物理AI：时序为先，智能为后

（作者：Mark Lippett，XMOS首席执行官）智能耳机能抑制列车噪声，同时清晰保留对话人声；配送机器人在人流中穿行，当行人突然闯入时，在距离半米处平稳刹车；无人机检测到阵风后，仅用三毫秒调整姿态，稳定悬停。

以上案例均属于物理AI的成果。但其本质并不单纯依赖AI模型实现。

量产产品与演示样机的差距不在于电路板智能本身。关键在于一套硬性约束：智能运算的输出必须次次准时到达物理世界，且全程控制在固定功耗预算内。时序是物理AI的核心承载约束——一旦时序指标失守，再高的模型精度也无法弥补。简而言之，物理AI首先是时序问题，其次才是人工智能问题。

时延范围跨越多个数量级

“物理AI”精准概括了一类产品，这类产品面临共同工程难题：智能指令必须在不可变通的时限内作用于物理世界。该领域覆盖应用场景广泛。无人机避障系统可接受50毫秒端到端时延；智能耳机语音增强的时延目标需控制在10毫秒以内；而同一款耳机的主动降噪模块，时延指标达到微秒级别。物理AI不同应用领域的时延要求差距可达三个数量级。

这种差异至关重要。时序约束不能简单归结为单一数值，而是一套设计准则，需针对不同产品响应时限量身制定。为直观阐释该观点，接下来以搭载端侧语音增强功能的智能眼镜为例展开分析，并提炼通用设计原则。

案例详解：智能眼镜中的语音增强

一款搭载机器学习拾音降噪算法的真无线耳机有明确端到端时延指标：从麦克风采集声音到输出增强音频，时延约10毫秒。该指标由人耳听觉感知特性与应用底层的低功耗蓝牙音频帧结构共同决定——一旦时延超出范围，佩戴者会感觉对话不自然。

这10毫秒预算由一连串处理环节分摊，每个环节都必须确定性完成运算：

模型的最高时延预算为3～4毫秒。若模型平均运行耗时2毫秒，但最坏工况下达到6毫秒，则无法量产落地。问题不在于模型精度不足，而是频繁超出时延上限，产生可被人体感知的异常。在评估模型精度前，时序预算已成为模型选型的前置约束。

单只蓝牙耳机电池容量约60毫安时，目标续航5至8小时。所有端侧运算模块——音频链路、蓝牙射频、传感器、系统开销，整体平均功耗须控制在约10毫安。因此，AI模型不仅需满足时序预算，功耗也必须限定在范围内，还需预留资源供给其他功能。

这正是时序优先产品工程理念的体现：一系列硬性指标形成约束规范，指标依据产品需适配的物理条件与人体感知特性制定，且必须在模型架构最终敲定前就已确定。

除了上述案例，目前已有越来越多物理AI产品实现落地，例如XMOS新一代VocalFusion® XVF3620 AI语音处理器，是严格遵循物理AI时序优先准则的典型量产产品。该芯片内置高确定性音频处理链路，集成了AI降噪、快速自适应声学回声消除、双麦克风波束成形与自动增益控制等功能，且全程严控最坏工况时延、超低时序抖动，完美适配语音交互10ms级严苛时延预算。XVF3620不仅可用于消费电子产品，也可用于机器人、工业控制和大语言模型输入等多种场景。

案例揭示：时序的三大核心特征

通过上述案例，可总结出适用于所有物理AI产品的三条通用规律。

关注最坏情况时延，而非平均时延。3～4毫秒推理预算指的是最坏工况指标。如果加速器平均推理仅1.5毫秒，但尾部时延高达8毫秒，即便基准测试数据优异，依然无法满足预算。硬实时系统的核心特征是每次运行都达标，而非仅半数工况达标。无论设计者是否意识到，物理AI产品本质上都属于硬实时系统。

时序抖动至关重要，时延并非唯一指标。闭环处理流程——BLE编解码帧、主动降噪链路、无人机控制环路等，都要求相邻采样点间时序具备可预测性。一套平均时延仅5毫秒，但时序抖动达3毫秒的数据链路，其实际性能反而弱于平均时延7毫秒、时序抖动控制在亚微秒级别的方案。通用处理器中用来提升平均吞吐率的架构机制，如缓存、分支预测、乱序执行，都会损害最坏工况下的可预测性，而这正是物理AI最看重的特性。

多模态之间的时序一致性。蓝牙耳机配备两枚麦克风，可穿戴设备可能搭载惯性测量单元，机器人则搭载视觉传感器。各路数据流必须实现采样精度级别的时序对齐，这样多传感器融合算法才能基于一致的环境信息运行。时序错位的输入数据，不会只带来轻微错误输出，系统将基于错误信息，生成看似合理、可信度高的错误结论。

更大的挑战：子系统之间的时序协同

倘若时序问题仅局限于“模型运算耗时多久”，对应的工程实现难度相对可控。然而更棘手、也最常被低估的现实挑战是跨系统边界的时序协同。

在智能眼镜中，音频处理链路并非唯一运行的任务。BLE射频协议栈必须以固定周期处理链路层事件。若这些任务与推理运算共用同一处理器，并以抢占式中断形式处理，将给音频处理链路引入时序抖动。电容触控、电池监测、热管理功能，各自都需满足其对应的时序指标。

真正的硬性约束很少