Physical AI 推动硬件逼近极限

要点速览：

• 单纯依靠更多算力无法解决物理 AI 的瓶颈。处理能力必须与内存带宽、高效接口、充足供电和散热能力相匹配。
• 物理 AI 需要针对其最终功能和使用环境量身定制的系统架构。
• 现实世界的部署依赖于严格的验证，涵盖极端情况、理解系统行为并确认安全性。

打造适合广泛应用的物理 AI 的竞赛已经展开，但构建这些由传感器驱动的系统，需要工程团队同时并持续应对多种技术挑战。

分析人士预测物理 AI 市场将显著增长，自主系统有望从根本上重塑交通、制造、医疗、能源等多个行业。普华永道旗下的 Strategy& 预计，到 2030 年全球物理 AI 市场规模可能达到约 4300 亿欧元，这反映了自主系统在多个行业中的潜在商业影响。

“物理 AI 系统正从汽车扩展到机器人和无人机，而这些应用开发的瓶颈涵盖整个系统，”Synopsys 汽车与物理 AI 接口 IP 高级总监 Licinio Sousa 表示。“AI 正从数据中心扩展到边缘，随着机器人、无人机和车辆等机器的出现，这一切都源于对自主性、隐私、个性化、更快响应以及更低云依赖的需求。”

需要解决的技术挑战清单既冗长又相互交织。内存容量和带宽需要提升，延迟和功耗需要降低，产品寿命需要延长，安全性需要验证。而这还不够难——解决其中任何一项都可能给其他方面带来问题。

专用架构
解决这些系统级瓶颈需要针对特定用例进行高度优化的专用软硬件。

“我们需要开始谈论为特定工作负载而构建的、经过优化的、更定制化的计算，这正是物理 AI 变得更有意思的地方，”Arteris 执行副总裁兼首席产品与营销官、安全解决方案总经理 Michal Siwinski 表示。“这种工作负载需要针对硬件进行高度优化。我们实际上是在回归 ASIC 在传统意义上的本源——面向特定应用、极致优化，而非更加通用。其中一些已经开始了。看看更灵活的系统如何在软件、硬件与工作负载之间针对特定应用不断演进，将会很有意思，因为模型的迭代速度要快得多。”

自主机器人系统与自动驾驶汽车共享部分相同的技术，尤其是在感知和控制方面，但每一种物理 AI 用例都带来了独特的挑战。

“机器人技术并不是一套新的AI技术栈，”美光科技汽车部门首席系统架构师 Vasanthan Karunanithy 在最近的 JEDEC 汽车论坛上表示。“从 ADAS 系统中，机器人继承了实时感知、路径规划和运动控制。从智能座舱中，机器人技术继承了自然语言理解、上下文推理和个人交互。在具身智能中，更大的挑战在于将这两类工作负载同时运行，并在最后进行信息交换。这就是这两个领域的共同点。但也有一个差异决定了通道的规模。自动驾驶汽车在相对结构化的道路环境中运行，并从更大的电源——车辆电池——获取电力。但机器人则不同，它们在非结构化的三维环境中运行。[机器人]还需要保持多个自由度，它必须操作物体并保持平衡，还必须理解指令中的命令。与汽车相比，它必须在有限的电源条件下完成所有这些工作。”

这些差异因应用场景而有很大不同。自动驾驶汽车在既有的交通基础设施内运行，但必须应对不可预测的道路状况。相比之下，移动机器人和人形机器人可能需要在结构化程度较低的环境中导航，协调操作与平衡，并在严格得多的功耗预算内运行。与此同时，工业机器人可能在受控环境中使用固定电源运行。这些差异使得很难为每一种物理 AI 形态优化出单一架构。

来源：Synopsys。

设计人员必须从一开始就将这些要求纳入系统架构的考量。

“随着工作负载和模型的演进，我们已经看到为满足每一类机器的特定需求而设计的专用芯片，”Sousa 说。“我们的客户持续应对先进 VLA（视觉-语言-动作）模型的需求。在硬件领域，这意味着更密集的计算和 AI 引擎。与此同时，用例的广泛性使得单一的整体式架构更加难以胜任，从而推动向芯粒（chiplet）的过渡——在这种架构下，计算、AI、内存和 I/O 可以基于特定用例通过 UCIe 接口进行扩展。”

芯粒为实现可扩展的物理 AI 平台提供了一条潜在路径，尤其是在异构计算、内存和 I/O 需求能够支撑先进封装时。然而，由于定制化封装、热管理和裸片间通信，它们也可能推高成本和复杂度。对于功耗、尺寸和成本受限的较小且高度集成的系统，整体式 SoC 可能更为合适。

这些约束同时适用于硬件和软件。西门子 EDA 的 EDA AI & Solido 产品负责人 Sathish Balasubramanian 表示：“传感器的重点将更加聚焦于使用场景，你需要确保拥有良好的使用场景，并做到定制化，同时还需要在其之上构建一个软件层。Siemens EDA。”他还开玩笑说：“现实世界中的一切都是模拟的，而我们正试图将其抽象为数字，因此最重要的事情之一就是冗余。传感器已经相当出色了，我们可以进行视觉、热、压力等方面的感知，几乎所有东西都能感知。我们在雷达等各方面也做得很好。更重要的是确保传感器能够在环境中正常工作，而环境需要以某种方式被捕捉，使其不会真正退化，或者内置冗余。”

尽管如此，冗余的有效性可能会有所不同，这取决于组件能否独立失效，以及系统能否识别并响应故障。仅仅增加传感器并不能保证可靠运行，尤其是当环境条件可能同时影响多个传感器时。

将计算架构量身定制以匹配工作负载或使用场景同样会带来权衡。Analog Devices 公司副总裁兼汽车业务负责人 Yasmine King 表示：“一个问题是智能需要离感知发生的实际源头有多近，这里存在一种推拉关系。如果智能分布在整个系统中，更新就会变得更复杂。集中化则允许单一的空中更新点，易于修补和修复，但当你需要快速响应这些数据时，可能会产生延迟问题。在车辆中，如果行人突然跑到你的车前，你必须能够极其迅速地做出反应。因此，智能部署在哪里，取决于你试图收集什么样的传感信息，以及你需要多快做出响应。”

Analog Devices 的 Yasmine King 在 2026 年 10 月 27 日的 Reuters Automotive 2026 大会上发言。

智能的部署位置是一个架构决策，涉及的因素远不止计算性能。它需要在响应时间、通信带宽、功耗、可更新性以及分布式组件的协调之间进行权衡。集中式计算可以简化管理，而本地处理则能减少通信延迟，并在连接中断时保留关键功能。

物理 AI 的内存墙
内存容量、带宽、延迟和能耗是物理 AI 的关键瓶颈，此外某些内存技术还可能面临供应限制。挑战在于设计一个能够在严格的功耗和散热限制下满足日益苛刻的 AI 工作负载需求的内存子系统，而不是仅仅增加足够数量的内存组件。

“数十亿个相关的模型参数还需要在存储、内存和处理单元之间进行存储和传输，”Sousa 说，“如今，这被称为内存墙。随着内存占用持续增长，DRAM 需要超高速接口，例如 LPDDR6，才能不再成为处理的瓶颈。”

性能还取决于访问模式、延迟、数据复用、缓存容量、内存控制器效率以及移动数据所需的能耗。如果工作负载受限于内存层次结构的其他部分，单纯提高原始带宽可能收效有限。

针对特定工作负载的系统设计有助于缓解部分内存负担。“设计出容量合适的内存、合适的算力和冗余，让一切都能装进你的散热和功耗预算，这将非常关键，”Balasubramanian 说。“最重要的是，容量大小很关键。你不会在普锐斯（Prius）里装一个 100 加仑的油箱，你需要的是 10 加仑的油箱。这就是我用来类比内存的例子。你可以通过合理管理，避免需要巨大的 DRAM，而是配备一个相当不错的缓存和内置 SRAM。关键需求始终可以存储在 DRAM 中，但可以在需要时把其他数据转移到闪存或 SRAM。从 DRAM 到 SRAM 的缓存一致性，再到实际计算，最终实现真实的物理 AI，这条内存路径将非常关键。”

这些内存技术之间的权衡十分显著。片上 SRAM 和缓存可以快速访问频繁使用的数据，但其容量受限于硅片面积和成本。外置 DRAM 提供更大的容量，而闪存则为模型、软件以及其他无需常驻活动内存的信息提供非易失性存储。

在这些层级之间移动数据可以降低部分容量需求，但会带来传输开销和延迟。与此同时，缓存一致性关注的是让数据在各缓存和内存之间的副本保持一致，而不仅仅是在存储技术之间搬移数据，但这会带来更多开销。因此，工程师在确定每个层级应配备多少内存时，必须考虑工作集、数据局部性和访问频率。

汽车内存领域的创新很可能在物理 AI 这一问题的解决中扮演重要角色。

“目前这与我们的汽车产品线紧密相关，我们看到机器人领域的大多数需求都直接来自汽车领域，”Imagination Technologies 产品管理高级总监 Rob Fisher 说。“现在很多汽车厂商会把他们的芯片呈现为汽车与机器人平台，因此对 4 位、6 位和 8 位的支持将真正有利于嵌入式边缘类应用的内存带宽和内存占用。这在数据中心不那么令人担忧，但影响有所不同。在数据中心，你或许可以通过对字使用更小的位宽来运行更大的模型。而在汽车应用和机器人应用中，你可能会利用这一优势的另一面，即更小的内存占用。你会把模型约束到只做你需要它做的事情，然后减少容纳它所需的内存和带宽。”

低精度表示可以降低模型存储和内存带宽需求，因此对嵌入式 AI 特别有吸引力。但收益取决于加速器能否高效支持所选的数值格式，以及量化能否保持应用所需的精度。诸如 6 位表示之类的格式还可能引入打包或实现上的开销，从而限制在并非为此设计的硬件上所能获得的收益。

闪存在自主系统的内存管理中也发挥着关键作用。

“DRAM 在容量、功耗和供货方面都受到限制，”Sousa 说，“更快的存储带宽可以缩短加载时间，因此同样的 DRAM 预算就能支持更大的模型。这些系统依靠电池持续运行，而且往往没有主动散热，所以每一次数据传输都要消耗功耗并增加延迟，这就要求每个组件——机械、电子和软件——都要限制功耗、提高效率。MIPI、UFS、LPDDR、PCIe 等接口都内置了一些技术，确保突发数据能够快速传输，然后切换到长时间的低功耗空闲模式。”

更快的非易失性存储可以缩短模型加载延迟，并且配合适当的模型分区或权重流式传输技术，可以让 DRAM 有限的系统运行总模型体积超过可用活动内存的工作负载。但是，仅靠存储带宽并不能增加任意时刻 DRAM 中能够保存的数据量。

用于传输这些数据的接口在电源管理机制和运行特性上也各不相同。它们的效率取决于具体的规范、实现方式、传输模式以及进入低功耗状态的机会。

物理 AI 的内存需求最终可能会证明新内存技术或现有技术变体的合理性，前提是市场规模大到足以支撑相关投资。

“内存是一项关键技术，所有物理 AI 都会需要它，”Rambus 的院士兼杰出发明家 Steven Woo 说，“这些市场的不同之处在于，有些市场只会直接利用现有的内存产品，但也有可能其中某些市场的规模大到足以催生专门的内存类型或现有内存的某种变体。例如 HBM 就是这样。人们原本使用其他类型的内存，突然间市场变大了。再往前追溯，在 LPDDR 出现之前，手机用的只是经过筛选、精心挑选的低功耗 DDR 颗粒。市场规模足够大之后，人们才说，‘那我们干脆做一款专用产品吧。’物理 AI 有潜力成为一个足够大的市场，因此如果需求差异足够大，就可能出现另一种内存。”

这种专门化是否会出现，将取决于需求的规模和一致性。与数据中心不同，物理 AI 涵盖的应用在成本、容量、耐久性、带宽、温度和能效方面的要求差异巨大。这种多样性可能使某些市场倾向于对现有内存技术进行改造，而另一些市场则采用专门定制的解决方案。

验证边缘情况
确保系统安全运行，包括在罕见和意外条件下，是另一大挑战。随着物理 AI 开发者瞄准将其集成到重型机械、医疗设备和其他安全关键技术中，解决验证问题尤为重要。

西门子的 Balasubramanian 表示：“在我们进入任何量产之前，物理 AI 所需要经历的验证循环至关重要，我认为这是我们必须做的最重要的事情。‘如果发生大规模停电或地震，你的光纤电缆被从外部世界切断，或者断电了，会发生什么？你如何在边缘管理这种场景？在传感器附近配备某种计算、某种存储和某种智能将是非常关键的，而人们的做法是根据用例需求来确定他们认为最重要的东西。在工业环境中，我什么时候需要停止装配线？我什么时候需要知道该回电话、拉响警报或采取其他行动？这些就是需要在给定传感器内处理的一些事情。’

这些场景说明了为什么安全关键功能不能总是依赖于持续的云连接或集中式决策。当通信或电力系统失效时，可能需要本地处理来识别故障、触发保护动作，或将设备置于定义的安全状态。

但验证（verification）与确认（validation）针对的是问题的不同部分。验证是确定设计是否满足规定的要求，而确认是考察系统在其预期运行环境中是否表现恰当。安全保证可能还需要危害分析、故障注入测试、共因失效评估，以及符合适用标准的证据。

因此，系统必须被设计为在整个相关硬件和软件堆栈中建立并验证信任，并使保证要求与每个用例相匹配。

“我们在为轮椅设计产品时，和任何物理 AI 应用一样，都有特定的需求，”辅助机器人初创公司 ATDev 的联合创始人 Owen Kent 说。“你必须能够在质量管理体系和第三方电磁兼容性测试中真正让这种硬件经受严峻考验。无论你使用什么硬件，无论是否定制，你都必须能够验证其安全性。”

对开发者而言，这意味着要评估组件在正常运行中是否正确工作，以及整个系统如何应对传感器性能下降、通信故障、意外输入和其他可预见的危害。在许多应用中，通过组件级测试是必要的，但它本身并不能确立系统级的安全性。

结论
物理 AI 的实际限制贯穿从感知到行动的整个路径。设计者必须将模型和硬件与任务相匹配，在可用的能耗和散热预算内移动数据，并验证机器在条件或连接发生变化时的行为。只有当系统的其他部分能够支持时，增加计算能力才会有所帮助。

“在整个路径上——从传感器到处理器再到执行器——都要采用基于标准、低功耗且经过验证的接口，”Balasubramanian 说。“它们为设计者提供可预测的行为、生态系统的互操作性，以及经过硅验证的构建模块。”

一个相关的例子是 MIPI 相机安全框架（MIPI Camera Security Framework），它将相机服务扩展（CSE）2.0 规范与互补的安全规范相结合。CSE 2.0 支持对 CSI-2 相机数据的数据完整性保护和可选加密，而更广泛的框架则解决成像系统组件的身份认证和安全会话建立问题。

“它为相机数据提供端到端安全，覆盖从图像传感器到 SoC 的完整性、身份认证和机密性，”他说，“它还为设计者提供了灵活的选项，以最大限度地降低计算与流量开销、功耗和延迟，从而使安全性与应用需求相匹配，而不是按照最坏情况来设计。”

这一区别很重要，因为机密性是可选的，且保护级别取决于所实现的安全服务和配置。更广泛的框架让开发者能够在保护强度与处理开销、功耗和延迟之间取得平衡，而不是对每个数据流都施加相同的保护。

仅仅让自主机器更强大还不够。它们还必须在现实世界的约束条件下可靠可信。对于物理 AI 而言，节省内存、功耗和带宽的架构选择，还必须支持可预测的行为、弹性，以及大规模部署所需的安全保障。

相关文章
为什么物理 AI 的工程实现如此困难
将传感器、计算和执行器集成到自主系统中，为芯片设计带来了新的挑战。

为物理 AI 扩展数据传输
没有放之四海而皆准的方案。

重新定义边缘与云端 AI 的角色
本地化智能的竞赛已经开启。