞苏姿丰CoRL同台:AMD千亿级机遇与公共算力缺口
一场横跨科研、经济、AI、社会话题、算力未来的女性对话。

2026年11月,奥斯汀,CoRL 2026的台下坐满了机器人领域的研究者。
台上摆着三把椅子,坐着两位嘉宾:左边是即将出任AMD首席科学家的李飞飞,右边是AMD CEO苏姿丰。AMD收购World Labs的消息传出后,这是两人头一回公开同台;李飞飞也是以“AMD首席科学家”的身份,第一次站到整个机器人学术社区面前。
客套话没说太久。李飞飞很快把话题带到敏感处:公共部门缺算力,是“这个历史最重要时刻最大的失误之一”。大学和非营利机构拿不到卡,下一代研究者靠什么训练?由好奇心驱动、冲着蓝天去的研究又该怎么做?她转头问苏姿丰:AMD正在建“以吉瓦计”的算力,学术界能不能真分到一杯羹?
苏姿丰的回应是:“把一部分专门留给长期研究、留给大学,绝对是我们工作的一部分。”不过她也划了边界:机器人不是靠一个端到端大模型就能啃下来的,将来需要“各种形态、各种规模”的算力,硬件、软件、系统得协同优化。
这场对话涉及的不止这些。机器人会不会被基础模型一口吃掉?AGI真的只差“一分钟”了吗?在一个连PhD都要被AI重新定义的时代,做学术还有没有意义?
以下是AI科技评论带来的完整对话实录。

图中从左往右依次是李飞飞、苏姿丰(Lisa Su)和主持人Peter Stone

01
物理 AI 能带来多大机会:数千亿美元量级
Peter Stone:谢谢二位,Lisa、Fei-Fei,来到CoRL。演讲很精彩,那段视频(Atlas最新成果)我们明天都等着看,大家现在都坐不住了。接下来大约半小时,问题从Slido(现场提问平台)上取,我也会掺一些事先准备好的。
Lisa、Fei-Fei,你们现在和机器人学习社区同台。AMD收购World Labs的事(正在进行中)我们已经听说了,Fei-Fei刚才也讲了世界模型和前方的巨大机会。Lisa,我先问你:AMD一直从数据中心到边缘和嵌入式系统,在整个AI栈上投资。
Peter Stone:放眼机器人和物理AI,你觉得AMD最大的机会在哪?World Labs又怎么融入这个更大的战略?
苏姿丰:谢谢Peter,也谢谢大家让我来。Fei-Fei邀请我来“蹭会”,希望没关系。欢迎大家来到奥斯汀。
要我说,AI 现在这个阶段太让人兴奋了。回头看我们已经走完的路,其实还只是可能性的很早期阶段(very early innings)。物理 AI,特别是机器人,机会大得惊人——对我们而言,未来几年就是数千亿美元级别的盘子。前提是你得把物理、模型和整个环境真正吃透。所以 Fei-Fei 和 World Labs 团队能加入 AMD,我们特别高兴。
苏姿丰:她不光是超级明星——咱能不能干脆就说她是超级明星?(全场笑)在这个行当里,硬件优化得做好多年,你对负载摸得越透、越清楚它往哪儿走,结果就越好。我老讲的硬件、软件、系统协同优化,搁到机器人上格外成立。未来 5 到 10 年,这块会极其关键。还有更要紧的一层:对 AMD 整个生态来说,我们很想把 AMD 的开放生态铺到在座整个机器人社区里去。谢谢大家给我这几分钟。
Peter Stone:太好了。她是超级明星这点我们都看得出来,她是Yuke和Roberto的博士和博后导师,正是他们帮忙促成了这届大会,除此之外她还有很多成功的学生。
Fei-Fei,换你。从你的角度看,加入AMD会怎样扩展World Labs能做的事?你刚阐述了世界模型的愿景,这个结合让你们接下来能构建什么?对机器人社区意味着什么?
李飞飞:首先,来到奥斯汀太好了。我在台下跟朋友说,我知道我以后会常来奥斯汀。
我跟 Lisa 认识好多年了,说到超级明星,我俩大概是十年前结识的。这十年她为 AMD、为计算世界干了多少事,再走到眼下这个 AI 时代,想想真让人叹为观止。建模和计算之间的关系,在 AI 里已经发生了根本性的变化。
如今我满世界跑,普通人——不是座各位——会问我:AI 到底是个啥?我答:AI 就是计算,计算就是 AI。世界模型也好,语言模型也罢,说实话,单模态和多模态模型正在大量走向融合。就像 Lisa 讲的,这就要求硬件和软件协同设计、协同演化。这个机会太有意思了。
我还想跟台下的博士生、硕士生、本科生说几句:搞科学的路子也在变。AI 不光是一个等着解决的问题,它还是工具。我们正处在“团队科学”(team science)让人兴奋的年代。把 World Labs 的本事和 AMD 的本事合到一块儿,用团队科学的办法推着计算和 AI 往前走,这对谁来说都够激动人心。

02
机器人到底靠什么驱动:
端到端,还是分层组合
Peter Stone:确实是缠在一起的。机器人也在变,什么都在变。我在台下跟二位聊过:这次我们设了个“最新突破论文”(late-breaking papers)专场,反差特别明显——六个月前投到会上的,和一个月前投的,就这么短的时间,技术已经完全不是一回事了。
这个问题交给两位。LLM基础模型用在机器人上,效果已经不错,最近一批新模型也相当惊艳;视频生成模型同样被搬到了机器人上。那未来机器人靠什么驱动?还是分层组件各管一段,还是基础模型端到端,把机器人问题一口气全包了?
李飞飞:这件事得诚实地面对(intellectually honest)。前沿实验室拿出的结果,包括这次会议上公布的一些,确实令人叹为观止。我们正处在转折点的早期,很多事还有待探索。VLM/LLM驱动的机器人,角色会越来越重。
但系统性问题,我不认为已经解决。机器人、物理AI里还堆着不少问题,有没有根本性的解法,并不清楚。所以变化还会继续,明年的CoRL会非常不一样。
过去两周我们一直在审BEHAVIOR挑战赛的结果,变化的速度让人叫好,而我不认为已经看到尽头。作为研究者,我个人是踮着脚尖的:该押哪个方向,多少有点让人神经紧绷;同时也无比兴奋,因为现在从多个方向都看到了信号,还有机会把这些潜在方法组合起来。
苏姿丰:我只补一点:很多垂直应用里,我们看到的趋势是,不会只有一个模型,也不会只有一个方向。现实中的应用各式各样,你实际需要的是一组非常广泛的用例和不同类型的模型。前沿LLM会在一些地方表现很好,但我设想,另一些地方更专门的模型会更省成本、更省功耗,最终对很多应用还有更好的延迟。

03
算力饥饿:公共部门缺卡,
是“这个时代最大的失误”
Peter Stone:很好。至少机器人确实是拉动芯片、计算和token需求的因素之一。在座很多学生和学者,出于Fei-Fei刚说的原因,对算力极度渴望。AMD怎么看机器人所需的芯片与算力?训练模型要巨大的算力;机器人一旦部署,还要实时感知、推理、行动,功耗约束往往还很严苛。那是不是意味着,机器人本质上是个系统问题?你们怎么把计算、内存、软件和整个系统放在一起设计?
苏姿丰:我能说的最好的一句话是:在座有人需要算力吗?(全场笑)
眼下的局面是:算力就是根基,很多时候它本身就等于智能。各种规模的算力都缺不了,这也正是让我觉得带劲的地方。我在计算这一行干了30年,跟各位比起来算得上老资格了。可事实摆在眼前:时机从没像现在这么好,分量也从没像现在这么重。
算力得铺到每一层:云端要用来训练那些超大模型;企业和边缘侧也要,机器人在这儿的分量越来越重;再往外还有物理世界。我的看法是,模型会有各种规模,算力同样得有多种规模。说到底这是个解决方案的事——把硬件、软件、系统凑到一块儿优化,用尽量高的效率把问题解决掉。
李飞飞:我很喜欢这个说法。看机器人的进展:它过去慢,是因为它难,也因为它连接物理世界。但我们现在看到的拐点是真实的。斜率会是多少,我没有确切预测,但我们肯定处在上升趋势中。这会极大地驱动各种形态的算力需求,不只是训练端。
Peter Stone:边缘端也算在内。我想再追问一下Fei-Fei。你看这个问题的角度很少见,是复合的:教授、在学术界为算力资源奔走的人、拿到融资的初创公司创始人,马上还要出任AMD首席科学家。我们之前说过,挑战之一就是拿到做前沿研究所需的算力。你觉得要发生什么,才能让先进的机器人开发对研究者、初创公司和学生都更容易够得着?像AMD这样的公司能起什么作用?
李飞飞:Peter,你和我一直是推动公共部门获得算力的同事和伙伴。早在那几年,我们很多人推动过NAIRR,国家AI研究资源法案(National AI Research Resource)。
我就把话直说了:没有给公共部门配足资源,是这个历史上最重要时刻里最大的失误之一。
换个说法,公共部门必须拿到资源,大学里的研究者、非营利机构都算,因为创新第一阶段就在这里。这个国家的创新引擎,起点就是公共部门里那种蓝天式的、好奇心驱动的研究。我们同时也在培养学生,他们是下一代的发明者和劳动力。可如今在AI领域,公共部门的算力“饥饿”相当严重。
这个问题我认为非解决不可,它是对未来的投资。负责任AI的需求也摆在眼前,不管是谈安全还是安保,公共部门都得挑大梁:理解AI的行为、给它立基准,向公众讲清楚,向政府说明这些模型好在哪、坏在哪、难看在哪儿。所以公共部门绝对关键。没错,算力我们需要更多。
Peter Stone:我完全同意,显然全场也同意。Lisa,AMD能在这方面扮演什么角色,帮助它发生?
苏姿丰:我有个很好的主意,你们应该去问AMD的首席科学家。(全场笑)
先说一句,她讲的我都同意,100%。机会在哪儿?我们正在建规模巨大的算力,论吉瓦算。说实话,需求确实远远超过供给。但从中划出一块专门留给长期研究、留给大学,让下一代创新者真的能用上算力,这绝对是我们该做的事,也是行业领导者的责任。跟这个社区打交道的过程中,我们很希望把这件事落实下去。
刚才那话不全是玩笑——我这么起劲地请Fei-Fei来当科学家,是有原因的。AI走了很远,LLM也做到了这个地步,可我们还是处在很早期。现在的问题变成了:怎么保证这些技术真的让世界变好?机器人就是我认为我们“离得近、但回报还没真正拿出来”的领域之一。我很愿意帮这个承诺落地,我相信业界其他人也有同样的劲头。

04
AMD的机器人团队:
没有哪家公司能独做一切
Peter Stone:这个态度我们很欢迎。下面看Slido上几个高赞提问。不少人都想知道:AMD会建机器人团队吗?我们先假设AMD还没有。不过看样子,这事可能没外界想的那么鲜为人知?
苏姿丰:其实我们早就有一支物理AI与机器人方向的研究队伍,规模还不小,只是仍处在很早期的阶段。看看计算栈里将来要进入机器人的那些环节:嵌入式组件我们有很多,FPGA、嵌入式处理器、AI引擎,眼下不少机器人就靠它们控制,工业场景里能看到的就是这类。
不过各位手头正在做的事情,我觉得还非常早期。这也正是Fei-Fei在AMD新岗位上要承担的重头戏:往机器人研究里大幅投入,同时把整个生态的关系做起来。我始终认为没有哪家公司能单干。说到底,今天初创公司之所以做了这么多,原因就在这儿。你有工业实验室,有大学,也有大公司,真正要的是把各方的长处凑到一起。在这样一个世界里,开放的生态、过硬的硬件、能在不同层面汇合的软件、不同实验室各做各的,我觉得这就是把机器人发展的速度和节奏提上去的办法。

05
读博还有没有必要:PhD 图的是好奇心
Peter Stone:下一个问题。在座很多人正站在职业生涯的起点:作为博士生,哪些问题最重要、最有趣?反过来说,哪些问题你们会建议别碰、别拿来当毕业论文题目?这两方面我都想听。另外,这次大会上不少人问我,我想大家也会关心:未来几年,PhD的角色是什么?它还是通往研究的正确路径吗?
李飞飞:Peter和我在台下聊过几句。这是个变革的年代。我不装:台上我们三个人,都有点羡慕你们大多数人,你们多年轻,你们是生在AI革命里的人,而我们是以成年人的身份走进这场革命的。
要不要读博、读博期间做什么,我自己的答案在变,我跟你们说实话。我不认为PhD适合所有人,尤其在AI时代:学习工具和软件工程变化这么大,成为研究者、创新者、产生影响的路,已经不止一条。这不是说读博不行,读博依然很好,我热爱它,我相信Peter和Lisa也热爱。但路多了,你得审视自己的内心(soul-searching)。
那读PhD到底图什么?我心底里还是认一个答案:为了好奇心。那段日子是你人生黄金期里受保护最周全的一段时间,可以放手去追那些最大胆、最古怪、也最盼着能做出影响的问题。
有一点我从来没动摇过:AI再先进,人类智能照样金贵,甚至可能越来越稀缺——但金贵是肯定的。眼下确实有海量token在跟我们的脑电波抢地盘,可我觉得,我们正在建的文明离不开人类智能,离不开那种不怕天高地厚的好奇心。所以,对心里烧着一团火、憋着一股好奇的人,我确实觉得PhD仍是条好路,前提是你得有那份信念,敢用最无畏的方式去追问题。
Peter Stone:我觉得这真是个很好的回答。
苏姿丰:我换个角度说。当年读博的时候,我真没觉得自己想要那个学位。我爸妈讲:“哎呀,你能干嘛呀?你还太小了,留在学校吧。”(全场笑)
结果那真真切切是我人生最好的四年,原因正是她刚说的那点:关键不在你做的那个具体题目。题目会变,今天变得尤其快。关键在于你有了机会,真正成为某个领域里最好的、或者最好的人之一,因为你有本事去探。
所以我的看法是,只要有机会,读博是件很美的事。人生那么长,博士学位谁也拿不走。你会一直揣着那份认知:你曾经咬住一个问题,一路解到了领域的顶端。

06
AGI 真就差一分钟?
研究什么,怎么研究
苏姿丰:你问“大家该研究什么”,这事我态度很鲜明。眼下围绕AGI有一整场争论:我们离AGI到底多近?有时候听同行和业界的人讲:“太近了,就差一分钟。”我其实不信。
为什么?看看我们在AI上的进展,确实惊人。可它能好到什么程度,取决于我们给它出什么题、怎么带它。所以,把AI当工具用,当然要用世上最好的工具;但说到底,你还是靠自己那点专业知识、自己那点直觉吃饭。
我常讲,招人的时候你分得出来,谁对自己这行有真直觉,谁只是死读书,或者搁在这个年代,只是会用AI耍小聪明。你得找到自己足够上心的问题,把那种直觉养出来,这样工具怎么换都不打紧,因为你对自己这行吃得透。这能让你一直把领域往前推,而业界很难做到这点,因为业界没耐心。我是说,我们都没耐心。我们盼着产品早点上市,盼着下一个模型早点出来。大学环境的不同就在这儿。对,我这是在替你们说话。是的,我只是换个说法告诉在座的学生:注意,Lisa刚才说的是她人生中最棒的四年,她可没说六年或七年。
Peter Stone:好……刚才讲得很好。其实我想追问你,飞飞。你说过人类智能依然非常特别、让人振奋。有时候别人问我这个问题,我有个回答是:现在AI很多方面跟数据中心绑在一起,意味着大量算力、大量能源、大量数据。但我常讲,人脑耗的功率少得多,从少得多的数据里学东西。所以眼下AI模型的训练方式,跟我们已经知道可能做到的样子之间,还差着点什么。所以我经常答,试着用更少的资源,同样的性能但更低的功耗,把这事做成,我认为这是个重要的研究方向,虽说这大概跟多卖芯片的目标相冲突。不过我想听听你们俩怎么看,这该不该算进今天学生的研究议程里。
苏姿丰:这绝对很要紧。回到刚才的话,计算没有一刀切。物理世界不是单一尺寸的,对吧?它各是各的。而具备这种能力——这就是为什么我觉得我们还处在非常早期的阶段,因为你说得对,有这些大型数据中心,有这些规模定律。但说到底,计算会无处不在,而且要求更强的性能、更高的效率、更长的寿命、更低的延迟,这些全得优化。
李飞飞还提醒,别把人脑那20瓦的功耗,直接拿去和训练模型耗费的巨大能量做对比。进化本身代价高昂,我们的大脑是数十亿年演化的产物,整个动物界为此消耗了多少能量,她表示自己还不知道怎么算。这两件事不该混为一谈。
她同时强调,脑科学是一门科学,理解大脑、记录大脑、复制大脑,有助于解决脑部疾病。AI科学同样是一门科学,未必只以复制大脑为目标——从写代码到生成模拟再到赋能机器人,那些要解决的计算问题,有些方面已经超出人类能力。

07
话题转到了分歧、焦虑与临别赠言:去解最难的问题
Peter Stone说时间快到了。Slido上有个问题一个赞都没拿到,他还是想试试。他先打了预防针:两位还在蜜月期,这问题可能有点冒犯——你们之间有分歧吗?有没有什么是你们……
李飞飞接话:气候。不过她也爱奥斯汀。玩笑开完,她认真答:看得出来还没发现分歧,两人没吵过,第一架还没来。
Peter Stone随后给两人各一次总结发言的机会。他说从提问能看出来,今天的学生对AI又焦虑又兴奋。换成你们站在他们的位置,会怎么看当下?想给在座的人留下什么临别赠言?
李飞飞说,对很多学生来说,现在是最动荡的时代,因为这是个变革的时代。你知道人生要变,因为你还在求学,而你所在的领域也在变。整个技术文明正处在转折点。她想对所有学生说:变革的时代,去找那些永恒的价值。就像Lisa讲的,人生很长,很多事会变,问题会变,挑战会变,机会会变;但怎么过上你想过的生活,靠的不是变化本身,而是那些不变的东西。就她自己而言,这段旅程教会她,永恒的价值是好奇心、正直,以及无畏地追求真理、探寻真理,在智力上敢冒险、保持诚实。
苏姿丰则鼓励大家有雄心、非常乐观,因为你们正处在最好的时代,手上有不可思议的工具,面前机会多得是。很多人找她讨职业建议,问她该做什么。这建议来自她早年在IBM做年轻工程师的时候,大概工作两年后,有人问她:你长大后想做什么?她说不太确定。当时有个岗位叫IBM Fellow,是深度研究型的,再就是IBM副总裁。她心里想,IBM Fellow估计当不上,自己不够聪明,副总裁也许可以。她决定去问问,对方给了她一句建议:永远奔向最难的问题。当时她不太懂这话什么意思,但这句话跟了她很多年,也成了她给别人的建议。
苏姿丰接着说,说到底,作为工程师、科学家、研究者,工作就是解决问题——解决非常有趣、非常重要、非常令人兴奋的问题。快乐从中来,成功从中来,世界也因此往前走。所以要做,就去做最难的问题,并且相信自己能在里面产生巨大影响。她觉得当下之所以有趣,正在于你们手上的工具,能去解那些也许几十年都没解出来的最有趣的问题。这难道不好玩吗?她认为这是开启职业生涯的非凡时代,也希望各位将来某个时刻考虑一下AMD。她还补了一句:顺便说,招聘经理会是李飞飞。最后她谢了CoRL的邀请。
Peter Stone收尾:好,谢谢大家。