李飞飞苏姿丰CoRL同台:AMD千亿算力能否分给高校?
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方向的研究者。
台上摆着三把椅子,坐了两位嘉宾。左边是马上要出任AMD首席科学家的李飞飞,右边是AMD CEO苏姿丰。AMD收购World Labs的消息传出之后,这是两人头一回公开同台;对李飞飞来说,这也是她第一次以“AMD首席科学家”的身份,站到整个机器人学术社区面前。
寒暄没持续多久。李飞飞很快把话头引到敏感地带:公共部门缺算力,已经到了“饥饿”的程度,她称这是“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?由好奇心驱动的蓝天式研究又怎么做?说完她看向苏姿丰——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:机器人这摊事,靠一个端到端大模型啃不下来,往后需要“各种形态、各种规模”的算力,硬件、软件、系统得协同优化。
这场对话聊的远不止这些。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。

李飞飞、苏姿丰(Lisa Su)与主持人Peter Stone(从左至右)

01
物理AI的机会:数千亿美元量级
Peter Stone:谢谢二位,Lisa、Fei-Fei,来到CoRL。刚才的演讲很精彩,那个视频(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,问题会从Slido(现场提问平台)上取,我也会掺一些事先准备好的问题。
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:展望机器人和物理AI,你认为AMD最大的机会在哪里?World Labs如何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。
在我看来,AI 眼下正处在一个特别让人兴奋的阶段。回头看看一路走来的成果,其实还只是可能性的很早期(very early innings)。物理 AI,尤其是机器人,机会极大,未来几年对我们而言是数千亿美元量级的市场。前提是你得真正吃透物理、模型和整个环境。所以 Fei-Fei 和 World Labs 团队能加入 AMD,我们非常高兴。
苏姿丰:她本身就是超级明星,这点能不能直接说出来?(全场笑)这个行业里,硬件优化得做好多年,对工作负载摸得越透、越清楚它往哪走,效果就越好。我常讲的硬件、软件、系统协同优化,放到机器人上尤其成立。未来 5 到 10 年,这块会极其关键。还有一点,对整个 AMD 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。谢谢大家给我这几分钟。
Peter Stone:太好了。我们能看出她是超级明星,因为她是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,轮到你了。从你的角度看,加入 AMD 会让 World Labs 能做的事扩展到什么程度?你刚讲了世界模型的愿景,两边结合之后你们接下来能构建什么?对机器人社区又意味着什么?
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。
我和 Lisa 认识很多年了,要说超级明星,我们差不多十年前结识。想想这十年她为 AMD、为整个计算世界做的事,再到如今的 AI 时代,实在让人惊叹。在 AI 里,建模与计算之间的关系已经发生了根本性变化。
现在我到处跑,普通人——不是座各位——会问我:AI 到底是什么?我回答:AI 就是计算,计算就是 AI。世界模型也好,语言模型也好,坦白讲,我们看到大量单模态和多模态模型正在融合。就像 Lisa 说的,这需要硬件和软件协同设计、协同演化。这个机会非常有意思。
我还想对台下的博士生、硕士生、本科生说:搞科学的方式也在变。AI 不只是待解决的问题,它也是工具。我们正处在“团队科学”(team science)很激动人心的时代。把 World Labs 的实力和 AMD 的实力合在一起,用团队科学的方式推进计算与 AI,这对所有人来说都很振奋。

02
机器人到底由什么驱动:
端到端,还是分层组合
Peter Stone:确实交织在一起。机器人在变,一切都在变。我在台下跟二位聊过:这次我们有个“最新突破论文”(late-breaking papers)专场,反差特别明显,六个月前投到会议的,和一个月前投的,就这么短的时间里,技术已经完全不同了。
主持人把这个问题同时抛给了两位:LLM 基础模型用在机器人上已经显出效果,近来一批新模型表现相当惊艳,视频生成模型也被搬到了机器人场景里。那么往后机器人靠什么来驱动?还是分层组件各管一段,抑或基础模型走端到端,把机器人问题一并吞下?
李飞飞先接话。她说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成果,确实让人叹为观止。转折点才刚开头,大量问题还没探明。在她看来,VLM/LLM 驱动的机器人会占到越来越重的分量。
但她不认为这个系统性问题已经被解决。机器人、物理 AI 里头堆着的问题还很多,是否已经有根本性的解法,眼下并不清楚。所以变化还会接着来,明年的 CoRL 会大不一样。
过去两周她一直在审 BEHAVIOR 挑战赛的结果,看到变化的速度,她的反应是太好了,而且不觉得已经看到尽头。作为研究者,她自己的状态是踮着脚尖的:方向该往哪儿押注,多少让人神经紧绷;同时又无比兴奋,因为多个方向都传来了信号,还有机会把这些潜在方法组合起来。
苏姿丰只补一点:很多垂直应用里,趋势是不会只有一个模型,也不会只有一个方向。现实中的应用五花八门,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 会在某些地方表现很好,但她设想的另一面是,更专门的模型在别处更省成本、更省功耗,最终对不少应用还能给出更好的延迟。

03
算力饥饿:公共部门缺卡,
是“这个时代最大的失误”
Peter Stone 接过话头。至少机器人确实是拉动芯片、计算和 token 需求的因素之一。台下坐着不少学生和学者,出于 Fei-Fei 刚说的原因,对算力极度渴望。AMD 怎么看机器人需要的芯片与算力?训练模型要吃掉巨大算力;机器人一旦部署,还得实时感知、推理、行动,功耗约束往往还很严苛。这是否意味着机器人本质上是个系统问题?计算、内存、软件和整个系统,你们怎么放在一起设计?
苏姿丰的回答是:我能说的最好的一句话是,在座有人需要算力吗?(全场笑)
她表示,算力是根基,在很多层面甚至就等同于智能,我们正站在这样的位置上。各类形态的算力都有需求,这一点最让她振奋。她在计算行业干了 30 年,论资历比在场的人都老。可事实摆在那儿:时机从来没像现在这么好,重要性也从来没像现在这么高。
每个层面都要算力:云端,用来训练那些超大模型;企业与边缘环境,机器人在这里变得如此重要;还有我们的物理世界。她的观点是,模型会有很多种规模,算力也必须有很多种规模。但根本上,这是一个解决方案问题,硬件、软件、系统放在一起优化,尽可能高效地把问题解决掉。
李飞飞说她很喜欢这个说法。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。但现在看到的拐点是真实的。斜率会是多少,她没有确切预测,但上升趋势是肯定的。这会极大地带动各种形态的算力需求,不只是训练端。
Peter Stone 把边缘端也算了进去。他接着问 Fei-Fei:你看这个问题的角度很少见,教授、为学术界算力资源奔走的人、拿到融资的初创公司创始人,马上还要出任 AMD 首席科学家。我们前面说过,难题之一就是弄到前沿研究要用的算力。你觉得得发生什么,先进的机器人开发才能对研究者、初创公司和学生更容易够得着?像 AMD 这样的公司能出什么力?
李飞飞回应说,Peter 和她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)。
她就此把话直说了: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。
也就是说,资源得给到公共部门,大学研究者、非营利机构都算,因为创新第一步就在这里。这个国家的创新引擎,起于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。可在 AI 领域,公共部门眼下正闹严重的算力“饥饿”。
她认为这个问题必须解决,因为这是对未来投资。负责任 AI 的需要也摆在眼前,无论谈的是安全还是安保,公共部门都必须在理解 AI 的行为、为其建立基准上扮演关键角色,向公众解释、向政府建言这些模型的好、坏与丑。所以,公共部门绝对关键。是的,我们需要更多算力。
Peter Stone 说他完全同意,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?
苏姿丰回了一句:我有个很好的主意,你们应该去问 AMD 的首席科学家。(全场笑)
她接着说,首先,Fei-Fei 说的她 100% 同意。机会在于:AMD 正在建设海量的算力,是以吉瓦计的算力。坦率地说,需求确实远超供给。但把其中一部分专门留给长期研究、留给大学,确保下一代创新者真正能获得算力,绝对是我们工作的一部分,是行业领导者的责任。AMD 非常希望在与这个社区的相处中,确保这件事发生。
她说刚才那话不全是玩笑,这么起劲地邀 Fei-Fei 来 AMD 当科学家,是有缘故的。AI 已经走出去很远,LLM 也做到了这个地步,可我们其实还在很早期。眼下的问题是:怎么保证这些技术真让世界变好?机器人就是她觉得我们“很接近、但还没真正拿出回报”的地方之一。她很愿意帮忙,也相信业界其他人有一样的劲头,把这个承诺兑现。

04
AMD 的机器人团队:
没有哪家公司能独做一切
Peter Stone 表示非常欢迎这个表态。接着他挑了 Slido 上几个高赞问题,很多人好奇:AMD 会组建机器人团队吗?前提是我们假设 AMD 还没有。不过看起来,它可能没有外界以为的那么不为人知?
苏姿丰透露,AMD其实已经有一支物理AI和机器人方面的研究队伍,规模还不小,只是仍处于很早的阶段。她提到,计算栈里将来会进入机器人的那些东西,AMD手上有很多:FPGA、嵌入式处理器、AI引擎,眼下不少工业场景里的机器人就是靠这些组件控制的。
至于在座各位正在做的事,苏姿丰认为离成熟还很远。她把这块看作李飞飞在AMD新角色里的重头戏:大举投入机器人研究,同时经营整个生态中的关系。她说自己笃信没有哪家公司能把一切包下来。说到底,今天初创公司做了这么多事,原因就在这里。工业实验室、大学、大公司各有各的位置,真正需要的是把各方的长处汇到一起。在她看来,开放生态、强硬件、能在不同层面接上的软件、各实验室各做各的,这样的世界才是把机器人发展速度和节奏提上去的办法。

05
读博值不值,成了下一个话题:PhD 是为了好奇心
Peter Stone接过话头说,台下很多人正站在职业生涯的起点上,作为博士生,哪些问题最重要、最有趣?反过来,哪些问题他会建议别碰、别拿来当毕业论文题目?两边的答案都想听。他还提到,这次大会上不少人问过他一个大家也会关心的问题:未来几年PhD的角色是什么,它还算不算通往研究的正确道路?
李飞飞说,她和Peter在台下聊过一点。这是个变革的年代。她坦言不撒谎:台上三个人,对在座大多数人多多少少有点羡慕——你们年轻,是生在AI革命里的人,而他们是以成年人身份走进这场革命的。
要不要读博、读博期间做什么,李飞飞说自己也在改答案,而且愿意讲实话。她不认为PhD适合所有人,尤其在AI时代:学习工具和软件工程的变化太大,成为研究者、创新者、做出影响,路已经不止一条。这不是说读博不行,读博依然很好,她热爱它,也相信Peter和Lisa同样热爱。但路变多了,人得往自己心里看一看。
那PhD到底为了什么?她依然从根本上相信:PhD是为了好奇心。那是人生黄金岁月里受保护最好的一段时间,可以去追那些最大胆、最好奇、最有趣、也最有希望产生影响的问题。
她还说有一件事自己深信不疑:不管AI多先进,人类智能依然珍贵,甚至可能正变得越来越稀缺,但它是珍贵的。现在确实有海量token在和我们的脑电波竞争,可她认为,我们正在构建的文明需要人类智能,需要那种无畏的好奇心。所以对怀着燃烧般渴望与好奇心的人,她确实认为PhD仍是一条好路,前提是你得有那份信念,以最无畏的方式去追问题。
Peter Stone回应说,这个回答真好。
苏姿丰补上自己的视角。当年读博时,她其实真没觉得自己想要一个博士学位。她父母当时说:“哎呀,你能干嘛呀?你还太小了,留在学校吧。”(全场笑)
按她的说法,那四年是她这辈子最划算的时光,理由恰好就是李飞飞刚提到的那个点:关键不在你挑的那个具体题目上。题目本身会变,眼下变得还特别快。关键是你能借这段经历,真正变成某个方向上最拔尖的人,或者至少挤进最拔尖那一档——前提是你有本事去试、去钻。
所以她的看法是:只要条件允许,读博是件挺美的事。日子还长,博士学位一旦拿到,谁也收不走。那种认识会一直跟着你——你曾经咬住一个问题,一路解到了这个领域的天花板。

06
AGI 只差一分钟?
研究什么,怎么研究
至于“大家该研究什么”,苏姿丰说自己对此有强烈的看法。现在有一整场关于AGI的争论:我们离AGI有多近?她有时听到同行和业界的人说:“我们太近了,就差一分钟。”她并不相信。
原因在于:看看AI上取得的进展,确实惊人。但它好到什么程度,取决于我们给它设定什么问题、如何引导它。所以把AI当作工具,当然要用世上最好的工具;可归根结底,你仍然受益于自己的专业知识、自己的直觉。
她喜欢这样讲:招人的时候,你能分辨出谁对自己领域有真正的直觉,谁只是死读书,或者在这个时代只是会用AI耍小聪明。你要找到自己足够感兴趣的问题,把那种直觉养出来,这样工具怎么变都没关系,因为你对自己领域有深入的直觉。这能让人持续推动领域往前走,而业界很难做到,因为业界没有耐心。她说,我们都没耐心,想让产品更快上市,想让下一个模型更快出来。大学环境的区别就在这里。对,她是在帮学生们说话。她还换个方式对在座学生说:请注意,Lisa刚才说那是她人生中最棒的四年,她没说六年或七年。
Peter Stone接着追问李飞飞。他说,你讲过人类智能依然非常特别、令人振奋。有时人们问他这个问题,他的一个回答是:现在AI在很多方面与数据中心绑定,意味着大量算力、大量能源、大量数据。但他常说,人脑消耗的功率少得多,从少得多的数据中学习。所以现在的AI模型训练方式与已知可能实现的方式之间,还缺了点什么。他经常回答,尝试用更少的资源,同样的性能但更低的功耗,去做这件事,他认为这是一个重要的研究方向,虽然这可能与多卖芯片的目标相冲突。他想知道两位怎么看,这是否应该成为今天学生研究议程的一部分。
苏姿丰表示,这一点毫无疑问非常关键。接着前面说的,计算这件事没法拿一套标准套到底。物理世界本来就不是一个尺码,各处的需求都不一样。能不能做到这种适配,恰恰是她觉得现在仍处在很早期阶段的原因——因为对方讲得没错,确实有那些大型数据中心,也确实有规模定律在起作用。可说到底,计算会铺到每一个角落,而且对性能、效率、寿命、延迟的要求都只会更严,这些全都得一项项去优化。
李飞飞:还有一点,我觉得得小心。人脑只耗20瓦,训练模型却要吃掉巨大能耗,这两者不该直接拿来比。进化本身代价高昂——我们的大脑是数十亿年进化出来的,整个动物界为此花了多少能量,我到现在也不知道该怎么算。所以这两个因素不能混在一起谈。我同样相信脑科学是一门科学,理解大脑、记录大脑、复制大脑,对解决脑部疾病有帮助。可AI科学也是一门科学,它不必只去复制大脑。我们要解决的计算问题,从写代码到生成模拟,再到让机器人具备能力,有些方面已经超出人类水平了。

07
分歧、焦虑与赠言:去解最难的问题
Peter Stone:时间快到了。Slido上有个问题一个赞都没拿到,我还是想试一下。你们俩还在蜜月期,问这个可能有点冒犯——你们之间有什么分歧吗?有没有什么是你们……
李飞飞:气候。不过我也爱奥斯汀。不,不开玩笑了,我们有什么分歧吗?看样子还没发现。我们没吵过。第一架还没吵起来……我们连第一架都还没吵过。
Peter Stone:好,那接下来每人做一次总结发言。从这些问题能看出来,今天的学生对AI既焦虑又兴奋。结合你们自己的经历,如果你们坐在他们的位置上,会怎么看当下这个时刻?你们想给在场所有人留下什么临别的话?
李飞飞:对很多学生来说,现在是最动荡的时期,因为这是个变革的年代。你知道自己的人生要变了,因为你还在求学,而你的领域也在变。整个技术文明都处在一个转折点上。我其实想请所有学生:在变革的时代,去找那些永恒的价值。就像Lisa说的,人生很长。很多东西会变,问题会变,挑战会变,机会也会变。但你想过什么样的生活,并不由变化本身决定,而取决于那些不变的东西,那些永恒的价值。对我自己来说,这段旅程教会我,永恒的价值就是好奇心、正直,还有无畏地追求真理、探寻真理,在智力上敢于冒险、保持诚实。
苏姿丰:我想说,我鼓励你们有雄心、非常乐观,真的,因为你们正处在最好的时代。你们手上有不可思议的工具,面前的机会那么多。很多人来问我职业建议,问该做什么。这还是我早年在IBM做年轻工程师时,大概工作两年后,别人给我的建议。有人问:“嘿,听着,你长大后想做什么?”我说我不确定。当时有个职位叫IBM Fellow,是深度研究型的,再就是IBM副总裁。我心里想,我估计当不了IBM Fellow,因为我不够聪明,但也许能当个副总裁。我决定去问问,然后他们说:“好,那我给你的建议是,永远奔向最难的问题。”我当时不太懂那是什么意思,但这句话跟了我很多年。这也是我给别人的建议,因为归根结底,作为工程师、科学家、研究者,我们的工作就是解决问题。解决非常有趣的问题、非常重要的问题、非常令人兴奋的问题。我们从中得到快乐,得到成功,并推动世界前进。所以如果你要做什么,那就去做最难的问题。并且要有信心,相信自己能在其中产生巨大影响。我觉得这就是当下为什么有趣,因为你们现在拥有的工具,可以解决那些也许几十年都没解决的最有趣的问题。这难道不好玩吗?所以,我认为这是一个开启职业生涯的非凡时代。我希望你们将来某个时刻会考虑AMD。顺便说一句,她(指李飞飞)会是招聘经理。但谢谢CoRL,谢谢你们的邀请。
Peter Stone:好,谢谢大家。