自主机器有望改变多个行业，但内存瓶颈、功耗限制、专用架构和安全要求，正迫使芯片设计者重新思考整个系统。

要点：

• 仅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环境量身定制的系统架构。
• 真正落地取决于严格验证：要覆盖边缘情况、理解系统行为并验证安全性。

物理AI正朝着广泛应用迈进，但要构建这些由传感器驱动的系统，工程团队必须同时、持续地解决多种技术挑战。

分析师预计，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。PwC旗下Strategy&预计，到2030年，全球物理AI市场规模可能达到约4300亿欧元，反映出自主系统在多个行业中的商业潜力。

Synopsys汽车与物理AI接口IP高级总监Licinio Sousa表示：“物理AI系统正在从汽车扩展到机器人和无人机，而这些应用的开发瓶颈覆盖整个系统。AI正从数据中心走向边缘端；对于机器人、无人机和车辆等机器来说，推动力来自自主性、隐私、个性化、更快响应以及减少对云的依赖。”

需要解决的技术挑战清单很长，而且彼此交织。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。更难的是，解决其中任何一个问题，都可能在别处引发新问题。

专用架构

要解决这些系统级瓶颈，需要高度专用、针对特定用例优化的硬件和软件。

Arteris执行副总裁、首席产品与营销官兼安全解决方案总经理Michal Siwinski表示：“我们需要开始谈论为特定工作负载打造的、更优化、更定制化的计算，这正是物理AI更有意思的地方。那种工作负载必须针对硬件高度优化。我们基本上是在回到ASIC的传统意义上——ASIC本来就应该是高度应用专用、极度优化的，而不是通用的。现在已经有一些这样的趋势开始出现。接下来会很有意思，看看在软件、硬件和工作负载之间，面向非常具体应用的更灵活系统会如何演进，而且还要持续演进，因为模型变化得快得多。”

Micron Technology汽车业务的系统架构师Vasanthan Karunanithy在最近的JEDEC Automotive Forum上表示：“机器人并不是一套新的AI栈。从ADAS系统中，机器人继承了实时感知、路径规划和运动控制。从智能柜中，机器人继承了自然语言理解、上下文推理和人机交互。在具身智能中，更大的挑战是把这两类工作负载同时运行起来，然后在最后交换信息。所以这就是这两个细分领域的共性。但也有差异，这体现了通道规模。自动驾驶车辆运行在相对结构化的道路环境中，并且从更大的电源——车辆电池——获取能量。但看机器人时，它们运行在非结构化的三维环境中。[机器人]还需要维持多个自由度，必须操控物体并保持平衡，还要理解指令中的命令。与汽车相比，它必须在更有限的电源下完成这一切。”

这些差异在不同应用中差别很大。自动驾驶车辆运行在既有交通基础设施之内，但必须应对不可预测的路况。相比之下，移动机器人和人形机器人可能需要在结构更松散的环境中导航，协调操控与平衡，并在更受限的功耗预算下运行。与此同时，工业机器人可能在受控环境中运行，并接入固定电源。这些差异使得为所有形式的物理AI优化单一架构变得困难。

设计者必须从一开始就把系统架构建立在这些要求之上。

Sousa表示：“随着工作负载和模型不断演进，我们已经看到，正在出现为每一类机器的特定需求而设计的专用硅片。我们的客户持续在应对对先进VLA（视觉-语言-动作）模型的需求。在硬件层面，这意味着更密集的计算和AI引擎。与此同时，用例范围太广，使得单一的单片架构变得更难适用，因此正转向chiplet方案，在这种方案中，计算、AI、内存和I/O可以通过基于UCIe接口的方式，按具体用例进行扩展。”

Chiplet为可扩展的物理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需求足以证明先进封装合理性的情况下。不过，它们也可能因为定制封装、热管理和die-to-die通信而推高成本和复杂度。对于更小型、高度集成、受功耗、尺寸和成本约束的系统，单片SoC可能更合适。

这些约束同样适用于硬件和软件。Siemens EDA的EDA AI与Solido产品负责人Sathish Balasubramanian表示：“传感器会更聚焦于用例，你需要确保有好的用例，而且是定制化的，同时你也需要在其上层有软件层。我总是开玩笑说，现实世界中的一切都是模拟的，而我们正试图把它抽象成数字，因此最重要的事情之一就是冗余。传感器已经相当不错了。我们可以感知视觉、热量、压力以及其他任何东西。我们在雷达和其他方面也已经做得很好。更重要的是确保传感器能够在环境中运行，而且要以一种不会真的退化的方式捕捉环境，或者内置冗余。”

不过，冗余的效果会因组件是否能够独立失效，以及系统是否能够识别并响应故障而不同。仅仅增加传感器并不能保证可靠运行，尤其是在环境条件可能同时影响多个传感器的情况下。

将计算架构按工作负载或用例进行定制，也会带来权衡。Analog Devices企业副总裁兼汽车业务负责人Yasmine King表示：“智能需要离实际发生感知的位置有多近，这是一个问题，这里存在拉扯。如果把智能分布在整个系统中，更新就会更复杂。集中化则允许通过一个点进行OTA更新，便于补丁和修复，但当你需要快速响应这些数据时，它可能会带来延迟问题。在车辆中，如果行人突然冲到车前，你需要能够极快地响应。所以智能放在哪里，取决于你想收集什么样的传感信息，以及你需要多快做出反应。”

Yasmine King于2026年10月27日在Reuters Automotive 2026上发言。

智能放置位置是一项架构决策，涉及的不只是算力性能。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协调之间取得平衡。集中式计算可能简化管理，而本地处理可以减少通信延迟，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；某些内存技术还可能面临供应约束。真正的挑战不是简单地增加足够多的内存器件，而是设计出能够在严格功耗和热限制下为日益苛刻的AI工作负载供数的内存子系统。

Sousa表示：“数十亿个相关模型参数也需要在存储、内存和处理单元之间存储和传输。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，比如LPDDR6，才能不再成为处理瓶颈。”

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量。如果工作负载受限于内存层次结构的其他部分，那么单纯提高原始带宽带来的收益可能有限。

针对工作负载的系统设计可以帮助缓解部分内存负担。Balasubramanian表示：“合适尺寸的内存、合适尺寸的计算和冗余，以及所有必须装进热和功耗预算的东西，都会非常关键。最重要的是，尺寸很重要。你不会在普锐斯里装一个100加仑的油箱。你需要的是10加仑的油箱。我用这个类比来说明内存。你可以用一种方式来管理它，不需要巨大的DRAM，但你可以有一个相当不错的缓存和内置SRAM。它总是可以把关键需求存进DRAM，但在需要时，你可以把其他东西转移到闪存或SRAM。就内存路径而言，从DRAM到SRAM，再到实际计算，再到真正实现物理AI，缓存一致性会非常关键。”

这些内存技术之间的权衡很大。片上SRAM和缓存可以为高频使用的数据提供快速访问，但其容量受硅面积和成本限制。外部DRAM提供更大容量，而闪存则为模型、软件和其他不需要保持在活动内存中的信息提供非易失性存储。

在这些层级之间移动信息可以降低部分容量需求，但会增加传输开销和延迟。与此同时，缓存一致性关注的是让缓存和内存中的数据副本保持一致，而不只是把信息在不同存储技术之间搬运，但这也会带来更多开销。因此，工程师在决定每一层放多少内存时，必须考虑工作集、数据局部性和访问频率。

汽车内存创新很可能在物理AI问题的解决方式中占据重要位置。

Imagination Technologies产品管理高级总监Rob Fisher表示：“目前它与我们的汽车产品线联系非常紧密，我们看到来自机器人侧的大多数需求都直接来自汽车侧。现在很多汽车厂商会把自己的芯片同时定位为汽车和机器人平台，因此4位、6位和8位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。对数据中心来说，这不那么关键，但影响不同。你可能通过在字宽上使用更小的位宽，在数据中心里运行更大的模型。而在汽车和机器人应用中，你可能会反过来利用这一点，也就是更小的内存占用。你会把模型限制在只做你需要它做的事情，然后减少用于容纳它的内存和带宽。”

更低精度的表示可以降低模型存储和内存带宽需求，因此对嵌入式AI尤其有吸引力。但其收益取决于加速器是否能高效支持所选数值格式，以及量化是否能保持应用所需的精度。6位表示等格式也可能引入打包或实现开销，使得在未针对其设计的硬件上，收益受限。

闪存存储在管理自主系统内存方面也发挥着关键作用。

Sousa表示：“DRAM在容量、功耗和可获得性方面都受到限制。更快的存储带宽可以缩短加载时间，因此同样的DRAM预算可以支持更大的模型。这些系统持续依靠电池运行，而且通常没有主动散热，所以每一次数据传输都会消耗电力并增加延迟，因此机械、电子和软件等每个组件都必须降低功耗并提高效率。MIPI、UFS、LPDDR、PCIe等接口都内置了技术，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，并在配合适当的模型分区或权重流式传输技术时，使DRAM有限的系统能够执行总模型占用超过可用活动内存的工作负载。不过，存储带宽本身并不会增加任一时刻DRAM中可容纳的数据量。

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。其效率取决于具体规范、实现方式、传输模式以及进入低功耗状态的机会。

如果市场规模足够大，物理AI的内存需求最终可能证明有必要开发新的内存技术，或现有技术的变体。

Rambus杰出工程师兼杰出发明人Steven Woo表示：“内存是一项关键技术，所有物理AI都会需要它。不同的是，其中一些市场只会利用现有内存，但也有可能有些市场会大到足以需要自己的内存类型，或者现有内存的某种变体。我们在HBM上就看到了这一点。人们原本在使用其他类型的内存，后来市场突然变大了。如果回到LPDDR出现之前，手机只是使用经过分档、精挑细选的DDR器件，它们碰巧是低功耗的。市场大到一定程度后，人们就会说，‘好吧，那我们干脆做一个专门的器件。’物理AI有可能成长为足够大的市场，因此如果需求差异足够大，可能会出现另一种内存。”

这种专门化是否会发生，将取决于需求的规模和一致性。与数据中心不同，物理AI覆盖的应用在成本、容量、耐久性、带宽、温度和能效方面的要求差异很大。这种多样性可能使某些市场更倾向于对现有内存技术进行改造，而另一些市场则更适合专门设计的解决方案。

验证边缘情况

确保系统在安全条件下运行，包括在罕见和意外情况下，也是另一项重大挑战。随着物理AI开发者将目标指向重型机械、医疗设备和其他安全关键技术，解决验证问题尤为重要。

Balasubramanian表示：“在把物理AI带入任何生产环境之前，我们需要建立的验证闭环至关重要，我会说这是我们需要做的最重要的事情。比如发生大规模停电，或者发生地震，外部世界的光纤电缆被切断，或者停电了？你如何在边缘端管理这种场景？在传感器附近保留某种计算、某种内存和某种智能会非常关键，而人们实现这一点的方式，是根据用例需求找出他们认定最重要的东西。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打电话回去，或者拉响警报，或者做其他事情？这些都是需要在单个传感器内处理的事情。”

这些场景说明，安全关键功能并不总能依赖持续的云连接或集中式决策。本地处理可能是必要的，以便在通信或供电系统失效时识别故障、触发保护动作，或让设备进入定义好的安全状态。

但验证和确认解决的是问题的不同部分。验证用于确认设计是否满足既定要求，而确认则检查系统在其预期运行环境中的表现是否合适。安全保障还可能需要危害分析、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，系统必须围绕相关硬件和软件栈建立并验证信任，并让保障要求与每个用例相匹配。

辅助机器人初创公司ATDev联合创始人Owen Kent表示：“当我们为轮椅设计产品时，和任何物理AI应用一样，我们有特定需求。你必须在质量管理体系以及第三方电磁兼容测试中，真正把这些硬件折腾到极限。无论你使用什么硬件，不管是不是定制的，你都必须能够验证安全性。”

对开发者来说，这意味着不仅要评估组件在正常运行时是否工作正常，还要评估完整系统在传感器退化、通信故障、意外输入和其他可预见危险下的响应。在许多应用中，通过组件级测试是必要条件，但这本身并不能证明系统级安全。

结论

物理AI的实际限制贯穿从感知到行动的整个路径。设计者必须让模型和硬件与任务相匹配，在可用的能耗和热预算内移动数据，并验证机器在条件或连接变化时的行为。只有当系统的其他部分能够支撑时，增加算力才真正有帮助。

Balasubramanian表示：“从基于标准、低功耗且经过验证的接口开始，贯穿整条路径——从传感器到处理器再到执行器。它们能为设计者提供可预测的行为、生态系统互操作性，以及经过硅验证的构建模块。”

一个相关例子是MIPI Camera Security Framework，它将Camera Service Extensions（CSE）2.0规范与补充安全规范结合在一起。CSE 2.0支持对CSI-2相机数据进行数据完整性保护，并可选加密；更广泛的框架则处理成像系统组件的身份验证以及安全会话建立。

他说：“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、身份验证和机密性。它还为设计者提供灵活选项，以尽量降低计算和流量开销、功耗和延迟，因此安全可以根据应用进行匹配，而不是按最坏情况来设计。”

这种区别很重要，因为机密性是可选的，保护级别取决于所实施的安全服务和配置。更广泛的框架让开发者可以在保护与处理开销、功耗和延迟之间取得平衡，而不是对每条数据流都施加相同的保护。

让自主机器更强大还不够。它们还必须在现实世界的约束下可靠运行。对于物理AI来说，能够节省内存、功耗和带宽的架构选择，也必须支持可预测的行为、韧性，以及大规模部署所需的安全保障。

数据移动扩展用于物理AI：没有一种方案适合所有场景。

重新定义边缘与云AI的角色：本地智能竞赛正在展开。

Brendan Heffernan