轉載來源 | Arm 社區

人工智能 (AI) 的下一波浪潮正邁向物理世界，并深度融入汽車、機器人及其他自主設備之中。據麥肯錫 (McKinsey)[1] 預測，到 2030 年，僅在美國市場，由 AI 驅動的智能體和機器人就有望釋放每年約 2.9 萬億美元的經濟價值。

隨著各類設備從執行單一任務、預編程的控制設備，向具備自適應能力的 AI 驅動系統演進，計算性能的評判標準將取決于這些系統能否實現以下能力：

• 在嚴苛的功耗限制下運行；

• 提供確定性響應時延；

• 符合功能安全標準；

• 提供穩健可靠的安全性；

• 在漫長的產品生命周期內保持可靠性。

這意味著，計算平臺從設計之初，就必須圍繞性能、能效、可預測性、功能安全與信息安全進行構建。數十年來，這些原則始終是 Arm 計算平臺的核心。如今，隨著 AI 加速落地至能夠感知、推理、認知并執行的各類設備，這些原則正趨于融合。

這一趨勢正推動著物理 AI 的發展。

什么是物理 AI？

物理 AI 是專為應對多變、不可預測且安全關鍵型場景而設計的智能系統。這類系統可實現道路行駛、物料搬運、基礎設施巡檢、零部件裝配及車隊協同，所有操作均直接在物理世界中完成。

本質上，物理 AI 是將智能嵌入設備之中，打破模型、軟件棧與硬件架構之間的界限。傳感器持續產生的數據流經 AI 模型處理并生成決策，由控制系統實時執行，再將結果反饋至系統，形成從感知到行動的完整閉環。

物理 AI 的應用領域涵蓋自動駕駛汽車、先進機器人、無人機及智能工業系統。這些應用場景的共性在于它們對計算能力提出了嚴苛要求，需在有限功耗與安全邊界內，協同完成感知、推理與控制全過程。

生成式 AI 輸出文本、圖像、代碼等數字內容，通常運行于軟件環境中，其性能主要以模型的精度或創造力為性能衡量標準。與之相比，物理 AI 運行在動態的真實場景中，實時決策會立即轉化為物理運動。

在這一背景下，任何計算誤差都可能影響系統的安全性、可靠性與運行連續性，這也決定了物理 AI 系統的構建、驗證與部署方式。

為何物理 AI 意味著平臺革新？

物理 AI 正處于一個與智能手機發展初期相似的行業轉折點。在智能手機成為真正的平臺級產品時，那是算力、互聯功能與開發者生態發生深度融合的時刻，從而催生了全新的產業與服務。

如今，汽車、機器人及其他自主設備領域也在經歷類似的生態融合，整個生態致力于釋放數萬億美元規模的物理 AI 經濟價值。當前的環境不僅 AI 算法已日趨成熟，傳感器與執行器也日益普及，模型訓練基礎設施亦持續擴展。

然而，要使物理 AI 真正實現規?；?，離不開堅實的計算底座 —— 它既能支撐并協同云端訓練、邊緣推理與設備端實時執行等多類工作負載，又能在硬件迭代過程中保持軟件的連續性。

這正是物理 AI 代表平臺革新的原因。它的定義并非依托某款設備或某種部署方式，而是源于底層計算架構，讓全品類智能機器實現長期、穩定的演進與規模化發展。

Arm 計算平臺正位于這場融合的核心。從邊緣控制器到高性能自主化系統，Arm 技術已成為當前眾多智能基礎設施的基石。隨著 AI 融入更多設備，Arm 在移動與汽車領域保持領先的核心優勢 —— 高性能與高能效兼備、高可擴展性與廣泛的生態，為物理 AI 實現全球規?；峁┝瞬豢苫蛉钡募夹g連續性。

Arm 如何落地物理 AI 實踐？

當前，物理 AI 已深度融入量產級自主化平臺的工程實踐。Arm 計算平臺為汽車、工業機器人及邊緣系統提供核心智能算力，已成為眾多自主系統廣泛采用的計算基石。

Arm 核心驅動了 Rivian 第三代自主化計算平臺，其 Rivian Autonomy Processor (RAP1) 為平臺垂直整合的感知、規劃與控制全棧提供算力支撐。依托 Armv9 架構，Rivian 實現了 AI 推理與車輛控制系統的深度耦合，可在整車架構中實現實時傳感器融合、預測式決策以及線控執行的協同操作。

Tensor 的 L4 級代理式 AI (Agentic AI) 自動駕駛平臺，同樣也采用了 Arm 計算平臺為核心，將智能分布到整車系統。每臺自動駕駛車輛集成了超過 400 個基于 Arm 架構的計算核心，包括面向高吞吐自主化工作負載的 Arm Neoverse AE 系列 CPU、負責通用計算與冗余保障的 Cortex-X 系列 CPU、執行實時安全關鍵控制的 Cortex-R 系列 CPU，以及管理低功耗子系統的 Cortex-M 系列 CPU。

這兩個案例展示了 Arm 架構的異構計算能力：感知、規劃、控制、安全監控與系統管理不再各自為戰，而是作為一個統一系統協同運轉。高性能 AI 處理可與確定性安全系統并行運作，同時，高能效核心負責分布式感知與協同調度任務。這種平衡的方法使得計算能力得以擴展，而無需在熱設計限制、安全完整性或架構一致性上作出任何犧牲。

軟件適配性與生態連續性

隨著物理 AI 系統從原型邁向規?；?，軟件適配性與計算能力變得同等重要。汽車行業為這一趨勢提供了實踐參考。如今，包括特斯拉、Rivian、蔚來、吉利等在內的幾乎所有主流車企，均以 Arm 技術作為核心計算平臺，基于 Arm 技術打造先進駕駛輔助系統 (ADAS)、沉浸式座艙等車載應用，并通過無線更新 (OTA) 實現長達數年的持續迭代。機器人及其他自主化設備，同樣對軟件的持續升級有著類似需求。

以部署在物流或制造場景中的機器人為例，其使用壽命可達十年，但其感知模型與自主決策策略需要頻繁更新。這些持續升級必須在不干擾實時控制領域的前提下進行，同時無需在每次軟件發布時都重新進行全系統驗證。

Arm 在汽車領域深耕數十年，積累了支持混合關鍵任務工作負載的豐富經驗。在這一領域，AI 與通過安全認證的中間件需在同一平臺上并行運行。憑借這些寶貴經驗，Arm 自然而然地具備了支撐下一代物理 AI 系統的能力。此前在汽車中應用的架構理念，如今也可推廣至機器人及其他自主化設備，在實現軟件持續升級的同時，保障系統行為穩定與安全完整性。

云端、邊緣側與物理 AI 的融合

AI 模型通常在大規模云端環境中完成訓練，經仿真優化迭代后，部署至汽車、機器人、工業系統等需即時決策的場景。

物理 AI 系統在真實環境運行時，產生的數據與運行反饋會回傳至云端，用于模型持續優化。長此以往，訓練、部署與優化形成持續閉環。

這一過程讓云端、邊緣側與物理 AI 系統的邊界日趨模糊。計算不再針對訓練、推理、實時執行等環節單獨設計，而需在所有環境中無縫協同，并在系統規模化演進過程中保持可移植性。

Arm 計算平臺已覆蓋全計算鏈路，從云端大規模服務器、邊緣設備到嵌入式控制器，均能提供支撐。這種架構一致性讓開發者可基于統一技術基礎開展研發，更便捷地遷移工作負載、復用軟件，實現智能能力高效規?；?/p>

隨著物理 AI 的成熟，統一云端、邊緣側與物理環境的能力，已與原始性能、能效同等重要。能夠成功落地的系統，必將依托可無縫連接各技術層級的架構打造而成。

智能系統的全新篇章

伴隨汽車、機器人與工業平臺的不斷演進，行業關注的核心問題已不再是“AI 是否會融入其中”，而是“如何設計物理 AI 系統，使其更智能、更協同地實現長期規?；l展”。定義這個時代的標志，將不再是某一款突破性的單一設備，而是那些能讓智能在不同領域間遷移，同時不喪失穩定性、可移植性與可信性的計算平臺。

Arm 通過提供跨行業、跨性能層級的統一計算架構，讓整個生態能夠專注于 AI 能力的持續升級，無需在系統每次擴展時都重新構建底層基礎。

物理 AI 并非遙遠的愿景，它是機器在現實世界中設計、部署與獲得信任的全新篇章。當下的計算架構選擇，將決定未來智能在安全性、效率與全球規?；矫娴陌l展，而 Arm 正在為這一未來奠定基礎。

https://www.mckinsey.com/mgi/our-research/agents-robots-and-us-skill-partnerships-in-the-age-of-ai

會議推薦

大會限時早鳥票享 8 折專屬優惠，現在報名立減 1160，更多詳情可掃碼或聯系票務經理 13269078023 進行咨詢。

今日薦文

你也「在看」嗎？