
作者丨齐铖湧
编辑丨岑 峰
2026年11月,奥斯汀,CoRL 2026的台下坐满了机器人研究者。
台上三把椅子,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。这是AMD收购World Labs消息传出后,两人的首次公开同台,也是李飞飞以"AMD首席科学家"身份,第一次面对整个机器人学术社区。
对话没有客套太久。李飞飞直接把话题引向了敏感区域:公共部门的算力"饥饿",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,下一代研究者怎么训练?蓝天式的好奇心驱动研究怎么做?她看向苏姿丰,AMD正在建设"以吉瓦计"的算力,academia 能不能真的分到一杯羹?
在苏姿丰看来:"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。"但她同时也划定边界:机器人不是单靠一个端到端大模型就能啃下来的,未来需要"各种形态、各种规模"的算力,硬件、软件、系统必须协同优化。
不止如此,这场对话里还包含很多探讨,比如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?在这个连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。

李飞飞、苏姿丰(Lisa Su)和主持人Peter Stone(从左往右)
01
物理 AI 带来的机会:数千亿美元量级
Peter Stone: 谢谢二位,Lisa、Fei-Fei,来到CoRL。精彩的演讲,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,我们会从Slido(现场提问平台)上取问题,我也会混入一些事先准备的问题。
Lisa、Fei-Fei,你们现在和机器人学习社区同台。我们已经听说了AMD收购World Labs的事(正在进行中),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。
我认为这是AI极其激动人心的时刻。回顾我们迄今取得的所有进展,我们其实还处在可能性的非常早期的阶段(very early innings)。物理AI、尤其是机器人,是巨大的机会,对我们来说,未来几年这是数千亿美元量级的机遇。关键在于,你必须真正理解物理、模型和整个环境。所以我们非常高兴Fei-Fei和World Labs团队加入AMD。
苏姿丰: 除了她是超级明星之外,我们能不能就直说她是超级明星?(全场笑)在我们这个行业,硬件优化要持续很多年,你对工作负载了解得越多、越清楚它要往哪走,就越好。我一直说的硬件、软件、系统协同优化的愿景,放在机器人上尤为适用。未来5到10年,这将是极其重要的领域。更重要的是,对整个AMD生态而言,我们非常希望把AMD的开放生态扩展到在座的整个机器人社区。谢谢大家给我几分钟。
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,换你。从你的角度,加入AMD如何扩展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。
我认识Lisa很多年了,说到超级明星,我们大约十年前认识。想想Lisa过去十年为AMD、为计算世界所做的一切,再到现在这个AI时代,真的令人叹为观止。建模与计算的关系,在AI中已经根本性地改变了。
现在我满世界跑,普通人,不是在座各位,问我:AI到底是什么?我的回答是:AI就是计算,计算就是AI。 无论是世界模型还是语言模型,坦白说,我们正在看到大量单模态和多模态模型的融合。正如Lisa所说,这要求硬件与软件之间的协同设计与协同演化。这是一个极其有意思的机会。
我还想对台下的博士生、硕士生、本科生说:做科学的方式也在演变。 AI不仅是一个待解决的问题,也是工具。我们正身处"团队科学"(team science)的激动人心的时代。把World Labs的实力和AMD的实力结合起来,以团队科学的方式推动计算与AI的进步,这对所有人都是激动人心的。
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。机器人也在变,一切都在变。我在台下跟二位说过:我们这次有个"最新突破论文"(late-breaking papers)专场,对比极其明显,六个月前投到会议的,和一个月前投的,即便在这么短的时间里,技术也已经完全不同了。
这个问题给二位。我们看到LLM基础模型在机器人上效果不错,最近一批新模型都很惊艳;也看到视频生成模型被用在机器人上。你们认为,未来机器人由什么驱动?仍然是分层组件各做各的,还是基础模型端到端就能自己把机器人问题全解决了?
李飞飞: 我们得诚实地面对(intellectually honest)。前沿实验室出的结果、包括就在这次会议上公布的一些结果,真的令人叹为观止。我们正处在这个转折点的早期,很多东西还有待探索。我认为VLM/LLM驱动的机器人会扮演越来越大的角色。
但我不认为我们已经解决了这个系统性问题。机器人里、物理AI里还有很多问题,我们是否已有根本性的解决方案,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,看到变化的速度,真是太好了,而我不认为我们已经看到尽头。作为研究者,我个人是踮着脚尖的:该押注哪个方向,多少有点让人神经紧绷;但同时也无比兴奋,因为我们现在从多个方向都看到了信号,而且有机会把这些潜在的方法组合起来。
苏姿丰: 我要补充的只有一点:在很多垂直应用里,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。对于现实中各式各样的应用,你实际上需要非常广泛的一组用例和不同类型的模型。前沿的LLM会在一些地方表现很好,但我设想,在另一些地方,更专门的模型会更省成本、更省功耗,最终对很多应用还会有更好的延迟。
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,机器人确实是驱动芯片、计算和token需求的因素之一。在座有很多学生和学者,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?训练模型需要巨大的算力;而机器人一旦部署,还要实时感知、推理、行动,往往还有严苛的功耗约束。那是否意味着,机器人本质上是一个系统问题?你们如何把计算、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)
我们正处在一个算力是根基、甚至在很多方面等同于智能的位置。我们需要各种形态的算力,这正是让我兴奋的地方。我在计算领域干了30年,跟你们比算老了。但事实是:从来没有比现在更好的时机,也从来没有比现在更重要的时刻。
每个层面都需要算力:云端,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。我的观点是: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: 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。我没有关于斜率的确切预测,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: 也包括边缘端。我追问一下Fei-Fei。你从一个非常少见的复合视角看这个问题:教授、学术界算力资源的倡导者、拿到融资的初创公司创始人,以及即将上任的AMD首席科学家。我们说过,挑战之一是获得做前沿研究所需的算力。你认为需要发生什么,才能让先进的机器人开发对研究者、初创公司和学生更可及?像AMD这样的公司能扮演什么角色?
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。
换句话说,我们必须为公共部门提供资源,包括大学的研究者、非营利机构,因为这是创新的第一阶段。这个国家的创新引擎,始于公共部门里蓝天式的、好奇心驱动的研究。我们同时也在训练学生,下一代发明者和劳动力。而如今在AI领域,公共部门正面临严重的算力"饥饿"。
我认为我们必须解决这个问题,因为这是对未来投资。我们也正看到负责任AI的需要,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: 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)
首先,她说的我100%同意。我们的机会在于:我们正在建设海量的算力,是以吉瓦计的算力。坦率地说,确实需求远超供给。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。我们非常希望在与这个社区的相处中,确保这件事发生。
我刚才并不完全是开玩笑,我如此兴奋地邀请Fei-Fei加入我们做科学家,是有原因的。AI已经走了很远,LLM已经做到了这个程度,但我们仍然处在很早期。现在的问题是:如何确保所有这些技术,真正让世界变得更好? 机器人就是我认为我们"很接近、但还没有真正展示出回报"的地方之一。我很乐意,我相信业界其他人也有同样的动力,帮助把这个承诺变成现实。
04
AMD 的机器人团队:
没有哪家公司能独做一切
Peter Stone: 我们非常欢迎这个表态。接下来看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: 我们其实已经有一支规模相当不错的物理AI/机器人研究团队,还非常早期。你看计算栈里会进机器人的那些东西:我们有很多嵌入式组件,FPGA、嵌入式处理器、AI引擎,它们控制着当今很多机器人,比如你们在工业场景里看到的那些。
但说到你们在座的各位正在做的事,我认为我们还处在非常早期的阶段。而这正是Fei-Fei在AMD新角色中要做的重要部分:大幅投资机器人研究,以及整个生态里的关系。 我坚信没有哪家公司能独做一切。归根结底,这正是今天初创公司做了如此多的原因。你有工业实验室,有大学,也有一些大公司,你真正想要的是博采众长。在这样的世界里,开放的生态、强大的硬件、能在不同层面汇合的软件、不同实验室各做各的事,这就是我认为我们能把机器人的发展速度和节奏提上去的方式。
05
还要读博吗:PhD 是为了好奇心
Peter Stone: 下一个问题。在座很多人正处在职业生涯的起点:作为博士生,哪些问题最重要、最有趣?反过来,哪些问题你们会建议不要碰、不要作为毕业论文题目?两个方面都想听。另外,这次大会上有很多人问我,我想大家也会感兴趣:未来几年,PhD的角色是什么?它还是通往研究的正确道路吗?
李飞飞: Peter和我在台下聊过一点。这是一个变革的时代。我不撒谎:台上我们三个人,都有点嫉妒你们大多数人,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。
关于要不要读博、读博期间做什么,我自己的答案在变,我跟你们坦诚。我不认为PhD适合所有人,尤其是在这个AI时代:学习工具和软件工程变化如此之大,成为研究者、创新者、产生影响的路,已经不止一条。这并不排除读博,读博依然很好,我热爱它,我相信Peter和Lisa也热爱。但路更多了,你需要审视自己的内心(soul-searching)。
那么PhD是为了什么?我依然从根本上相信:PhD是为了好奇心。 这是你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、也希望最有影响的问题。
有一件事我深信不疑:无论AI多先进,人类智能依然珍贵,它甚至可能正变得越来越稀缺,但它珍贵。现在确实有海量token在和我们脑电波竞争,但我认为,我们正在构建的文明需要人类智能,需要我们那种无畏的好奇心。所以,对于那些怀有燃烧般的渴望与好奇心的人,我确实认为PhD仍然是一条很好的路,但你必须有那份信念,以最无畏的方式去追问题。
Peter Stone: 我觉得这真是个很好的回答。(雷峰网)
苏姿丰: 我说点我的视角。当年我读博的时候,其实真没觉得自己想要一个博士学位。我父母说:“哎呀,你能干嘛呀?你还太小了,留在学校吧。”(全场笑)
结果那literally是我人生最好的四年,原因正是她刚才说的:不在于你做的那个具体问题。具体问题会变,今天变得尤其快。而在于你有机会真正成为某个领域里最好的、或者最好之一的人,因为你有能力去探索。
所以我认为,如果你有机会,读博是一件很美好的事。人生很长,没人能拿走你的博士学位。 你会永远拥有那种认知:你曾经抓住一个问题,并把它解到了领域的顶端。
06
AGI 只差一分钟?
研究什么,怎么研究
苏姿丰: 至于你问的"大家该研究什么",我对此有强烈的看法。现在有一整场关于AGI的争论:我们离AGI有多近?有时我听到同行和业界的人说:"我们太近了,就差一分钟。"我其实并不相信。
原因是:看看我们在AI上取得的惊人进展,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、我们如何引导它。所以,当你把AI当作工具,你当然要去用世上最好的工具;但归根结底,你仍然受益于你自己的专业知识、你自己的直觉。
就像我喜欢说的,当你招人的时候,你能分辨出谁对自己领域拥有真正的直觉,而谁只是死读书,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,并培养那种直觉,这样无论工具怎么变,都没关系,因为你对自己领域有深入的直觉。这能让你持续推动领域前进,而这是业界很难做到的,因为业界没有耐心。我是说,我们都没耐心。我们想让产品更快上市,想让下一个模型更快出来。而这就是大学环境的区别。对,我是在帮你们说话。是的,我只是换个方式对在座的学生说:请注意,Lisa刚才说这是她人生中最棒的四年,她没说六年或七年。
Peter Stone: 那么……刚才说得很好。实际上,我想追问你,飞飞。你说过人类智能依然非常特别、令人振奋。有时人们问我这个问题,我的一个回答是: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。但我常说,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模型训练方式与我们已知可能实现的方式之间,还缺了点什么。所以我经常回答,尝试用更少的资源,同样的性能但更低的功耗,去做这件事,我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。但我想知道你们俩怎么看,这是否应该成为今天学生的研究议程的一部分。
苏姿丰: 这绝对非常重要。回到刚才说的,计算没有一刀切。物理世界不是单一尺寸的,对吧?它各不相同。而具备这种能力,这就是为什么我觉得我们还处于非常早期的阶段,因为你是对的,有这些大型数据中心,有这些规模定律。但归根结底,计算将无处不在,而且需要更强的性能、更高的效率、更长的寿命、更低的延迟,所有这些都必须优化。
李飞飞: 另外,我认为我们必须谨慎。不要把人脑这20瓦与训练模型所需的巨大能耗直接比较。进化是昂贵的。我们的大脑是数十亿年进化的结果,我还不知道该如何计算整个动物界为此消耗的总能量。所以我们不应该把这两个因素混为一谈。而且,我深信脑科学是一门科学,理解大脑、记录大脑、复制大脑有助于解决脑部疾病。但AI科学也是一门科学,它不必只是复制大脑,因为我们试图解决的那些计算问题,从写代码到生成模拟再到赋能机器人,在某些方面已经超越了人类能力。
07
分歧、焦虑与赠言:去解最难的问题
Peter Stone: 好的,我们的时间快到了。Slido上有一个问题完全没人点赞,但我还是要试试。鉴于你们俩还处于蜜月期,问这个可能有点冒犯,你们有什么分歧吗?有没有什么是你们……
李飞飞: 气候。但我也爱奥斯汀。不。好了,不开玩笑了,我们有什么分歧吗?看得出来我们还没发现。我们还没吵过。我们还没迎来第一……我们还没吵过第一架。
Peter Stone: 好吧,接下来我会给你们每人一次总结发言的机会。从这些问题可以看出,今天的学生们对AI既焦虑又兴奋。结合你们自己的经历,如果你们处在他们的位置,会如何看待这个时刻?你们想给在座所有人留下什么临别赠言?
李飞飞: 现在,对很多学生来说是最动荡的时代,因为这是一个变革的时代。你知道自己的人生即将改变,因为你正处于求学阶段,而你的领域也在改变。这整个是一个技术文明的转折点。我其实想邀请所有学生:在变革的时代,去寻找那些永恒的价值。就像Lisa说的,人生很长。很多事情会变,问题会变,挑战会变,机会会变。但如何过上你想过的生活,并不取决于变化本身,而取决于那些不变的东西,那些永恒的价值。对我个人而言,这段旅程教会我,永恒的价值是好奇心、正直,以及无畏地追求真理、探寻真理,在智力上敢于冒险、保持诚实。
苏姿丰: 我想说,我鼓励你们要有雄心、要非常乐观,真的,因为你们正处于最好的时代。你们拥有不可思议的工具,面前有如此多的机会。很多人向我征求职业建议,问我该做什么。这还是我早年在IBM做年轻工程师时,大概工作两年后,有人给我的建议。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,或者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,但这句话在过去很多年一直跟着我。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,
苏姿丰: 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。我们从中获得快乐,获得成功,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。我认为这就是为什么当下如此有趣,因为你们现在拥有的工具,可以解决那些也许几十年都未曾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。我希望你们在未来的某个时刻会考虑AMD。顺便说一句,她(指李飞飞)将是招聘经理。但谢谢CoRL,谢谢你们的邀请。
Peter Stone: 好的,谢谢大家。(雷峰网(公众号:雷峰网))
国际机器人顶会 CoRL 2026 即将召开,欢迎参会的研究者、学生,以及关注 AI 前沿进展的读者加入我们的交流群。
在这里,你可以认识同行、交流研究,分享招生信息、科研合作、约饭、投稿、组队参会等,寻找潜在的合作伙伴。
大会期间,我们也会持续带来现场报道速递、嘉宾演讲解读、前沿方向梳理和论坛精华。
会场见,也在群里见。
? 进群传送门: 扫码进群或添加微信szhsn610,备注:CoRL+单位/学校+姓名+方向。








