苏姿丰李飞飞同台对话：AMD收购World Labs后首次

「在座的有谁需要算力？」

主持人 Peter Stone 刚抛出学术界缺算力这个话题，AMD 董事长兼 CEO 苏姿丰一句话就把问题反问了回去。台下坐的正是做机器人学习的学生和教授，眼下全球最缺 GPU 的恐怕就是这批人。

11 月 12 日下午，机器人学习顶会 CoRL 2026 在美国奥斯汀开到了第三天。李飞飞先做了一场围绕世界模型的主旨演讲，之后和苏姿丰一起落座对谈。

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

往前推一个多月，9 月 28 日，AMD 公布了一笔全股票交易，将以约 82 亿美元收购李飞飞创立的 World Labs。交割预计在今年年底前完成，到那时李飞飞会担任 AMD 执行副总裁兼首席科学家，汇报对象是苏姿丰。参阅报道《突发！World Labs 加入 AMD，李飞飞出任首席科学家》。

这场对话的主持人 Peter Stone，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，同时还是本届 CoRL 的大会主席之一。他开场就开玩笑，说证明李飞飞是「超级明星」根本不用费劲——大会另一位主席朱玉是她带出来的博士，帮着把会议张罗起来的 Roberto Martín-Martín，则是她带过的博士后。

三个人聊了大约半小时，话题从 AMD 在机器人上的布局，延伸到端到端基础模型的能力边界、学术界缺算力的窘境，还有 AI 时代读博到底值不值。李飞飞的说法是，这是「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 抛出的第一个问题不绕弯子：机器人和物理 AI 这块，AMD 看到的头号机会在哪，World Labs 又站在棋盘的什么位置？

苏姿丰开口先来一句「飞飞邀请我来蹭你们的派对」，随后讲了自己的判断：「我认为物理 AI，尤其是机器人，是一个巨大的机会。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。」

她把买下 World Labs 的原因落在对「工作负载」的理解上。「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。硬件、软件、系统协同优化的理念，在机器人领域同样适用。未来五到十年，这将是一个极其重要的领域。」

李飞飞接过话头，先讲两人的交情。她说自己认识苏姿丰快十年了，「回看 Lisa 这十年为 AMD、为整个计算世界所做的事，一直到今天这个 AI 爆发的时代，真的令人叹为观止。」

说完这些，她亮出一个在后面被反复提起的判断：「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。」

她的看法是，世界模型也好，语言模型也好，各种多模态模型都在往一块儿走，这就「需要硬件与软件的协同演化、协同设计」。对着台下的学生，她又补了一层意思：AI 不光是等着被攻克的难题，它本身也在变成做科研的工具，「我们正处在一个非常激动人心的团队科学时代」，World Labs 和 AMD 走到一起，就是这种团队科学的一次落地。

基础模型会「端到端」解决机器人问题吗？

Peter Stone 说起这届 CoRL 的一个安排：late-breaking papers 环节把半年前投的稿子和一个月前投的稿子摆在一起，技术上变了多少一眼就能看出来。顺着这个，他问了个全领域都在琢磨的问题：LLM 和视频生成模型这类基础模型已经在机器人上见效了，以后驱动机器人的，还是分层、分模块各做各的那套系统吗？抑或基础模型能一路端到端跑到底？

李飞飞的回答，是从一句「我们要在智识上保持诚实」开始的。

在她看来，前沿实验室交出的成绩单——包括这次大会上公布的几项成果——确实够震撼。眼下只是刚摸到拐点的边，能挖的东西还多得很。她判断，VLM 或 LLM 驱动的机器人会越来越吃重。可机器人、物理 AI 这一摊里悬着的问题也不少，到底有没有摸到根本解法，目前谁也说不好。

她预测，明年的 CoRL 会大不一样。过去两周她一直在盯 BEHAVIOR 挑战赛的结果，用她的话说，变化快得让人不敢相信，终点还远没到。

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

身为研究者，她承认自己神经也绷着：往哪个方向下注，心里多少有点打鼓。可兴奋劲同样在那儿——多个方向都在冒信号，这些潜在路子有机会被捏到一块儿。

苏姿丰当天带着感冒，补上的视角更偏产业一侧：不少垂直应用里，压根不存在唯一的模型或唯一的方向；现实中的各类应用，需要的是非常多样的模型。她判断，有些场景里前沿大模型会跑得很好，但另一些场景里，更专用的模型成本更省、功耗更低、延迟也更小。

「机器人会把算力推向下一个台阶」

话头顺势拐到算力上。Peter Stone 提到，训练模型要吞掉海量算力；机器人一旦落地部署，又得在苛刻的功耗限制下实时完成感知、推理和行动。这么看，机器人是不是从根上就是个系统问题？

苏姿丰就是在这个当口抛出开场那句「台下有谁需要算力吗」的。随后她正经回答：算力是底子。按今天所处的位置看，它在很多方面确实就等同于智能。

她说自己在计算行业干了 30 年，跟台下这些人比算老人了；但讲真的，没有哪个时候比现在更好、更要紧。云端训练超大模型要用算力，企业里要用，机器人变得举足轻重的边缘环境要用，人所处的物理环境同样要用——每个层级都缺不了。

她的判断是，模型会有各种尺寸，算力同样会有各种尺寸。归根结底这是个解决方案问题：硬件、软件、系统得一起优化，用尽量高效的办法把问题解决掉。

李飞飞紧接着补了一句，苏姿丰当场回应「我喜欢这个说法」。李飞飞说，自己身在机器人会议，讲这话并非因为 CoRL 才如此，她是真心相信：算力会被机器人推向下一个台阶。机器人进展一直落后于 LLM，难在它要和物理世界打交道。可她认为眼下看到的拐点是真实的，斜率没法准确预测，但上升趋势可以肯定，而且会以各种形态大规模拉动算力需求，训练端之外，边缘端也一样。

公共部门闹「算力饥荒」

台下的学生和教授听来，接下来这个问题大概最切身：研究者、创业公司和学生，怎样才能更容易做前沿机器人研究？

李飞飞先说「这个问题我交给 Lisa 回答」，话锋随即一转，讲出了全场最尖锐的一段。她提到自己和 Peter Stone 多年来一直在为公共部门争取算力，2019 年就和一些同行一起推动了 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。」

她表示，在这类部门中，非营利机构也被算作大学研究者的一类。「创新就是这样起步的。这个国家的创新引擎，起点就是公共部门里那些天马行空、被好奇心推动的研究。我们同时也在为下一代发明者和劳动力培养学生。可如今，AI 领域的公共部门正陷入严重的饥荒。这个问题必须解决，因为未来需要我们去投资。」

她还将这件事与负责任的 AI 挂钩：「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。」

接着发言的是苏姿丰，她先打趣：「我觉得你们该去问问 AMD 的首席科学家怎么做。」随后她明确表示：「飞飞说的我百分之百赞同。我们正在建设的算力规模惊人，可以说是很多个吉瓦。坦白讲，需求现在远远超过供给。不过，从中拿出一部分专门投向长期研究、投向大学，让下一代创新者真能用上算力，这绝对属于我们行业领导者应尽的职责。」

她说，刚才那句玩笑「并不完全是玩笑」。李飞飞是以首席科学家身份加入的，她之所以这么高兴，是因为 AI 尽管进步巨大，却仍处于非常早期的阶段。「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，也相信业内其他公司同样如此，能推动这个承诺落地。」

AMD 有机器人团队吗？

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？」

「看起来知道这件事的人，比该知道的要少。我们其实有一支规模不小的物理AI与机器人研究团队，只不过还处在非常早期的阶段。」苏姿丰说，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，FPGA、嵌入式处理器和AI引擎都在其中，如今工业场景中的许多机器人正是靠这些组件控制。但她表示，面对在座研究者正在做的那类机器人，「我认为我们还处在非常早期的阶段」。

她明确表示，李飞飞在AMD的新角色，一部分就是要大举投入机器人研究，并把整个生态的合作关系经营起来。「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。」在苏姿丰看来，开放的生态、强大的硬件、能在不同层级组合的软件，再加上不同实验室各做各的事，就是加速机器人发展的方式。

那会不会组建团队？主持人提前表态「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，还要不要读博？

会上不少学生都向Peter Stone问过同一个问题：读博还是不是通往研究的正确道路？他把这个问题转给了李飞飞，还先打了预防针：「我可能不会喜欢你的答案。」

「我们台上三个人其实都有点嫉妒你们，你们这么年轻，生来就身处AI革命之中，而我们是长大成人后才走进来的。」李飞飞说，该不该读博、读博期间该做什么，她自己的答案也在变。她坦言，博士并不适合所有人。尤其在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。

不过她紧接着强调，这并非排斥读博，「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？我从根子上还是信一件事：博士是为好奇心而生的一群人。那几年是你一生中被保护得最好的黄金时段，你可以放手去追最大胆、最有意思、最好玩、也希望是最能产生影响的问题。」

「AI 再强，人的智能照样金贵，甚至可能越来越稀缺。眼下大量 token 正跟我们的脑电波抢地盘。可我们要建的文明，离不了人类智能，离不了那股敢想的好奇心。所以，假如你心里那团火还在烧，读博依旧是条好路。前提是你得有那份信念，拿最不怕死的劲头去啃问题。」

苏姿丰也讲了自己的经历。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」。

「真正要紧的不是你挑中哪个具体题目。题目会换，而且如今换得飞快。要紧的是，这段经历让你有机会成为领域里最顶尖的那批人之一，因为你有自由去探索。日子长着呢，博士学位谁也拿不走。你会一直记得，自己曾把一个难题做到了这个领域的最高水准。」

Peter Stone 顺势提醒台下自己的学生：「注意听，Lisa 说的是最好的四年，不是六年、七年。」苏姿丰马上接话：「对，别拖，四年就够。」主持人跟着感慨，她这话大概让在场不少博导心里一紧。

谈到学生该选什么研究方向，苏姿丰把话题引到了 AGI 上。她说，从一些同行和业内人士那里听到的说法是，离 AGI 已经非常近，好像就差一分钟。她的回应很直接：自己并不相信。在她看来，AI 的进步确实惊人，可表现好坏取决于把它用在什么问题、又怎么去引导。

苏姿丰给学生的建议是，把 AI 当工具，当然该挑最好的工具用。但她强调，人手里还有自己的专业积累，也就是直觉。招人时，她能看出谁对本领域有真正的直觉，谁只是所谓的「书本聪明」——放到今天，也可以叫「AI 聪明」。她的建议是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」。

她也点出这套做法在产业界难以实现的原因：产业界没有耐心。大家都急，想让产品更快推出，想让下一个模型更快发布。她说，这正是大学环境不一样的地方。

20 瓦的大脑，与数十亿年的进化

Peter Stone 随后抛出一个颇为「尖锐」的研究方向。他指出，眼下的 AI 总和数据中心绑在一起，背后是大量算力、电力和数据；相比之下，人脑用电少得多，学习要的数据也少得多。用更少的能耗拿到同等性能，他认为这是值得下功夫的方向，尽管这「可能和卖更多芯片的目标相冲突」。

苏姿丰没有绕开这一点：「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，也存在 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，这些都得优化。

李飞飞则提醒别把两件事混在一起：「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。」

在她看来，脑科学是一门科学，理解大脑、复现大脑、治疗脑疾病都重要；AI 也是一门科学，不必只做大脑的复制品，「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

临近尾声，Peter Stone 念出 Slido 上一个「刁钻」提问：两人眼下正处在「蜜月期」，有没有彼此意见不合的地方？

李飞飞想了想答道，她觉得湾区更宜居，喜欢那里的气候，随后又补了一句「但我也爱奥斯汀」。两人最后的结论是，第一架还没吵过。

最后的寄语环节，李飞飞说，对很多学生而言这是最动荡的时候：个人正处在学生阶段的变化里，所在领域在变，整个文明也在经历一场由文明级技术带来的变化。

「我想请所有学生都去关注那些在变化的时代里始终不变的价值。Lisa 讲过，人生很长，问题会变，挑战会变，机会也会变。可一个人能不能活成自己想要的样子，很大程度上看的不是这些变化，而是那些不变的东西。就我自己来说，这趟旅程教给我的恒久价值有三样：好奇心、正直，还有追求真理、探寻真理时那种无畏的劲头，在智识上敢冒险，同时保持诚实。」

苏姿丰给学生的建议则是「非常有野心、非常乐观」——他们赶上了最好的时候。她提起自己在 IBM 当年轻工程师的一段经历。入职大约两年时，有人问起她将来想做什么。她答，IBM 有两条路，一条是叫 IBM Fellow 的深度研究岗，另一条是 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。」对方告诉她：永远朝着最难的问题跑过去。

「当年我并没有真正弄懂这句话的含义，可它一直留在我心里，这些年下来也没淡，我也常把它当作给别人的建议。工程师、科学家、研究者，干的就是解决问题这件事，去啃那些很有意思、很要紧、也让人兴奋的问题。快乐和成就都从这里面来，世界也靠这个往前走。所以说，不管做什么，挑最难的问题去做，也要相信自己能带来大的改变。」

写在最后

半小时对谈下来，若把它看成一次信号释放，至少有三处线索。

其一，AMD 收购 World Labs，说到底是「造芯片的得比谁都早看懂负载」。台上苏姿丰一再提到对工作负载的理解、软硬协同，这跟她在宣布交易时的说法对得上；李飞飞在交易公布时也发文表示，AI 缺少专注的硬件投入，效率和规模都会被拖住。世界模型和机器人，正是负载形态最难料、端侧算力要求最狠的领域之一。

其二，两位都没有把赌注压在单一范式上。李飞飞承认 VLM/LLM 驱动的机器人会愈发关键，可她也讲得明白，物理 AI 的不少基础问题仍无根本解法；苏姿丰说得更直接：大模型与专用小模型会长期共存。「模型有多少种尺寸，算力就有多少种尺寸」，对一家产品线从数据中心一路铺到 FPGA 和嵌入式处理器的公司，这话显然是一套有利的叙事。

其三，也是现场听众最惦记的：苏姿丰明确说会拨出一部分算力支持长期研究和大学，只是规模、时间表都没给。需求远大于供给的眼下，这句承诺能落地多少，得等李飞飞正式上任后再看。毕竟为公共部门争取算力，李飞飞已经喊了很多年，如今她总算进了一家算力供应商的决策层。

Peter Stone 提的那个「省电会不会和卖芯片打架」的问题，台上没有真正作答。倒是李飞飞那句话可以算一种回应：机器人会把算力推向下一个台阶。假如这个判断成立，那么更省电也好、更强大也罢，最后都指向更多、更多样的算力。