Arm计算平台推动物理AI持续规模化落地

物理人工智能 (AI) 正推动机器从可预测的受控环境走向复杂多变的现实世界。机器人曾经主要被设计用于工厂车间的高精度重复作业，如今已进化为能够感知、推理、理解环境并对动态场景做出响应。这种变革在宏观层面同样意义深远：AI 驱动的生产力提升，预计未来十年将带动全球 GDP 增长约 4%。[注]

[注] https://cepr.org/voxeu/columns/global-impact-ai-mind-gap

AI 技术的持续进步，让物理 AI 系统能够在毫秒级时间内识别视觉信息、理解场景上下文并调整其行为。无论是仓库自主导航、医院辅助作业，还是道路行驶，自主机器均依据实时情况而不是固定顺序做出决策。

多年来，Arm 从最早部署在工厂车间的固定式机器开始，持续助力物理 AI 系统研发。如今，这套技术基础正赋能新一代智能机器人与自主机器，使其能够在真实环境中运行并实时做出响应。

现实中的物理 AI

从当下打造的机器中，可以清晰地看到物理 AI 的演进脉络。各类形态的机器人及其他自主机器正不断提升环境感知能力、自适应能力与自主运行能力。

新一代人形机器人

物理 AI 的技术进步集中体现在更复杂、类人化的系统上。 此前在 Arm 位于剑桥的总部，智元机器人充分展现了人形机器人技术已取得的长足进展。这些机器人展示出灵巧的操控能力，能以流畅的动作在复杂环境中自主导航，实时融合感知、推理与控制技术。

这类物理 AI 系统专为人类生活或工作环境设计，需要理解空间布局，解读意图，并精准执行动作，同时保障周围人员安全。这对计算能力提出了极高要求，因为视觉处理、AI 推理和运动规划等多个工作负载必须在严格的功耗和散热限制下并行运行。

Arm 计算平台可针对这类工作负载实现高效处理，从而满足相关需求，使人形机器人系统能够在现实环境中灵敏且安全地运行。

四足机器人与工业机器人

四足机器人是物理 AI 的另一重要分支，尤其适用于地形复杂、环境危险、不可预测的场景。

云深处科技等公司研发的机器人专为巡检勘探和应急救援场景设计，可在崎岖地面行进、翻越障碍，并在不断变化的环境中保持稳定。这些能力依赖于持续的环境感知和实时控制，并由高效的计算提供支持。

与此同时，普渡机器人的 PUDU D5 等平台将自主移动能力延伸至工业场景。D5 系列专为巡检、巡逻和物流保障设计，搭载激光雷达和摄像头视觉技术，可在大型厂区、复杂地形自主作业。这在高危、偏远或人员难以抵达的场景中尤其有用，在这类场景下，可以用机器人替代人工执行任务，从而提升安全性并降低风险。

为了支持这一点，该系统采用异构计算架构，将工作负载拆分至感知、规划和控制三大模块，通过持续处理传感器数据，使机器人能够理解环境并以低延迟做出响应。

基于 Arm 计算平台打造的处理器支持这些核心功能，并与 AI 加速器搭配，在边缘侧提供高效性能。这让机器人能够在可靠性、安全性和能效至关重要的环境中独立运行。

工业自动化领域也迎来同样的变革。工厂车间的协作机器人正变得越来越能快速响应不断变化的工作流程，同时不仅能与人类协同作业，还能灵活适配全新任务，而无需完全固定的配置。

波士顿动力公司的 Spot 四足机器人也是个典型例子，其可部署于工业场景中执行巡检和远程运维，在这类场景中，实时感知和控制至关重要。

自动驾驶汽车与移动出行平台

物理 AI 同样正在改变自动驾驶领域，要求系统必须在复杂真实路况下安全行驶和导航。

以联想车计算与文远知行联合打造的自动驾驶出租车为例，这些自动驾驶出租车验证了基于 Arm 架构的可扩展计算平台可实现 L4 级自动驾驶。这些系统处理摄像头和激光雷达等海量传感器数据，以做出实时驾驶决策。

与此同时，Arm 与 Tensor 的合作凸显了新一代计算平台如何围绕 AI 移动出行方案进行设计。这些平台融合高性能计算与高能效特性，为自动驾驶系统中带来实时感知、路径规划和运动控制能力。

Arm 与 Rivian 的合作同样印证了定制化自动驾驶平台可让车辆规模化理解周围环境并实时做出驾驶决策。在这些环境下，可靠性和延迟至关重要。系统必须瞬时做出决策，并长期稳定运行。高效、可扩展的计算能力是实现这一目标的核心。

智能系统的组成模块

物理 AI 的核心是感知、决策和行动之间的持续循环。系统必须处理传感器输入，解析这些数据，并在毫秒级时间内触发响应。在许多情况下，感知到行动的延迟更是决定性要求，尤其是在安全和时效至关重要的环境中。

物理 AI 的演进根植于现代机器人与自主机器系统的工程设计思路：整合多项核心能力，并让这些能力作为一个协调的系统运行。每一层级都对机器如何理解世界以及如何与世界交互产生影响。

感知提供环境认知能力。摄像头、激光雷达和其他传感器阵列持续生成数据流，使系统能够进行物体检测、距离估算和环境建模。边缘 AI 推理在本地处理这些数据。通过在设备端运行 AI 模型，机器人可以即时响应，而无需等待云端输入。在延迟直接影响安全性或性能的环境中，这一点至关重要。

多模态推理融合视觉和语言等多类输入。机器人及其他自主机器能够理解场景，解读指令，并做出适当的行动决策。这使得交互方式更贴近人类自然沟通模式。实时控制与安全防护确保决策得到可靠执行。确定性计算使系统能够在可预测时限内做出响应，而安全防护机制则有助于管理复杂环境下的运行风险。

这些能力目前已经在各行业中得到应用。例如，在智能工厂中，预测性维护系统会持续分析设备数据，以提前识别潜在的故障迹象。同时，在物理 AI 部署中，各类系统均可处理现实世界的输入并以超低延迟执行动作。

以高效、可扩展的计算能力赋能物理 AI

当前物理 AI 系统需要在严格的功耗和散热限制下，处理大量传感器数据、运行 AI 模型和控制运动。许多系统采用电池供电，但电池的功率有限，使得能效成为关键考量因素。同时，必须保持性能稳定，尤其是在时效和精度至关重要的环境中。

为此，如今的计算平台必须具备以下能力：

支持实时决策的确定性性能;

在受限环境下持续稳定运行的高能效表现;

端侧 AI 推理能力，可降低延迟;

异构计算，用于管理多样化工作负载;

可适配各类物理 AI 系统的扩展能力。

Arm 计算平台正是围绕以上原则而设计的。因此，它广泛应用于物理 AI 系统的各个计算领域，从处理传感器数据的低功耗微控制器，到负责复杂 AI 工作负载的高性能中央计算单元(相当于物理 AI 系统的“大脑”)。这使得工程师和开发者能够在构建系统时针对各组件按需进行优化，同时仍保持统一的架构。

例如，在机器人领域，该方案可以实现性能和能效之间的出色平衡。机器人可以处理传感器输入，高效运行 AI 推理并执行控制逻辑，同时不会超出功率或散热限制。对于需要在真实场景下持续运行的系统而言，这一点尤为关键。

Arm 的生态系统也在加速技术开发方面发挥着重要作用。Arm 携手软硬件领域的众多合作伙伴，依托全球超 2,200 万开发者的生态系统，打造从工厂车间固定环境中的机器，到真实环境中运行的人形机器人与四足机器人，覆盖各种场景的物理 AI 平台。

引领智能机器未来发展

物理 AI 正在重新定义机器与世界的交互方式。新一代机器人与其他自主机器具备更强的环境理解能力，依托先进 AI 实现解读、决策和执行。其应用场景也持续拓宽，覆盖交互式系统、工业自动化和自动驾驶等多个领域。

随着系统持续迭代，性能和效率之间的平衡将直接决定技术部署范围。多年来，从最早部署在工厂车间的固定式机器开始，Arm 持续助力物理 AI 系统研发。如今，这套技术基础正赋能新一代智能机器人和自主机器，让 AI 直接作用于物理世界，并且系统原生支持实时响应。

随着物理 AI 持续规模化落地，越来越多的智能机器将基于 Arm 计算平台打造。