物理AI的推进进入了高速阶段

长期以来，人工智能模型的运行都局限于云端。传统模式下，这些模型在数据中心内完成训练与推理，无法直接作用于物理世界。但随着人工智能加速器技术的成熟，边缘设备开始具备本地运行模型的能力，能够在数据源附近采集并处理数据，实现低延迟推理。即便如此，这些模型的输出结果仍需要人类直接介入，才能转化为实际的物理动作。

如今，在安全性、保密性与可靠性方面的技术革新，让汽车先进驾驶辅助系统（ADAS）与工业机器人得以摆脱人工干预，实现安全自主运行。这些技术突破正推动人工智能从 “辅助决策的数字助手”，向 “具备感知、思考与执行能力” 的全新形态演进 —— 这便是物理人工智能（有时也被称为具身人工智能）的核心应用场景。

然而，在物理人工智能加速落地的当下，一个关键问题随之浮现：我们该如何确保这项技术的能力能够惠及更多场景，而非仅被少数高端或高性能系统所垄断？

什么是物理人工智能？

物理人工智能指的是运行在嵌入式硬件上、可直接影响系统物理行为的人工智能模型。

这并非一个全新概念，它是在边缘人工智能与实时控制技术的基础上进行延伸，赋能系统在本地完成环境感知，并基于感知结果自主调整物理动作。

图 1 直观展示了物理人工智能与边缘人工智能的区别。以人形机器人这一物理人工智能的标杆应用为例：物理人工智能负责控制机器人完成抓取、搬运箱子等动作；而边缘人工智能则体现在处理器本地运行人工智能模型的能力上。

1. 物理人工智能建立在边缘人工智能的基础上，不仅涵盖对物理世界的感知，还包括与其的交互。

我们可以通过一个场景理解其优势：在繁忙的高速公路上，驾驶员遇到前方车流突然减速。在传统确定性系统中，只有当与前车距离缩小至设定阈值时，车辆才会触发减速操作，以确保安全停车。

而搭载物理人工智能的系统则会做出更智能的反应：它能更早地分析车流变化趋势，在达到设定阈值之前就主动调整车速。最终实现更平稳、可控的减速动作 —— 这一切都依托于车载嵌入式硬件上本地运行的人工智能模型。这种技术改进如果能普及到大量车辆上，其价值将远超仅应用于少数车型的情况。

当人工智能需要实时分析并响应传感器与执行器数据时，每一毫秒都至关重要。物理人工智能恰好满足了本地近实时数据处理的需求。

然而，我们仍然在云端使用大量计算和内存来训练和完善物理人工智能模型。例如，数字孪生在训练物理人工智能模型（包括机器人模型）时至关重要。通过构建一个包含机械、电子和传感器的虚拟系统版本，我们可以在模型与硬件交互之前测试和完善它们。

边缘人工智能的终点与物理人工智能的起点

边缘人工智能覆盖了从微控制器（MCU）到嵌入式处理器等各类设备上本地运行的人工智能模型。这些模型能够汇总并处理传感器数据，无需依赖远程服务器即可生成输出结果，其技术架构如图 2 所示。

2. 云端AI与边缘AI的比较。

物理人工智能的独特之处，体现在模型生成输出结果之后的环节。边缘人工智能可以完成图像分类、声音识别或传感器数据解读等任务；而物理人工智能则将感知与执行相结合，实时控制系统的运动、反应与调整。例如，当物理人工智能在本地解析周边车流的多重信号后，汽车可以提前做出反应，实现更平顺的变速。

在工业领域，仓库机器人能够根据周边人员的移动情况实时调整行进路线，这得益于机载模型无需网络延迟即可完成场景分析；工业设备可以持续通过本地模型分析传感器数据，动态微调电机的扭矩、位置与转速，而不必依赖云端人工智能模型。

这些技术并非凭空出现，工程师们多年来一直在嵌入式系统中应用预测模型乃至机器学习模型。但物理人工智能的独特之处在于，它将这些能力更深度地融入系统设计中，实现本地推理与执行的紧密耦合。随着物理人工智能被整合到各类产品中，且覆盖不同价格区间，工程师们需要具备可扩展的软硬件设计方案。

物理人工智能依赖于硬件与软件的协同设计

物理人工智能的运行机制可以拆解为感知、思考、执行三个核心环节。以自动驾驶汽车为例：它通过摄像头、雷达、激光雷达等传感器 “感知” 周边环境；通过处理数据规划出安全的行驶路线，完成 “思考” 环节；最后通过控制方向盘、刹车与油门执行行驶计划，实现 “执行” 动作。传统人工智能模型通常只负责感知与环境分析，而当人工智能模型开始介入运动控制时，系统设计的规则也随之发生改变。

在物理人工智能系统中，工程师无法再依赖稳定的无线连接 —— 这类系统对时序的确定性、传感器数据的准确性，以及硬件的毫秒级响应能力有着严苛要求。

工程师需要同时兼顾软硬件设计的多重考量。例如，处理器必须能在控制回路的时序要求内完成模型推理，传感器链必须能提供精准可靠的数据；软件需要在无延迟的前提下协调感知与执行环节，且验证工作的复杂度大幅提升 —— 因为任何误差都可能对设备可靠性与用户安全产生现实影响。

在物理人工智能系统中，软硬件之间的相互影响远超以往的嵌入式系统。因此，物理人工智能的开发工作需要采用软硬件协同设计的思路，将软硬件决策视为紧密关联的整体。我们可以通过一个实际案例来理解这一点。

假设某条生产线需要一款用于搬运精密元件的小型机械臂。软件团队可能希望部署更大规模的模型，以提升抓取预测的准确性，但这对硬件团队提出了挑战 —— 处理器必须在严苛的控制回路时序内完成推理任务。

反过来，硬件团队如果计划在电机中采用新型电流传感器，以获取更高分辨率的数据，就需要推动软件团队调整模型与控制逻辑，从而让机械臂充分发挥传感器的精度优势。

通过协同设计，软硬件团队能够共同打造出最优方案：既保证人工智能模型适配硬件的计算能力，又让传感器满足精度需求，同时确保控制回路符合时序要求。最终实现机械臂更安全、可靠的运行。

物理人工智能系统的硬件挑战

半导体是物理人工智能的基础。这些系统依赖嵌入式处理器运行AI模型，信号链设备准确捕捉传感器信息，以及在负载转移时保持稳定运行的电力技术。这些部分各自为物理AI设计的时机、精准度和一致性设定了极限。

我在许多设计中看到，某一方面的改进会连锁作用于其他方面。新的感应链可以实现更精确的控制。支持稍大模型的处理器可以帮助机器人处理更复杂的场景。而精细的动力架构将帮助系统在快速移动时保持稳定的性能。

从根本上说，物理人工智能依赖于组件间的可预测处理、可靠感测和稳定的电力系统交互。

物理人工智能将走向何方？我看到行业内正在塑造物理人工智能系统成形的趋势。设计师们正在将传感、计算和控制更加紧密地结合起来，以支持可预测的时序和稳定的性能。

如前所述，仿真和数字孪生环境在开发流程中越来越常见，为团队提供了在硬件尚未可用前测试行为的方法。

如今，物理人工智能正在多个领域获得动力：

• 在建筑和基础设施中，工程师可以构建控制器，根据环境信息调整机械系统。

• 在机器人技术中，车载智能帮助机器调整其在人员和设备周围的移动。

• 在工业自动化中，设备根据实时传感器输入调整行为，帮助过程在变化条件下保持稳定。

在所有这些情况下，像德州仪器这样的半导体公司在塑造物理人工智能系统能够实现的目标方面发挥着关键作用。这是因为它们的性能、准确性和可靠性依赖于底层硬件——而不仅仅是软件。

归根结底，他们是物理人工智能时代构建基石的来源。随着这些技术扩展到更多类型的设备和新产品层级，他们的任务还在于确保这些能力对尽可能多的设计师保持触及范围。

如果物理人工智能要塑造机器的移动、反应和支持，提升安全性和便利性，它必须广泛应用于日常设备，而不仅仅是高性能系统。