2026年11月11日下午，机器人学习会议（CoRL）在得克萨斯大学奥斯汀分校的巴斯音乐厅进入压轴环节。李飞飞与AMD董事长、总裁兼首席执行官苏姿丰对谈，主持对谈的是本次会议共同主席、得克萨斯大学奥斯汀分校教授、得州机器人中心负责人Peter Stone。

9月28日，AMD宣布以约82亿美元全股票收购World Labs。这笔交易尚未完成，交割仍须通过监管批准，目标是2026年底前完成。交割后，李飞飞将担任AMD执行副总裁兼首席科学家，向苏姿丰汇报。此时台上两人，一边是买方的首席执行官，一边仍是被收购公司的联合创始人兼首席执行官。Peter Stone开场就提到，这笔交易"还在进行中"。

苏姿丰说："欢迎来到AMD的奥斯汀。"她认为，这是一个"极其令人兴奋的时刻"，但"我们仍然处在非常、非常早的阶段"——用棒球的说法，还只是开局。她把物理人工智能、尤其是机器人，说成未来几年里"数千亿美元级"的机会。她强调，关键在于物理规律、模型和整个环境，人们还没有真正搞清楚；她欢迎李飞飞和World Labs团队加入AMD。

她接着说，做了多年硬件优化就会知道，越理解工作负载，越理解应用本身。"硬件、软件和系统的协同优化，在机器人这件事上尤其适用。"在她看来，未来五到十年，这会是一个极其重要的领域。她表示，希望把AMD的生态更广泛地向现场的机器人研究社区打开。

李飞飞说，自己已经认识并敬佩苏姿丰许多年；从十年前到眼下这场人工智能爆发，苏姿丰为AMD和整个计算产业做的事，在她看来"令人惊叹"。她说："建模和计算的关系，已经被人工智能从根本上改变了。"外面常有人问"人工智能是什么"，她的回答是："人工智能就是计算。就是计算。计算就是人工智能。"无论世界模型还是语言模型，她看到的是多模态模型正在合流，而这需要硬件与软件的共同演化和协同设计。

她把同一件事称作"团队科学"：人工智能既是待解决的问题，也是工具；把World Labs做模型的能力和AMD做计算的能力合在一起，是她觉得兴奋的原因。她还说，自己已经知道，以后会常来奥斯汀。

没有一种模型能包办机器人

Peter Stone问到技术路线。现场已经看到大语言模型和基础模型进入机器人，也看到视频生成模型被用进来。未来靠什么驱动？还会是分模块、分层去搭，还是基础模型就能端到端地"独自把机器人做出来"？

李飞飞要求"在智识上诚实"：前沿实验室以及这场会议里公布的一些结果"非常惊人"，她认为自己正处在看到拐点的很早阶段。由语言模型或视觉语言模型驱动的机器人，会扮演越来越大的角色。但她不认为"系统二"——那些更需要推理的问题——已经被完全解决；物理人工智能里仍有一批问题，尚不清楚是否已经有了根本解法。她提到，过去两周自己在看斯坦福"行为"挑战的结果，变化速度快到"令人难以置信"，"我并不认为我们已经看到了尽头"。作为研究者，她说自己"一直绷着"，往哪个方向走"有点让人紧张"，但正因为多个方向都出现了信号，才有把不同方法组合起来的机会。

苏姿丰补充，她并不认为未来只有一条路："没有一种模型，也没有一个方向。"需要覆盖的应用和使用场景很广，模型也会是一整组。前沿的基础模型会在一些场景里表现很好，但更专用的模型可能在成本、功耗上更合适，最终在各类应用里也更顺手。

Peter Stone接着问算力。训练模型需要海量计算，机器人一旦部署，又要在严格的功耗限制下做实时感知、推理和行动。这是不是一个必须把计算、内存和软件放在一起设计的系统问题？

苏姿丰先问现场有谁需要算力。她说自己在计算这个行业做了三十年，"从来没有比现在更好的时候，也从来没有比现在更重要的时候"。算力需要出现在每一个层级：云端要训练很大的模型，企业的边缘环境里要跑机器人，消费产品里也要。她的看法是，模型会有许多尺寸，算力也会有许多尺寸；这从根本上是一个解决方案问题，硬件、软件和系统必须一起优化，才能尽量高效地解决问题。

李飞飞说："我从根本上相信，机器人会把计算推向下一个层级。"苏姿丰立刻接道："这句我喜欢。"李飞飞的理由是，机器人进度落后于大语言模型，因为它本身很难，又连着物理世界；但眼下的拐点是真的。她说自己没有对斜率的精确预测，但确实看到了向上的趋势。由此而来的算力需求会非常大，而且是各种形态都要，不只在训练侧，也在边缘侧。

这些判断，和9月的收购公告可以对应起来。AMD当时写明，收购是为了围绕新兴模型来做硬件、软件和系统，World Labs的模型能力将帮助它看清工作负载如何变化。

公共部门的算力，和会不会组建机器人团队

现场最关心的问题之一，是学术和初创团队能不能拿到算力。

李飞飞提到，自己和包括Peter Stone在内的一些人大约在2019年推动过美国国家人工智能研究资源（NAIRR）相关立法。她说："在这个对人工智能最为重要的历史时刻，如果公共部门得不到足够资源，将是最大的失误之一。"公共部门既包括大学研究者，也包括非营利机构，因为这个国家的创新引擎，首先来自公共部门里"由好奇心驱动的蓝天研究"；它也承担着培养下一代发明者和劳动力的责任。

她的观察是，公共研究侧现在处于严重的算力饥渴。与此同时，安全、安保和负责任的人工智能也需要公共部门：去理解、去评测这些模型，并把它们的好处、坏处和难看之处告诉公众、建议给政府。

苏姿丰说，她百分之百同意李飞飞刚才说的每一句。产业界正在建设大量算力，她用的说法是"非常非常多吉瓦"。需求在相当程度上仍然远大于供给，把其中一部分专门留给长期研究、留给大学、留给下一代创新者，"绝对是我们作为行业领导者的职责之一"，也是她希望和这个社区一起做成的事。她说自己刚才问现场需不需要算力，"并不完全是在开玩笑"。

请李飞飞来当首席科学家，原因之一也在这里：大语言模型已经把人工智能往前推了一大截，但这一切仍然很新；接下来要问的是，怎样让这些技术真正把世界变得更好。机器人是其中一个方向，"我认为我们已经接近了，但还没有真正展示出它能带来的回报"。她也希望行业里其他有同样意愿的人一起，把这个承诺做成现实。

现场提问中票数最高、而且两道题来回争第一的问题里，被问到台上的是："AMD会不会成立一个机器人团队？"

苏姿丰说，公司已经有一个"规模还不错"的物理人工智能和机器人研究力量，只是"还非常早期"，外界可能还不够了解。从计算栈上看，现场可编程门阵列（FPGA）、嵌入式处理器和人工智能引擎已经出现在不少工业现场的机器人里；但针对会场上这类更前沿的机器人学习，"我们还处在非常早的阶段"。

她把"显著加大机器人研究投入，并发展生态关系"说成李飞飞到任后的工作之一，并强调没有一家公司能包办栈上的所有事情。需要初创公司、工业实验室、大学和大公司一起，把开放生态、好用的硬件和可以在不同层级组合的软件搭起来，才能加快机器人走向制造和工业化的节奏。

李飞飞说："既然你们想让我们给一个可以核对的答案，那我说：会。"

博士还值不值得读，通用人工智能是否就在眼前

后半场的问题转向学生：博士还值不值得读，该研究什么，有没有不该当作学位论文的题目。

李飞飞先承认，这是一个变化很快的时刻，"我不骗你们"。台上三个人多少都羡慕台下有多年轻——观众正站在人工智能革命的正中心，而他们是作为已经长大的人走进这场变化的。她说，自己对"该不该读博、读博该做什么"的答案也在变，"我也跟你们保持智识上的诚实"：博士不是每个人的路，尤其是在学习和工程工具变化很快的现在，成为研究者、创新者、产生影响的路径比以前更多。这并不排除读博，她自己热爱那段日子，也相信Peter Stone和苏姿丰是如此；但路径已经打开了，需要自己想清楚。

至于博士是干什么的，她仍然相信：是为了好奇心。"这是生命中最受保护的一段年华"，可以去碰那些最大胆、最好奇、最有意思、也希望最终有影响力的问题。她还说："无论人工智能先进到什么程度，人类智能仍然珍贵，甚至可能正在变得更稀缺。"她认为，正在建设的文明仍然需要人类智能，也需要大胆的好奇心。对那些有强烈渴望和好奇心的人，博士仍是一条很好的路，但必须带着确信，并以最无畏的方式去碰问题。

苏姿丰说，这是一个很好的回答。她当年并没有那么想读博，是父母劝她：还太年轻，先留在学校里。结果"那确实是我生命中最好的四年"——题目本身会变，今天变得更快；关键是有一段时间可以在一个领域里钻到深处，成为这个领域里真正好的人，或接近最好的人。"生命很长，没有人会把你的博士学位拿走。你会一直知道，自己曾经把一个问题做到了这个领域的顶部。"

随后她谈到该研究什么。她说："关于通用人工智能、以及我们离它还有多近，外面有一场很大的争论。我有时会听到一些同行和业内的人说：我们已经非常接近了，就像只差一分钟。""我其实不相信这一点。"在她看来，这些年的进展确实惊人，但进展取决于人们把人工智能用在什么问题上、如何引导它。如果把人工智能看成工具，当然要用最好的工具；但到最后，真正还在的，是一个人自己的专业和直觉。

她把人分成"对领域有真正直觉的人"，和她所说的"书本聪明，或者现在叫人工智能聪明"。这种直觉往往要花时间养成。产业界没有那么有耐心，要更快把产品做出来，也要更快做出下一个模型。这正是大学环境和产业界的差别。

Peter Stone接着提了一个研究问题：现在的人工智能往往和数据中心、海量计算、海量功耗、海量数据绑在一起，而人脑用少得多的能量、也从少得多的数据里学习，中间一定还缺了什么。把同等表现做到更低功耗，会不会是一个重要的研究方向——哪怕它可能和"多卖芯片"并不完全同一方向？

苏姿丰认为这绝对重要。这又回到她前面说的：计算没有一种尺寸能包办，物理世界也不是一种尺寸。正因如此，现在仍然很早。大规模基础设施和缩放定律都在，但最终算力会出现在所有地方，更低功耗、更高效率、更长寿命、更低时延，都要被一起优化。

李飞飞提醒，不要把人脑这20瓦的功耗，和训练模型所需要的巨大能量混为一谈。"进化是昂贵的。"人脑是数十亿年进化的结果，她还不知道该怎么计算智人作为一个物种集体消耗过的能量。她也区分了两件不同的事：一边是理解大脑、复现大脑，以帮助解决脑部疾病；另一边是人工智能这门科学，不必只去复现大脑——因为从写代码、生成仿真到驱动机器人，有些计算问题在某些方面已经超出了人类能力。这是两类都足够大的问题。

收尾时，Peter Stone请两人为台下既焦虑又兴奋的学生各留一句建议。李飞飞说，这是许多学生最动荡的时刻：自己的人生阶段在变，所在的领域在变，而眼下还是一个文明级的技术所带来的文明级时刻。她希望学生在变化里去看那些不变的东西。"生命很长。许多事情都会变，问题会变，挑战会变，机会会变。但你想过上什么样的生活，更多取决于那些不变的东西，取决于那些不会随时代改变的价值。"对她而言，是好奇心、正直，以及无畏地追求真相、寻求真相，并在智识上大胆而诚实。

苏姿丰则鼓励学生"非常有野心，也非常乐观"，因为"你们正处在最好的可能时刻"，手里有很好的工具，前面也有很多机会。她转述了自己年轻时在IBM做工程师大约两年时得到的一句建议。当时有人问她长大后想成为什么，她说自己还不确定：一边是偏深度研究的IBM院士（IBM Fellow），一边是副总裁。

"我当时想，我大概当不了IBM院士，因为我还没聪明到那个程度，但也许可以当IBM的副总裁。"对方给她的建议是："永远冲着最难的问题去。"她当时并不完全懂这句话的意思，但这句话跟了她很多年，也成了她后来给别人的建议。

工程师、科学家、研究者的工作就是解决问题——解决有意思、重要、令人兴奋的问题，并从中得到快乐和成就，也把世界往前推。所以，如果要做事情，就去做最难的那些，并相信自己能因此带来很大的不同。她说，现在之所以格外有意思，是因为手里的工具已经可以去碰那些也许几十年都还没有被解决的问题。"做这件事真的很有趣。"这也是一个"非常好的、开始职业生涯的时刻"。她最后补了一句："我希望你们将来某个时候，也会考虑AMD。"