AI News

Fei-Fei Li and Lisa Su in CoRL Conversation: The Public Sector Compute Gap and the Robotics Technology Roadmap

LeiphoneUpdated Nov 16 21:20

English text is being prepared.

AI summary

At CoRL 2026, Fei-Fei Li, who is about to become AMD's Chief Scientist, and AMD CEO Lisa Su appeared publicly on the same stage for the first time. Fei-Fei Li said that failing to allocate sufficient compute to the public sector is one of the biggest mistakes of this historic moment. Lisa Su responded that AMD is building compute capacity measured in gigawatts, and that leaving a portion of it for long-term research and universities is the responsibility of industry leaders. She also believes that robotics will not be solved by a single end-to-end large model alone, and that models of multiple scales must be co-optimized with software and hardware systems. The two also discussed that the value of pursuing a PhD lies in curiosity, whether AGI is near, and their advice to students: go solve the hardest problems.

Why read this

AI score 51

Fei-Fei Li and Lisa Su shared the stage at CoRL, offering their respective judgments on the public sector compute gap and whether robotics will be swept up wholesale by foundation models.

Topics

Tags

Body

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?

李飞飞、苏姿丰(Lisa Su)和主持人Peter Stone(从左往右)

01

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。

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。

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。

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。

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)

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。

Source

Leiphone