過去幾年，AI產(chǎn)業(yè)的主線始終圍繞大模型、訓(xùn)練集群和云端算力展開。無論是資本市場的敘事中心，還是產(chǎn)業(yè)鏈的資源投入，焦點(diǎn)都更多落在“模型規(guī)模能做多大、訓(xùn)練效率能提升到什么水平、算力集群能擴(kuò)展到多大規(guī)?！边@些問題上。但到了2026年，一個(gè)更具體、也更難回答的問題被越來越多地推到臺(tái)前：當(dāng)AI不再只是生成文本、圖像和代碼，而是開始進(jìn)入汽車、機(jī)器人、無人機(jī)和工業(yè)設(shè)備，直接參與感知、決策與執(zhí)行，計(jì)算平臺(tái)究竟該如何重構(gòu)？

這也是Arm在近日物理AI（Physical AI）媒體交流會(huì)上試圖回答的核心問題。據(jù)悉，Arm是在今年年初才把汽車與機(jī)器人相關(guān)能力統(tǒng)一納入Physical AI業(yè)務(wù)線，此舉看似只是組織調(diào)整，實(shí)則釋放了一個(gè)更明確的信號(hào)：下一階段AI競爭，決定勝負(fù)的未必只是模型能力，而是整套計(jì)算底座能否支撐真實(shí)世界里的感知、推理、控制和執(zhí)行。換句話說，當(dāng)AI真正開始驅(qū)動(dòng)車輪與機(jī)械臂，行業(yè)比拼的對象，正在從“誰更會(huì)訓(xùn)練模型”，逐步轉(zhuǎn)向“誰更能讓AI在現(xiàn)實(shí)世界穩(wěn)定運(yùn)行”。

圖片來源： Arm

從行業(yè)節(jié)奏看，這一判斷并不突兀。國際機(jī)器人聯(lián)合會(huì)發(fā)布的《World Robotics 2025》顯示，2024年全球工業(yè)機(jī)器人新增裝機(jī)量達(dá)到54.2萬臺(tái)，連續(xù)第四年超過50萬臺(tái)；專業(yè)服務(wù)機(jī)器人銷量接近20萬臺(tái)，同比增長9%。與此同時(shí)，麥肯錫在2025年末發(fā)布的研究中預(yù)計(jì)，到2030年，僅美國市場，AI智能體與機(jī)器人就可能釋放約2.9萬億美元的年度經(jīng)濟(jì)價(jià)值。它未必會(huì)按最樂觀的速度兌現(xiàn)，但足以說明，物理AI不再只是實(shí)驗(yàn)室概念，而是在加速進(jìn)入產(chǎn)業(yè)競爭的中心區(qū)域。

物理AI來了，改的不是形態(tài)，而是規(guī)則

Arm在官方材料中這樣對物理AI進(jìn)行定義：它面向的是多變、不可預(yù)測且安全關(guān)鍵的真實(shí)場景，系統(tǒng)需要在物理世界中完成感知、推理與控制的閉環(huán)，而不是只在數(shù)字環(huán)境中輸出內(nèi)容。也就是說，它的輸出不再是文本、圖像或語音，而是動(dòng)作本身。這個(gè)差別看起來只是“輸出形式不同”，但背后對應(yīng)的約束條件完全不同。

在現(xiàn)場，Arm物理AI事業(yè)部執(zhí)行副總裁Drew Henry也用一個(gè)更直白的方式概括這一點(diǎn)：“簡單來說，就是把AI嵌入具備執(zhí)行能力的機(jī)器里?！?/p>

在生成式AI場景中，如果AI給出的回答不夠理想，很多時(shí)候還只是體驗(yàn)層面的問題；可在物理AI場景里，一次誤判可能直接對應(yīng)誤剎車、誤轉(zhuǎn)向、誤抓取，甚至突破整套系統(tǒng)的安全邊界。這里的評價(jià)標(biāo)準(zhǔn)不是“參數(shù)有多大”或者“跑分有多高”，而是系統(tǒng)能否在嚴(yán)格時(shí)延、有限功耗和高安全要求下，把感知到的世界快速、正確地轉(zhuǎn)化為動(dòng)作。

因此，物理AI最難的地方，并不是模型本身，而是模型如何在現(xiàn)實(shí)世界中被穩(wěn)定執(zhí)行。

在交流會(huì)上，Drew Henry反復(fù)強(qiáng)調(diào)一個(gè)核心指標(biāo)：“從感知信號(hào)到執(zhí)行動(dòng)作的時(shí)延，是物理AI最關(guān)鍵的指標(biāo)之一?！毕到y(tǒng)追求的，不是抽象意義上的“更強(qiáng)計(jì)算”，而是“更快、更確定的動(dòng)作閉環(huán)”。無論是車輛的轉(zhuǎn)向與制動(dòng)，還是機(jī)械臂的抓取、無人機(jī)的路徑修正，最終決定體驗(yàn)與安全性的，都是這一閉環(huán)效率。

沿著這一邏輯繼續(xù)拆分，物理AI平臺(tái)并不是一個(gè)平面結(jié)構(gòu)，而更像是多層計(jì)算體系疊加出來的復(fù)雜系統(tǒng)。按照Henry在現(xiàn)場的說法，它至少包括四個(gè)層面：自主決策層，負(fù)責(zé)感知環(huán)境并做出實(shí)時(shí)判斷；交互層，面向乘員或使用者提供信息反饋與互動(dòng)；驅(qū)動(dòng)與執(zhí)行層，把復(fù)雜部件協(xié)調(diào)起來真正完成動(dòng)作；最底層則是云端協(xié)同，承擔(dān)模型訓(xùn)練、數(shù)據(jù)回流與設(shè)備群協(xié)作。四層彼此不同，卻必須在同一套平臺(tái)中協(xié)同運(yùn)轉(zhuǎn)。正因?yàn)槿绱耍锢鞟I并不是“邊緣AI再升級(jí)一點(diǎn)”，而是在倒逼整個(gè)產(chǎn)業(yè)重寫平臺(tái)定義：芯片如何分工，算力如何調(diào)度，安全如何驗(yàn)證，軟件如何持續(xù)升級(jí)，系統(tǒng)如何跨設(shè)備、跨場景擴(kuò)展。

某種意義上，物理AI真正改寫的，不是某個(gè)產(chǎn)品類別，而是下一代計(jì)算平臺(tái)的約束條件。

為什么是現(xiàn)在？Arm把分散能力重新收攏

2026年1月，Arm高管在2026年國際消費(fèi)電子展（CES 2026）期間?向媒體確認(rèn)正式成立物理AI（Physical AI）事業(yè)部。

在交流會(huì)后的采訪環(huán)節(jié)，當(dāng)被問及為何在這一時(shí)間點(diǎn)單獨(dú)設(shè)立物理AI事業(yè)部時(shí)，Henry的回答反復(fù)提到“長期積累”。他表示，Arm在相關(guān)領(lǐng)域的投入已經(jīng)持續(xù)了10到20年，“這并不是一條全新的賽道，而是我們一直在做的事情”。如今把這些能力歸攏到物理AI框架下，與其說是切入一個(gè)新方向，不如說是Arm判斷，這些原本分散在不同賽道里的技術(shù)積累，已經(jīng)到了需要被放進(jìn)同一張產(chǎn)業(yè)圖譜中重新定義的時(shí)候。

這種說法并不難理解。過去很長一段時(shí)間里，汽車和機(jī)器人是兩條相對獨(dú)立的賽道，前者更強(qiáng)調(diào)功能安全、量產(chǎn)體系和供應(yīng)鏈穩(wěn)定性，后者則更強(qiáng)調(diào)運(yùn)動(dòng)控制、環(huán)境適應(yīng)和任務(wù)泛化能力。

但到了近兩年，兩者在底層架構(gòu)上的趨同性越來越明顯：中央計(jì)算平臺(tái)加分布式控制節(jié)點(diǎn)，正在成為越來越多系統(tǒng)的共同選擇；傳感器融合、實(shí)時(shí)決策、功能安全、持續(xù)OTA和云邊協(xié)同，也逐漸成為兩條賽道共享的技術(shù)命題。Arm把汽車和機(jī)器人放進(jìn)同一業(yè)務(wù)線，本質(zhì)上就是對這種技術(shù)收斂趨勢的回應(yīng)。

更重要的是，Arm在相關(guān)領(lǐng)域已經(jīng)有多年的積累。從其披露的數(shù)據(jù)看，如今全球所有聯(lián)網(wǎng)用戶每天都會(huì)與Arm技術(shù)發(fā)生交互；其生態(tài)累計(jì)已出貨超過3250億顆芯片，全球超過2200萬開發(fā)者基于Arm平臺(tái)進(jìn)行全棧軟件開發(fā)。這些芯片分布在物聯(lián)網(wǎng)、智能家居、智能手機(jī)、汽車、機(jī)器人平臺(tái)，以及大型云計(jì)算中心和AI數(shù)據(jù)中心之中。僅過去12個(gè)月，Arm生態(tài)面向汽車、自動(dòng)駕駛和機(jī)器人平臺(tái)就出貨了20億顆設(shè)備。

換句話說，Arm如今強(qiáng)調(diào)物理AI，是試圖把自己長期嵌入汽車、機(jī)器人及相關(guān)計(jì)算體系之中、卻分散在不同賽道的能力，重新組織成一套更完整的敘事。

從更宏觀的維度看，這種押注也不是沒有外部支撐。據(jù)VoxEU預(yù)測，未來十年，AI有望推動(dòng)全球GDP增長4%。Barclays Research也預(yù)計(jì)，到2035年人形機(jī)器人市場規(guī)模就將達(dá)400億美元。摩根士丹利則稱，到2050年機(jī)器人半導(dǎo)體市場規(guī)模有望實(shí)現(xiàn)約800倍增長。而Henry堅(jiān)信，物理AI將進(jìn)一步加速這一增長。

當(dāng)AI進(jìn)入物理世界，計(jì)算競爭開始換賽道

隨著物理AI逐步升溫，一個(gè)行業(yè)共識(shí)也在形成：AI計(jì)算的價(jià)值坐標(biāo)正在變化。

在2026年GTC上，黃仁勛明確提出，AI早已不只是訓(xùn)練問題，“推理的拐點(diǎn)已經(jīng)到來”。這一判斷迅速影響了市場對下一階段算力結(jié)構(gòu)的理解，因?yàn)樗馕吨?，隨著終端部署數(shù)量增加，推理側(cè)會(huì)從“模型之后的一環(huán)”變成新的需求中心。

在物理AI媒體交流會(huì)上，蓋世汽車也把類似問題拋給了Arm。Henry并沒有認(rèn)同“從訓(xùn)練轉(zhuǎn)向推理”的簡單劃分，而是指出，推理本身一直存在于物理AI系統(tǒng)中，“傳感器數(shù)據(jù)進(jìn)入后，系統(tǒng)做出判斷的過程，本身就是推理”。

在他看來，訓(xùn)練和推理并不是替代關(guān)系，而是始終共存：系統(tǒng)需要實(shí)時(shí)推理來做出動(dòng)作，同時(shí)也依賴持續(xù)訓(xùn)練來提升能力。真正發(fā)生變化的，是隨著機(jī)器人和自動(dòng)駕駛系統(tǒng)數(shù)量增加，推理側(cè)的總計(jì)算量會(huì)因?yàn)椴渴鹨?guī)模擴(kuò)大而快速放大。

圖片來源： Arm

這個(gè)回答的關(guān)鍵，不是去否定黃仁勛的判斷，而是把問題重新放回端云協(xié)同的系統(tǒng)視角里。換句話說，在Arm的視角中，推理并不是一個(gè)階段性“替代”，而是始終嵌在系統(tǒng)運(yùn)行中的一部分。

如果從芯片產(chǎn)業(yè)的角度理解，這實(shí)際上是在修正一個(gè)舊坐標(biāo)系——芯片不再只是提供算力資源，而是開始承擔(dān)起系統(tǒng)實(shí)時(shí)響應(yīng)、控制協(xié)同與安全執(zhí)行的關(guān)鍵角色。

過去幾年，AI芯片競爭圍繞訓(xùn)練效率、推理吞吐和帶寬展開，Tensor算力幾乎成為核心指標(biāo)。誰的張量性能更強(qiáng)，誰的互聯(lián)更高效，誰更能支撐更大規(guī)模的模型訓(xùn)練，往往就更容易掌握市場話語權(quán)。但到了物理AI階段，這一邏輯開始不夠用了。原因并不復(fù)雜：系統(tǒng)面對的不再是離線數(shù)據(jù)，而是持續(xù)流入的多模態(tài)傳感器信息，需要在極短時(shí)間內(nèi)完成融合、判斷和動(dòng)作輸出。

因此，關(guān)鍵在于如何“算得及時(shí)”。

Henry在回答芯片范式變化時(shí)提到，物理AI平臺(tái)追求的并不是最高峰值性能，甚至也不只是更高帶寬，而是在微秒級(jí)或毫秒級(jí)時(shí)間窗口里，實(shí)現(xiàn)最快、最有效率的執(zhí)行。

這個(gè)判斷背后的含義非常明確：未來物理AI芯片不會(huì)只是把云端計(jì)算平臺(tái)縮小后搬到邊緣，也不會(huì)簡單沿著通用GPU那種不斷堆疊張量能力的路線繼續(xù)線性外推，而更可能走向更強(qiáng)的異構(gòu)化、更強(qiáng)調(diào)控制平面、更重視軟硬件協(xié)同的方向。

這會(huì)直接帶來芯片邏輯上的變化。

過去在很多AI敘事里，最受關(guān)注的是模型和加速器，而控制器、實(shí)時(shí)處理器、安全島、低功耗管理單元這些模塊，往往更像配套部件。但在物理AI系統(tǒng)中，它們的重要性會(huì)被明顯抬升。因?yàn)橄到y(tǒng)能不能在高負(fù)載或異常狀態(tài)下保持穩(wěn)定，很多時(shí)候不取決于峰值算力，而取決于控制鏈路是否足夠確定，安全邊界是否足夠清晰。

也正因此，Henry才會(huì)反復(fù)強(qiáng)調(diào)，Arm既有實(shí)時(shí)處理器，也有高性能CPU，還能與不同加速器協(xié)同工作。它強(qiáng)調(diào)的重點(diǎn)不是替代加速器，而是把整條執(zhí)行鏈路組織得更可預(yù)測。

這種變化也會(huì)延伸到軟件層。對物理AI來說，軟件棧連續(xù)性往往比短期跑分更重要。汽車行業(yè)已經(jīng)給出了一個(gè)比較成熟的參照：一輛車的硬件生命周期可能長達(dá)數(shù)年，但ADAS、座艙和控制策略會(huì)持續(xù)OTA更新。機(jī)器人系統(tǒng)同樣如此，尤其是物流、制造、巡檢等場景中的設(shè)備，壽命往往很長，可感知模型和決策策略卻要不斷迭代。問題在于，這種迭代不能每次都推翻整套安全驗(yàn)證過程，更不能破壞實(shí)時(shí)控制和安全邊界。

Arm在公開博客中就把這一點(diǎn)列為物理AI平臺(tái)的重要要求：它既要支撐云端訓(xùn)練、邊緣推理和設(shè)備端實(shí)時(shí)執(zhí)行，又要在硬件迭代過程中保持軟件連續(xù)性。

再往前走一步，跨行業(yè)復(fù)用會(huì)成為物理AI降低成本的一條關(guān)鍵路徑。

Henry在采訪中提到一個(gè)很有意思的觀察：傳統(tǒng)汽車正在向自動(dòng)駕駛演進(jìn)，傳統(tǒng)固定功能機(jī)器人也在向自主機(jī)器人演進(jìn)，而在這個(gè)過程中，兩者在自主層面對計(jì)算的需求正越來越接近。對Arm來說，機(jī)會(huì)恰恰在于幫助客戶以相對統(tǒng)一的平臺(tái)覆蓋自主決策、交互、驅(qū)動(dòng)執(zhí)行和云端協(xié)同這些層級(jí)，進(jìn)而簡化軟件棧、提升研發(fā)效率。這并不意味著汽車芯片和機(jī)器人芯片會(huì)完全合流，但至少說明，在底座架構(gòu)、工具鏈和部分控制系統(tǒng)上，復(fù)用空間正在被打開。

說到底，物理AI對芯片行業(yè)提出的新要求，并不只是更強(qiáng)AI算力，而是更完整的系統(tǒng)能力：實(shí)時(shí)、可預(yù)測、安全、可升級(jí)，而且最好還能跨場景復(fù)用。

Arm的優(yōu)勢，不止于芯片，更在整個(gè)平臺(tái)

如果沿著這一邏輯繼續(xù)看，Arm在物理AI里的定位其實(shí)很清楚：它的優(yōu)勢，并不只在于推出一顆“最強(qiáng)單芯片”，更在于提供一個(gè)足夠穩(wěn)定、足夠廣覆蓋的基礎(chǔ)平臺(tái)。

圖片來源： Arm

這種優(yōu)勢首先來自平臺(tái)連續(xù)性。物理AI系統(tǒng)從訓(xùn)練到部署再到運(yùn)行與升級(jí)，本來就是一個(gè)完整鏈條。如果底層架構(gòu)割裂，軟件遷移和系統(tǒng)驗(yàn)證成本會(huì)迅速放大。Arm試圖提供的，是一個(gè)從云到邊、從高性能計(jì)算到實(shí)時(shí)控制都能協(xié)同的統(tǒng)一基礎(chǔ)。

其次，是其在混合關(guān)鍵任務(wù)系統(tǒng)中的長期經(jīng)驗(yàn)。以自動(dòng)駕駛平臺(tái)為例，一套系統(tǒng)往往同時(shí)包含高性能AI計(jì)算、實(shí)時(shí)控制、安全機(jī)制和低功耗管理。

按照Arm新聞稿中的表述，Tensor的L4自動(dòng)駕駛平臺(tái)單車集成了433個(gè)基于Arm架構(gòu)的核心，覆蓋Neoverse AE、Cortex-X、Cortex-A、Cortex-R和Cortex-M等不同系列，分別承擔(dān)高吞吐AI處理、座艙與峰值性能控制、線控與通用計(jì)算、實(shí)時(shí)安全關(guān)鍵控制以及低功耗子系統(tǒng)管理等任務(wù)，并與NVIDIA加速計(jì)算協(xié)同運(yùn)行。

這個(gè)案例說明：在真實(shí)的物理AI系統(tǒng)里，Arm的價(jià)值往往不在于獨(dú)占所有AI算力，而在于它能夠滲透到從主計(jì)算域到最小控制節(jié)點(diǎn)的各個(gè)層面，把感知、控制、安全和系統(tǒng)管理編織進(jìn)同一套底座。

這種角色也解釋了為什么Arm在溝通中一直強(qiáng)調(diào)“靈活”。

在Henry的表述里，客戶既可以采用合作伙伴提供的技術(shù)，也可以基于Arm搭建自己的差異化平臺(tái)。它不是強(qiáng)行推一種封閉式方案，而是把自己放在一個(gè)開放底座的位置上。這種姿態(tài)在今天的物理AI階段尤其重要，因?yàn)闊o論是具身模型、世界模型，還是自動(dòng)駕駛和機(jī)器人平臺(tái)的架構(gòu)，整體上都還遠(yuǎn)未收斂。行業(yè)現(xiàn)在最需要的，不是一個(gè)唯一標(biāo)準(zhǔn)答案，而是一套能容納不同路徑演進(jìn)的基礎(chǔ)平臺(tái)。

熱度不缺，難的是把物理AI真正跑起來

當(dāng)前物理AI的市場關(guān)注度已明顯走高，但其產(chǎn)業(yè)成熟度尚未與之匹配。確實(shí)，從自動(dòng)駕駛到人形機(jī)器人，從工業(yè)系統(tǒng)到服務(wù)機(jī)器人，幾乎所有科技公司都在強(qiáng)化“AI進(jìn)入現(xiàn)實(shí)世界”的敘事。機(jī)器人已經(jīng)成為展會(huì)與資本市場中的高頻詞，模型、仿真、端側(cè)推理和世界模型也在迅速升溫。物理AI的概念，至少在輿論層面，已經(jīng)進(jìn)入加速期。

但真正的問題，并不在于概念是否成立，而在于它能否規(guī)?；涞?。

技術(shù)路線仍在快速變化，模型形態(tài)尚未收斂；商業(yè)模式仍在探索，規(guī)模部署與成本控制尚未完全匹配；更重要的是，安全與責(zé)任體系的復(fù)雜度遠(yuǎn)高于生成式AI。物理AI不能容忍太高的試錯(cuò)成本，一旦進(jìn)入現(xiàn)實(shí)環(huán)境，就必須面對功能安全、冗余設(shè)計(jì)和監(jiān)管驗(yàn)證等問題。也正因如此，Arm反復(fù)強(qiáng)調(diào)“安全、確定性和系統(tǒng)穩(wěn)定性”。

回到最初的問題，當(dāng)AI開始驅(qū)動(dòng)車輪與機(jī)械臂，計(jì)算邏輯究竟發(fā)生了什么變化？

答案或許可以總結(jié)為一句話：AI不再只是追求更強(qiáng)的計(jì)算能力，而是需要在真實(shí)世界中實(shí)現(xiàn)可控、可靠的決策與執(zhí)行。

對Arm而言，成立Physical AI業(yè)務(wù)線只是一個(gè)起點(diǎn)。真正的挑戰(zhàn)，是能否在這場從云端走向現(xiàn)實(shí)世界的產(chǎn)業(yè)重構(gòu)中，把自身的底座能力，轉(zhuǎn)化為下一代計(jì)算平臺(tái)的核心影響力。

返回第一電動(dòng)網(wǎng)首頁 >