来源：中国电子报、电子信息产业网

近日，在Arm组织的以物理AI为主题的媒体交流会上，Arm物理AI事业部执行副总裁Drew Henry介绍称：物理AI计算平台与云计算平台所需应对的技术难题截然不同，该平台需要专属的架构设计，而“时延”是理解物理AI最核心的指标。

“时延”是理解物理AI最核心的指标

2025年7月，英伟达创始人兼首席执行官黄仁勋与之江实验室主任、阿里云创始人王坚对话时首次明确提出，“人工智能的下个浪潮是‘物理AI’”。这引发了产业界对物理AI的追捧与讨论。在Drew Henry看来，物理AI是将AI深度嵌入各类智能设备并实现实体化落地的过程。换言之，把AI嵌入执行器 (actuators) 以及机器人平台、自动驾驶汽车平台等可自主运动的各类设备，就是物理AI。

而“时延”，是Drew Henry认为物理AI最核心的指标。所谓时延，指的是电子系统内部从感知信号到实际动作执行之间的时间。在汽车中，时延可以指代汽车从感知到前方障碍物到执行刹车的时间；在机器人中，时延可以指代观察到目标物体到机械臂运动、机器人移动的时间。在具体的场景中，“从感知信号到执行控制”之间的计算需要在微秒或毫秒级时间内完成。“这是一个与数据中心AI完全不同、复杂度极高的计算挑战。”Drew Henry表示。

在Arm看来，物理AI的实现需要深入理解四大计算层级。

第一个计算层级为感知驱动，聚焦于自主运行 (Autonomous Operation)。它关乎感知系统，即赋予机器人或汽车“看见”周围环境的能力，并据此做出快速的实时决策。这一层级的核心要求是在极短时间内完成实时运算。其重要的考察指标，便是从传感器感知信号到执行器启动运作的时延表现。

第二个计算层级是交互驱动层。当乘客乘坐自动驾驶汽车前往目的地时，依然需要和车辆进行交互：乘客可能想查看路线与导航信息、确认行程，也可能因为路途枯燥，想要观看影片。要让车内乘客、或是与人形机器人互动的用户获得流畅体验，交互系统就必须提供相应的算力支撑，因此需要专门设计交互计算层。这一层不需要感知层那样的强实时性，所采用的计算体系也有所区别。

第三个计算层级是驱动执行层。它负责精准控制机器人手中的各类微型执行器，也负责自动驾驶汽车中制动系统与转向系统的控制和执行。这一系统由大量微型器件组成，需要上层系统统一协调调度，这也让整体设计变得极为复杂。

第四个计算层级是云端层，目的主要是实现人形机器人、自动驾驶、机器人系统与云端环境的交互。一方面，用户可以在云端完成新模型训练，再下载到这些终端设备；另一方面，所有设备可以通过云端整合成一个集群，以集群方式协同作业。

此外，Drew Henry提到，这些系统必须做到功能安全、信息安全。

物理AI计算平台与云计算平台截然不同

具身智能行业与IC企业的技术变革之间，谁将是更强的驱动力？

Drew Henry表示，未来十年，具身智能及其所需的模型势必持续迭代演进，人形机器人平台与自动驾驶平台的应用需求也将不断变化，模型与需求都会一代又一代持续升级，而每一代产品都会对性能、能效与成本效益提出更高要求。随着行业对具身智能技术实现路径的探索不断深入，相关工作负载与模型也将持续优化调整。这是一项需要深耕十年乃至更久的计算领域难题，这也正是该领域有望成为有史以来规模最大的市场之一的关键所在。

在物理 AI 领域，由于感知驱动型智能体系，即传感器从采集输入数据，到转化为设备的实际执行动作的过程必须在微秒乃至毫秒级完成；这就意味着，我们所设计的系统并非以极致性能和超高内存带宽为核心设计目标。该系统的设计核心，是在极短时间内实现最快速、最高效的指令执行，达成数据输入、动作输出的即时闭环。

而这与面向云端设计的计算平台所应对的技术难题截然不同，二者属于不同的计算平台，物理AI计算平台也因此需要专属的架构设计。这是一类截然不同的计算领域难题，这一难题也将推动未来十年的系统架构迎来变革。