車東西（公眾號：chedongxi）
作者 ｜ Janson
編輯 ｜ 志豪

在中國市場持續(xù)推進智能化轉(zhuǎn)型的背景下，Arm正進一步強化自己在新一輪計算產(chǎn)業(yè)變革中的位置。

車東西3月19日消息，日前，Arm方面在交流中表示，隨著人工智能從云端訓練走向終端部署，并進一步進入汽車、機器人等真實物理場景，計算平臺的競爭重點也在發(fā)生變化。

相較于傳統(tǒng)云計算或一般邊緣計算，面向自動駕駛、具身機器人等應用的“物理AI”，不僅要求更高的算力密度，更強調(diào)時延、能效、安全與系統(tǒng)級協(xié)同能力。

Arm方面認為，這恰恰是其長期積累的優(yōu)勢所在。作為一家以底層計算平臺為核心定位的企業(yè)。

Arm方面稱，基于Arm架構的芯片累計出貨已超過3250億顆，全球有2200萬開發(fā)者基于其平臺進行全棧軟件開發(fā)，相關技術已廣泛進入移動終端、物聯(lián)網(wǎng)、汽車、機器人及云基礎設施等領域。

如今，隨著物理AI被視為下一階段產(chǎn)業(yè)落地的重要方向，Arm也開始圍繞邊緣AI、物理AI和云AI重新梳理業(yè)務重心，其物理AI將汽車與機器人視為未來幾年最關鍵的增長場景之一。

一、Arm押注物理AI 打通從端側(cè)到云端的計算底座

在現(xiàn)場，Arm物理AI事業(yè)部執(zhí)行副總裁Drew Henry與媒體分享了他對Arm在物理AI的理解和判斷。

在Arm的判斷中，物理AI本質(zhì)上是讓AI真正進入具備感知、決策和執(zhí)行能力的實體設備之中，包括自動駕駛汽車、各類自主機器人、工業(yè)設備、無人機以及更多可移動、可操作的智能系統(tǒng)。

▲實現(xiàn)物理AI的四大計算層級

與數(shù)據(jù)中心里的大模型訓練，或是手機、PC等終端上的邊緣AI相比，物理AI最大的不同，在于它必須直接面對現(xiàn)實世界的時間約束，也就是從傳感器感知環(huán)境，到系統(tǒng)完成計算，再到執(zhí)行器真正做出動作，這一鏈路中的時延必須被壓縮到毫秒甚至微秒級。

無論是車輛制動、轉(zhuǎn)向，還是機械臂抓取、機器人移動，這種“從感知到執(zhí)行”的響應能力，都決定了平臺是否具備真正的落地價值。

也正因如此，Arm將物理AI視為一個比傳統(tǒng)智能終端更復雜的系統(tǒng)工程。

按照其給出的劃分，這類平臺至少涉及四層計算層級：第一層是負責環(huán)境感知與自主決策的感知驅(qū)動層，承擔自動駕駛汽車和自主機器人的實時判斷任務；

第二層是面向人機互動的交互驅(qū)動層，支撐車內(nèi)信息娛樂、導航顯示以及機器人與用戶之間的自然交互；

第三層是驅(qū)動執(zhí)行層，用于控制制動、轉(zhuǎn)向、電機、機械臂等各類具體執(zhí)行機構；

第四層則是云端系統(tǒng)，負責模型訓練、軟件更新、數(shù)據(jù)回流和多設備協(xié)同。

Arm方面認為，真正成熟的物理AI平臺，必須把這幾層能力有機結(jié)合起來，同時滿足功能安全、信息安全和高能效要求。

從產(chǎn)業(yè)演進看，Arm的核心判斷是，汽車和機器人正在沿著相似的路徑走向自主化。

前者正從傳統(tǒng)汽車逐步邁向更高水平的輔助駕駛與自動駕駛，后者則從固定功能機械系統(tǒng)演進為具備感知和決策能力的自主機器人。

兩類產(chǎn)品的形態(tài)雖不同，但在底層計算需求上越來越趨同，這也是Arm持續(xù)加碼這一領域的重要原因。

Arm方面還提到，公司很早便開始圍繞AI負載演進調(diào)整架構方向。

以2017年Transformer提出為例，其內(nèi)部認為這類模型的技術路線將深刻改變未來計算需求，因此較早開始為相關應用進行準備。

在商業(yè)層面，Arm同樣希望借物理AI打開新的增長空間。

長期以來，Arm技術已深度參與ADAS、自動駕駛和機器人平臺建設，僅2025年，Arm生態(tài)面向汽車、自動駕駛和機器人平臺的芯片出貨量就達到20億顆。

▲Arm廣泛的生態(tài)系統(tǒng)

結(jié)合其在移動終端、物聯(lián)網(wǎng)與云基礎設施上的既有生態(tài)，Arm正在試圖建立一種覆蓋“從微型傳感器到云端算力中心”的統(tǒng)一計算底座。

而中國，顯然是這一布局中極為關鍵的一環(huán)。

Arm方面表示，中國市場在汽車、機器人和各類智能終端上的創(chuàng)新速度極快，不僅是技術落地的重要場景，也在不斷反向影響全球產(chǎn)業(yè)趨勢?；谶@一判斷，Arm希望繼續(xù)借助自身生態(tài)連接能力，把全球技術資源引入中國，同時也將中國市場中形成的創(chuàng)新成果帶向全球。

某種程度上，這也解釋了Arm為何在當前階段將物理AI提升至更高戰(zhàn)略位置：當AI開始從“會思考”走向“會行動”，底層計算平臺的話語權，也可能被重新定義。

二、對話Arm物理AI事業(yè)部執(zhí)行副總裁 詳細解構物理AI業(yè)務發(fā)展

1、推動物理AI技術落地的進程中，IC供應商的產(chǎn)品演進方向?qū)⑴c以往呈現(xiàn)出哪些顯著差異？哪些核心特征的IC企業(yè)能夠搶占市場先機？

Drew Henry：正如我此前所言，物理AI是我們亟需打造的最復雜的計算平臺之一。我們很早就洞察到這一領域的發(fā)展機遇，并在相關領域深耕多年，這也正是 Arm 能夠成為眾多企業(yè)首選的核心原因。

在物理AI領域，計算最核心的特性就是實時性，即能夠極快地完成高復雜度計算。從傳感器感知到執(zhí)行器響應的時延控制，是關鍵中的關鍵。

因此，真正掌握這項能力的企業(yè)，才能在行業(yè)中取得成功。而Arm可以憑借技術實力幫助合作伙伴做到這一點，通過我們的合作，原本極為棘手的難題也將變得更加容易攻克。

▲Arm物理AI事業(yè)部執(zhí)行副總裁Drew Henry

2、Arm物理AI事業(yè)部成立時間尚短，該部門的核心工作內(nèi)容有哪些？在未來階段，其最緊迫的工作重點又是什么？

Drew Henry：首先需明確的是，成立Arm物理AI事業(yè)部與我們深耕該領域的時長，是兩個截然不同的概念。

我們在物理AI全系列技術領域的研發(fā)投入已長達十余年乃至二十年，如今我們將物理AI明確列為Arm的核心發(fā)展方向，因此決定針對該領域開展重點深耕布局。

原因之一在于，它有望成為計算歷史上規(guī)模最大的計算市場。

同時，有大量客戶希望與我們在這一領域展開合作，所以我們專門組建團隊，專注服務并支持這些客戶。

3、人形機器人與汽車電子領域在技術架構上實則高度相似，二者均采用中央計算平臺搭配分布式控制節(jié)點的架構形式，僅在實時性、感知能力等維度存在一定差異。

如何看待這種跨行業(yè)的技術復用趨勢？同時這一趨勢對于加速物理AI系統(tǒng)的研發(fā)進程、降低其規(guī)?；渴痖T檻，能夠發(fā)揮怎樣的推動作用？

Drew Henry：我認為自主系統(tǒng)與自主設備的核心特點在于，它們包含了此前提到的四大計算層級。其中，聚焦實時自主運行的感知驅(qū)動層是核心關鍵，交互驅(qū)動層旨在實現(xiàn)快速交互響應，驅(qū)動執(zhí)行層則負責統(tǒng)籌該計算體系下的所有執(zhí)行系統(tǒng)，而這四大計算層級的技術實現(xiàn)均具備極高的復雜性。

四大計算層級需協(xié)同調(diào)度，卻又彼此具備顯著的獨立性。因此，我們的核心方向便是攜手客戶，助力其攻克這四大領域的技術難題，并為其提供簡潔的解決方案，讓客戶能夠開發(fā)輕量化的軟件棧。而這正是我們的核心技術優(yōu)勢所在。

4、在物理AI計算平臺領域，Arm目前與各車企展開了哪些合作？Arm與Tensor現(xiàn)階段開展了哪些具體合作？此外，Arm未來與地平線等中國本土車企又有著怎樣的合作規(guī)劃？

Drew Henry：Arm的獨特市場定位讓我們得以與全行業(yè)伙伴在不同程度上展開合作。其中部分合作已正式對外公布，另有部分目前暫未公開，但我們的合作版圖已覆蓋全行業(yè)。

5、您此前提及具身模型將在未來十年推動計算領域的變革，而今日我們也關注到黃仁勛的相關演講，其提到NVIDIA當前的Blackwell系統(tǒng)在算力層面，呈現(xiàn)出張量單元翻倍、其余功能單元增速有限的非對稱擴張?zhí)卣鳌?/strong>

這是否意味著物理AI芯片（尤其是計算芯片）將迎來全新的技術范式？此外，未來三年內(nèi)，行業(yè)是否會迎來非GPU主導的物理AI專用芯片發(fā)展浪潮？

Drew Henry：在物理AI領域，我僅圍繞該領域展開說明：我此前提及的感知驅(qū)動型智能體系，亦即傳感器采集的輸入數(shù)據(jù)，必須轉(zhuǎn)化為設備的實際執(zhí)行動作，而這一轉(zhuǎn)化過程必須在微秒乃至毫秒級完成。這也就意味著，我們所設計的系統(tǒng)并非以極致性能和超高內(nèi)存帶寬為核心設計目標。

該系統(tǒng)的設計核心，是在極短時間內(nèi)實現(xiàn)最快速、最高效的指令執(zhí)行，達成數(shù)據(jù)輸入、動作輸出的即時閉環(huán)。這與面向云端設計的計算平臺所應對的技術難題截然不同，二者屬于不同的計算平臺，物理AI計算平臺也因此需要專屬的架構設計。而 Arm 深耕這類計算平臺的研發(fā)已有多年，旗下?lián)碛谐墒斓膶崟r處理器產(chǎn)品體系。

我們擁有超高性能的中央處理器，可對接各類加速器產(chǎn)品；而實現(xiàn)這類加速器的對接，同樣要求相關數(shù)據(jù)處理能在極短時間內(nèi)完成，NVIDIA也正因這一核心要求，在其平臺中采用了Arm架構中央處理器及Arm實時處理器。

因此，這是一類截然不同的計算領域難題，而這一難題也將推動未來十年的系統(tǒng)架構迎來變革。我們現(xiàn)已打造出多款極具突破性的全新物理 AI 計算架構，期待后續(xù)能與大家做詳細分享。