问题——从“云端内卷”走向“物理世界落地”，计算平台面临新考题 智能化浪潮推动下，人工智能正从以云端训练为主，转向“云端训练+终端推理”的规模化部署，并更延伸到自动驾驶、具身机器人、工业装备、无人机等具备感知与执行能力的实体系统。与传统云计算或一般边缘计算不同，“物理AI”需要在现实时间约束下完成从传感器感知、计算决策到执行动作的闭环控制，响应往往要求达到毫秒甚至更低。由此，平台的评价标准也在变化：不仅要算得快，还要算得稳、算得省、算得安全，并能在复杂系统中实现软硬件协同。 原因——真实场景的安全与效率约束，推动平台能力向系统化演进 Arm对应的负责人在交流中指出——物理AI的核心——是让人工智能进入具备“感知—决策—执行”链路的实体设备，直接面对不确定环境和更高安全要求。以汽车为例，制动、转向等控制链路容错空间极小；以机器人为例，移动、抓取等动作同样依赖实时控制与多传感器融合。一旦延迟、功耗或安全机制不到位，轻则体验受影响，重则带来安全风险。 因此，物理AI平台更像一套系统工程。Arm将其能力拆分为多个计算层级：一是面向环境感知与自主决策的实时计算层；二是支撑人机交互的交互计算层；三是控制电机、制动、机械臂等机构的执行控制层；四是承担模型训练、软件更新、数据回流与多设备协同的云端层。各层级需要协同运转，才能在满足功能安全与信息安全的同时，实现高能效运行。 更深层的原因在于，汽车与机器人产业正在沿着相似路径走向自主化：汽车从传统驾驶向高级辅助驾驶乃至更高等级自动驾驶演进；机器人从单一固定功能向自主感知与决策升级。尽管形态不同，但底层计算需求正在趋同，包括多传感器输入、异构计算协同、实时性与安全性并重，以及全生命周期的软件可维护与可升级。 影响——产业竞争从单点性能扩展为“端云协同+生态协同”的综合较量 在这个趋势下，计算产业的竞争重心正在转移：终端侧推理的规模化部署抬高了对能效比与算力密度的要求，平台必须在有限功耗与散热条件下长期稳定运行；汽车与机器人等行业对功能安全与信息安全提出更高门槛，平台需要具备可验证、可隔离、可追溯的安全能力；另外，开发与部署周期更强调全栈协同，软件生态与开发者体系的重要性明显上升。 Arm表示，其长期定位于底层计算平台，并在生态上形成积累：基于Arm架构的芯片累计出货量已超过3250亿颗，开发者规模达2200万，技术覆盖移动终端、物联网、汽车、机器人及云基础设施等领域。随着物理AI被视为下一阶段的重要落地方向，Arm也在围绕边缘AI、物理AI与云AI调整业务重点，希望以统一计算底座打通从微型传感器到云端算力中心的链路。 对策——以“统一底座+分层协同”应对复杂场景，强化安全与能效能力 从落地角度看，物理AI要走向规模化，关键在平台化能力与标准化接口：既要支持多层级计算的分工协作，也要保证软硬件的可移植、可复用与持续迭代。Arm的思路是依托成熟生态和架构演进经验，在端侧与云侧之间建立一致的开发与部署基础，降低跨设备、跨场景迁移成本，同时在关键行业强化安全与可靠性支持。 业内普遍认为，汽车与机器人应用的突破，不仅取决于单一芯片性能提升，更依赖系统级协同：包括操作系统与中间件适配、模型优化、实时调度、传感器融合、功能安全认证，以及面向量产的成本控制与供应链稳定。平台企业若要在新一轮竞争中占据主动，需要与整车企业、机器人厂商、系统集成商及开发者社区建立更紧密的协作网络。 前景——汽车与机器人或成“物理AI”规模化拐点，中国市场地位更加关键 展望未来，随着智能驾驶持续渗透、机器人在工业与服务领域加速落地，物理AI有望成为继移动互联网之后的新一轮计算需求增量。Arm提到，其生态面向汽车、自动驾驶与机器人平台的芯片出货在2025年达到20亿颗，显示相关赛道的增长势能。与此同时，产业将从“能跑起来”走向“能大规模、安全、低成本地跑起来”，平台能力将更强调端云协同、持续升级与全生命周期运营。 在全球产业链重构与应用加速扩张的背景下，中国市场在汽车电动化与智能化、机器人产业化上发展迅速，场景丰富、供应链体系相对完整、工程化能力突出，正成为物理AI竞争格局中的关键变量。对平台企业而言，能否在中国形成更高效的生态协作，满足本地产业对安全合规与工程交付的要求，将直接影响其在新赛道的落地速度与市场份额。
物理AI的兴起，意味着人工智能进入与实体世界深度融合的新阶段。随着需求从“算力堆高”转向“实时、安全、能效与系统协同”，计算架构与平台能力将成为决定智能设备竞争力的关键。中国企业需要抓住窗口期，在核心算法、系统集成与工程化交付等环节加快突破，才能在全球智能化浪潮中争取更有利的位置。这场变化不仅影响企业竞争，也将重塑数字经济时代的产业格局。