芯片巨头集体押注物理AI
行业普遍预计，未来十年AI有望带动全球GDP增长约4%，而物理AI将成为这一增长的关键加速器。在物理AI范畴中，人形机器人被公认为最具爆发潜力的方向——巴克莱研究预测，到2035年，其全球市场规模将达400亿美元。
实现物理AI，芯片是核心支撑力量。今年以来，越来越多头部厂商正密集加码该赛道。今天，EEWorld带您梳理各大芯片企业的最新布局与技术动向。
为何物理AI成为焦点
英伟达曾向EEWorld透露，物理AI与机器人技术或将崛起为最大消费级智能市场。未来所有可移动实体都将具备完全自主能力，并由物理AI驱动。AI演进历经四大阶段：感知AI赋予机器观察能力；生成式AI释放创造力；智能体AI（Agentic AI）带来推理、决策与执行能力；如今我们正迈入物理AI时代——智能真正嵌入现实世界，模型理解物理规律，并基于实时环境感知直接生成动作指令。
何谓物理AI？它是一类专为动态、不确定且安全敏感的真实场景设计的智能系统。可应用于自动驾驶、物料搬运、基础设施巡检、精密装配及车队协同调度等任务，所有操作均直接作用于物理空间。
典型应用场景涵盖智能网联车、高端服务机器人、工业无人机与智能制造系统，其中尤以近期热度高涨的人形机器人最具代表性。
本质上，物理AI推动智能深度融入机械本体，模糊了算法模型、软件栈与硬件架构之间的传统边界。AI模型持续处理多源传感器流，输出决策意图并驱动控制系统实时响应；执行反馈再闭环回传，构建起“感知—决策—行动”全链路。
区别于生成式AI，物理AI运行于真实环境，决策即动作。一旦失误，可能危及人身安全或业务连续性，因此在设计、验证与部署环节面临截然不同的严苛要求。
当前，物理AI正处于类似智能手机早期发展的关键拐点——唯有算力、连接与生态三方协同，才能形成统一平台，进而撬动产业规模化落地。
然而，要实现大规模普及，仍亟需一套底层计算底座，需同时承载云端训练、边缘推理与终端实时控制等多重负载，并保障跨代际硬件的软件兼容性。
正因如此，为突破上述瓶颈，芯片厂商正加速投入，并接连公布阶段性成果。
Arm
去年11月，Arm围绕客户AI部署需求，对组织架构进行战略重构，设立三大核心事业部：边缘AI（覆盖手机与IoT）、物理AI（聚焦汽车与机器人）、云AI（面向数据中心与网络设备）。
如今，物理AI已被明确列为Arm战略重心之一，公司将持续深化该领域投入。一方面，该方向有望成为计算史上规模最大的新市场；另一方面，大量客户主动寻求合作，促使Arm专门组建专项团队提供定制化支持。
摩根士丹利预估，至2050年，仅机器人半导体市场就将扩张800倍。目前，汽车与机器人（即物理AI）相关版税收入仅占Arm总收入的7%，但增速显著，凸显其长期增长潜力。
Arm指出，物理AI最核心指标是端到端时延——即从传感器输入到执行器完成动作的总耗时。安全性与能效同样是不可妥协的关键维度。为此，Arm提出四层计算架构：
第一层为感知决策层，强调超低时延实时运算，确保传感—执行链路毫秒级响应；第二层为交互层，承担车机或人机交互任务，实时性要求相对宽松；第三层为驱动执行层，依赖大量MCU精准调控机器人/自动驾驶系统的执行单元，设计复杂度极高；第四层为云端，支撑模型训练、OTA升级与集群调度。整套系统还需满足功能安全与信息安全双重要求，构成当前最复杂的异构计算体系之一。
目前，众多标杆项目已采用Arm方案：如香港地铁巡检机器狗识别准确率超99%；云深处四足机器人功耗仅为传统方案三分之一；Beken芯片本地人脸识别响应快至200ms；UCR人形机器人以低成本低功耗适应极端工况。2026年CES上，物理AI迎来集中爆发，NVIDIA、高通等纷纷推出基于Arm架构的机器人平台。
NXP
恩智浦半导体执行副总裁兼安全连接边缘业务总经理Charles Dachs向EEWorld表示：“真正贴近物理AI本质的应用，莫过于机器人与具身智能——它们需像生命体一样感知环境、主动交互，这对底层系统提出了前所未有的综合挑战。”
他进一步解释，以人形机器人为例，其系统复杂性体现在多个层面：从手指关节的精细操控，需专用芯片驱动海量传感器与执行器；到全身多节点信号协同，要求数据实时、低延迟汇聚至机器人“大脑”；而该“大脑”本身，也需兼顾低延迟、高能效特性，以支撑多模态感知与运动规划。
这正是恩智浦的核心优势所在。公司拥有全面的处理器产品矩阵，并深度融合AI能力，可满足智能边缘侧多样化AI需求。深知协调“大脑”与“身体”的工程难度，恩智浦正携手主流合作伙伴共同攻坚。
在今年GTC2026大会上，恩智浦联合英伟达发布全新机器人解决方案，具备高可靠、高安全的实时数据处理与传输能力，以及先进网络连接性能，全面支持传感器融合、机器视觉与精密电机控制。
恩智浦重点展示了两项参考设计，助力物理AI与人形机器人快速开发：其一是HSB就绪型机器视觉参考设计，基于i.MX 95，实现低延迟、高带宽的视觉与传感器数据传输；其二是HSB就绪型分布式电机控制参考设计，基于i.MX RT1180，通过EtherCAT或时间敏感网络（TSN）达成确定性同步运动控制。
ADI
亚德诺半导体（ADI）提供从核心器件到系统级方案的完整产品组合，覆盖七大关键能力：1.高速互联“神经系统”：包括GMSL、高速以太网、USB、PCIe-LVDS，以及面向关节通信的60GHz无线方案；2.类人灵巧操作：依托IMU、陀螺仪实现精准运动与姿态跟踪；3.先进触觉与抓握感知：集成Trinamic、MAX78000、MEMS等方案；4.安全可控运行：提供MEMS振动监测、安全认证、功率监控等软硬协同防护；5.环境感知能力：涵盖3D ToF景深成像、毫米波雷达等视觉检测方案；6.高效电源管理：含BMS、热插拔、智能电源分配；7.肢体实时控制：支持Trinamic、多圈磁编码器；以及稳健外部连接：ISO-USB、SWID、Mesh无线网络。
迈向物理AI时代，模拟技术将迎来全新机遇。ADI中国区销售副总裁赵传禹（Thomas）向EEWorld指出，以当前火热的智能眼镜为例，其核心瓶颈并非数字技术，而是模拟环节：设备过重影响佩戴体验，续航不足导致频繁充电——这些问题根源皆在于模拟器件性能局限。“相比传统边缘AI，具身智能需更深刻理解物理世界，而这必须建立在高精度感知基础上；模拟与信号链正是连接现实与智能的基石。”Thomas强调，“若源头数据失真，再强大的AI算力也无法产出可信结果。”
ADI Emergent AI事业部副总裁Massimiliano Versace表示，当前数字架构正遭遇能耗、延迟与内存墙等无解困境，尤其在边缘实时场景下尤为突出。模拟AI计算则利用传感与计算基底的物理特性直接运算，将能量高效转化为推理结果。该范式颠覆传统数字架构——后者将感知与计算分离，而前者实现二者原生融合，使智能在传感器端即开始涌现。
Thomas补充道，模拟计算并非全新概念，业界早有探索。不同于数字计算基于“0/1”的离散逻辑，模拟计算支持连续变量运算，算力提升空间更大；但易受温度、电磁干扰等环境因素影响，亟需产业链协同攻关。
AMD
据AMD介绍，在物理AI驱动下，机器人正加速走向产业化，推动感知、导航与决策能力在物理空间中形成闭环。这催生了对可扩展计算平台、AI加速芯片及嵌入式系统架构的强劲需求。
机器人涉及视觉处理、运动控制与大语言模型式推理的交叉融合，因而需要x86平台在协调性、AI集成与资源隔离方面提供强大支撑。为此，AMD持续拓展P100系列，推出8~12核高端型号。
CPU搭载Zen5内核，最高支持12核24线程，其中P185实现高达39%的多线程性能跃升；RDNA 3.5 GPU兼顾视觉、图形与AI加速，P100大幅增加GPU计算单元，胜任更复杂渲染与AI任务；XDNA 2 NPU提供常开、低功耗推理能力，相较GPU功耗更低、延迟更小，提供50 TOPS算力，整机峰值达80 TOPS。
具体来看，P100提供工业级、标准级与扩展级温度选项，性能随规格递增，所有版本共享通用I/O与封装，构成真正可扩展的产品族。
全系器件均针对15–54W功耗区间优化，便于OEM按图形性能、安全控制及不同应用需求灵活选型。
NVIDIA
英伟达在物理AI领域坚持“三台计算机”理念：DGX用于AI模型训练；Omniverse与Cosmos用于仿真、测试与验证；AGX则负责将模型部署至真实世界。目前物理AI浪潮方兴未艾，这三类系统已为其开辟近万亿美元市场空间。
物理AI主要体现为三类机器人：工厂作业机器人、通用服务机器人与自动驾驶车辆。英伟达此前已构建两大基础模型：Cosmos WFM（世界建模与理解）与GR00T（通用机器人技术）。
英伟达认为，当前多数机器人属“专用型”，擅长单一任务却缺乏泛化能力；未来属于“通用型”机器人——兼具广博知识与专业技能，既多功能又高可靠。其开源平台Isaac正为此提供框架、模型与工具库支撑。
本届CES上，英伟达宣布GR00T 1.6正式商用，这是专为人形机器人打造的最新推理基础模型；开发机器人本就困难，而在笔记本、实验室设备与云端之间打通协作链路则更复杂，为此英伟达推出开源指挥中心NVIDIA OSMO；此外，全新Jetson T4000亮相，作为Blackwell架构Thor家族新成员，提供1200 TFlops AI算力与64GB内存，功耗仅40–70W。
值得一提的是，英伟达正大力推动以太网替代传统摄像头解串器，即NVIDIA Holoscan Sensor Bridge（HSB）技术。该方案实现传感器数据实时低延迟传输，简化集成流程并降低开发门槛，专为物理AI与机器人定制。目前已与多家芯片厂商达成合作：MCU阵营包括恩智浦（NXP）与意法半导体（ST）；FPGA阵营涵盖Altera、Lattice与Microchip；豪威（OMNIVISION）、亚德诺（ADI）、德州仪器（TI）、英飞凌（Infineon）等亦加入生态，合力突破机器人传感器集成瓶颈，加速物理AI落地进程。
Intel
在CES 2026展台上，英特尔除PC产品外，首次展出自主研发的人形机器人RoBee。其搭载的第三代酷睿Ultra for Edge，是英特尔首款专为边缘场景打造的酷睿平台，将应用边界从PC延伸至嵌入式与工业级领域，覆盖机器人、自动化、医疗健康与智慧城市等场景。
英特尔中国区研究院院长宋继强向EEWorld表示，具身智能实现生产力级落地仍面临诸多挑战，包括精度、可靠性、安全性、可扩展性，以及成本结构、任务完成能力等多维约束。
他特别指出，AI引入后，系统安全内涵已发生根本变化：不仅需应对传统信息安全威胁，还需防范AI系统自身风险；同时，物理AI在人类生活或工厂环境中运行，涉及人机交互、环境交互，还衍生出物理安全新课题——有时风险并非来自决策错误，而是环境突变引发的安全隐患。此外，安全本身也是成本要素，需依场景合理设定防护等级，做好权衡取舍。
依托多年机器人控制器技术积淀，英特尔已在运动控制算法与计算能力方面构筑坚实壁垒。结合高性能、高性价比的GPU与NPU方案，通过软硬件协同优化，可提供“AI+控制”一体化解决方案，直击当前具身智能核心痛点。
宋继强提出，智能体天然适配异构架构，因其内部模块功能与需求差异显著。他将机器人系统划分为系统2（慢系统）、系统1（任务映射层）与系统0（执行层）：系统2侧重语义理解与抽象推理，运行VLM模型完成视觉理解与任务规划，输出高阶语义结果；系统1负责将VLM分解的任务映射至关节/电机等执行器，输出频率约200Hz；系统0则通过1000Hz以上高频电机控制实现毫秒级流畅响应。
各层级任务特性迥异，对处理器要求也不同：系统2的大模型需处理高吞吐视觉输入，GPU最为适配；系统1强调专用性、实时性与低功耗，NPU更具优势；系统0则需强实时响应与高精度浮点运算，CPU更为合适。正因如此，单颗异构SoC即可实现“大小脑”有机协同，在统一开发流程、简化软件适配、降低成本与缩小体积等方面实现多重收益。
在软件生态方面，英特尔提供面向机器人场景的SDK，集成开发、测试与优化全流程工具链，并配套框架、库、工具、最佳配置（BKC）、教程与示例代码，且每季度持续迭代升级。
Altera
Altera亦于今年全面进军物理AI赛道。公司认为，物理AI系统需在真实环境中完成“感知—处理—执行”全闭环，且须满足确定性时延、能效比、功能安全、网络安全及超长生命周期等严苛指标。随着技术在机器人、工业自动化、智慧基建与自主设备等领域加速渗透，Altera灵活可编程的FPGA平台可提供覆盖全链路的弹性加速能力——从多传感器接入、AI推理到实时控制，一应俱全。
Agilex系列器件集成了AI张量加速模块（AI Tensor Block）、ARM处理器、LPDDR5/DDR5高速内存支持及丰富高速I/O接口，可高效赋能传感器融合、AI推理与实时控制。高度集成的架构带来更优数据处理效率与更灵活的算力扩展能力，专为下一代机器人与工业系统量身打造。
Mobileye
隶属英特尔的智能驾驶技术公司Mobileye正积极拓展物理AI版图。今年1月，其以9亿美元现金加股票方式，收购总部同在以色列的人形机器人企业Mentee。
Mentee机器人具备卓越的即插即用能力：深度融合先进场景理解与自然语言指令执行，支持端到端自主任务处理（无需远程干预），具备高精度定位导航能力，以及对刚性物体的安全操控性能。目前团队正加速推进“小样本泛化”技术研发，目标让机器人通过极少量人类示范，即可快速掌握并执行新技能与新任务。该能力将极大提升人形机器人在多元现实场景中的部署效率，既可作为人力增强工具，亦能作为协作伙伴与人类协同作业。
直播时间：2026年4月15日10：00—11：00
扫描下方二维码参与活动：
直播奖品：
精彩文章推荐
· END ·
欢迎关注EEWorld旗下订阅号：“机器人开发圈”
扫码添加小助手回复“机器人”
进群和电子工程师们面对面交流经验