過去幾年，AI產(chǎn)業(yè)的主線始終圍繞大模型、訓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，焦點都更多落在“模型規(guī)模能做多大、訓練效率能提升到什么水平、算力集群能擴展到多大規(guī)?！边@些問題上。但到了2026年，一個更具體、也更難回答的問題被越來越多地推到臺前：當AI不再只是生成文本、圖像和代碼，而是開始進入汽車、機器人、無人機和工業(yè)設備，直接參與感知、決策與執(zhí)行，計算平臺究竟該如何重構(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器人相關能力統(tǒng)一納入Physical AI業(yè)務線，此舉看似只是組織調(diào)整，實則釋放了一個更明確的信號：下一階段AI競爭，決定勝負的未必只是模型能力，而是整套計算底座能否支撐真實世界里的感知、推理、控制和執(zhí)行。換句話說，當AI真正開始驅(qū)動車輪與機械臂，行業(yè)比拼的對象，正在從“誰更會訓練模型”，逐步轉(zhuǎn)向“誰更能讓AI在現(xiàn)實世界穩(wěn)定運行”。

圖片來源： Arm

從行業(yè)節(jié)奏看，這一判斷并不突兀。國際機器人聯(lián)合會發(fā)布的《World Robotics 2025》顯示，2024年全球工業(yè)機器人新增裝機量達到54.2萬臺，連續(xù)第四年超過50萬臺；專業(yè)服務機器人銷量接近20萬臺，同比增長9%。與此同時，麥肯錫在2025年末發(fā)布的研究中預計，到2030年，僅美國市場，AI智能體與機器人就可能釋放約2.9萬億美元的年度經(jīng)濟價值。它未必會按最樂觀的速度兌現(xiàn)，但足以說明，物理AI不再只是實驗室概念，而是在加速進入產(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進行定義：它面向的是多變、不可預測且安全關鍵的真實場景，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，而是動作本身。這個差別看起來只是“輸出形式不同”，但背后對應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也用一個更直白的方式概括這一點：“簡單來說，就是把AI嵌入具備執(zhí)行能力的機器里?！?/p>

在生成式AI場景中，如果AI給出的回答不夠理想，很多時候還只是體驗層面的問題；可在物理AI場景里，一次誤判可能直接對應誤剎車、誤轉(zhuǎn)向、誤抓取，甚至突破整套系統(tǒng)的安全邊界。這里的評價標準不是“參數(shù)有多大”或者“跑分有多高”，而是系統(tǒng)能否在嚴格時延、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)實世界中被穩(wěn)定執(zhí)行。

在交流會上，Drew Henry反復強調(diào)一個核心指標：“從感知信號到執(zhí)行動作的時延，是物理AI最關鍵的指標之一。”系統(tǒng)追求的，不是抽象意義上的“更強計算”，而是“更快、更確定的動作閉環(huán)”。無論是車輛的轉(zhuǎn)向與制動，還是機械臂的抓取、無人機的路徑修正，最終決定體驗與安全性的，都是這一閉環(huán)效率。

沿著這一邏輯繼續(xù)拆分，物理AI平臺并不是一個平面結(jié)構(gòu)，而更像是多層計算體系疊加出來的復雜系統(tǒng)。按照Henry在現(xiàn)場的說法，它至少包括四個層面：自主決策層，負責感知環(huán)境并做出實時判斷；交互層，面向乘員或使用者提供信息反饋與互動；驅(qū)動與執(zhí)行層，把復雜部件協(xié)調(diào)起來真正完成動作；最底層則是云端協(xié)同，承擔模型訓練、數(shù)據(jù)回流與設備群協(xié)作。四層彼此不同，卻必須在同一套平臺中協(xié)同運轉(zhuǎn)。正因為如此，物理AI并不是“邊緣AI再升級一點”，而是在倒逼整個產(chǎn)業(yè)重寫平臺定義：芯片如何分工，算力如何調(diào)度，安全如何驗證，軟件如何持續(xù)升級，系統(tǒng)如何跨設備、跨場景擴展。

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

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年國際消費電子展（CES 2026）期間?向媒體確認正式成立物理AI（Physical AI）事業(yè)部。

在交流會后的采訪環(huán)節(jié)，當被問及為何在這一時間點單獨設立物理AI事業(yè)部時，Henry的回答反復提到“長期積累”。他表示，Arm在相關領域的投入已經(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積累，已經(jīng)到了需要被放進同一張產(chǎn)業(yè)圖譜中重新定義的時候。

這種說法并不難理解。過去很長一段時間里，汽車和機器人是兩條相對獨立的賽道，前者更強調(diào)功能安全、量產(chǎn)體系和供應鏈穩(wěn)定性，后者則更強調(diào)運動控制、環(huán)境適應和任務泛化能力。

但到了近兩年，兩者在底層架構(gòu)上的趨同性越來越明顯：中央計算平臺加分布式控制節(jié)點，正在成為越來越多系統(tǒng)的共同選擇；傳感器融合、實時決策、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命題。Arm把汽車和機器人放進同一業(yè)務線，本質(zhì)上就是對這種技術收斂趨勢的回應。

更重要的是，Arm在相關領域已經(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)用戶每天都會與Arm技術發(fā)生交互；其生態(tài)累計已出貨超過3250億顆芯片，全球超過2200萬開發(fā)者基于Arm平臺進行全棧軟件開發(fā)。這些芯片分布在物聯(lián)網(wǎng)、智能家居、智能手機、汽車、機器人平臺，以及大型云計算中心和AI數(shù)據(jù)中心之中。僅過去12個月，Arm生態(tài)面向汽車、自動駕駛和機器人平臺就出貨了20億顆設備。

換句話說，Arm如今強調(diào)物理AI，是試圖把自己長期嵌入汽車、機器人及相關計算體系之中、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預測，未來十年，AI有望推動全球GDP增長4%。Barclays Research也預計，到2035年人形機器人市場規(guī)模就將達400億美元。摩根士丹利則稱，到2050年機器人半導體市場規(guī)模有望實現(xiàn)約800倍增長。而Henry堅信，物理AI將進一步加速這一增長。

當AI進入物理世界，計算競爭開始換賽道

隨著物理AI逐步升溫，一個行業(yè)共識也在形成：AI計算的價值坐標正在變化。

在2026年GTC上，黃仁勛明確提出，AI早已不只是訓練問題，“推理的拐點已經(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，因為它意味著，隨著終端部署數(shù)量增加，推理側(cè)會從“模型之后的一環(huán)”變成新的需求中心。

在物理AI媒體交流會上，蓋世汽車也把類似問題拋給了Arm。Henry并沒有認同“從訓練轉(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)進入后，系統(tǒng)做出判斷的過程，本身就是推理”。

在他看來，訓練和推理并不是替代關系，而是始終共存：系統(tǒng)需要實時推理來做出動作，同時也依賴持續(xù)訓練來提升能力。真正發(fā)生變化的，是隨著機器人和自動駕駛系統(tǒng)數(shù)量增加，推理側(cè)的總計算量會因為部署規(guī)模擴大而快速放大。

圖片來源： Arm

這個回答的關鍵，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，推理并不是一個階段性“替代”，而是始終嵌在系統(tǒng)運行中的一部分。

如果從芯片產(chǎn)業(yè)的角度理解，這實際上是在修正一個舊坐標系——芯片不再只是提供算力資源，而是開始承擔起系統(tǒng)實時響應、控制協(xié)同與安全執(zhí)行的關鍵角色。

過去幾年，AI芯片競爭圍繞訓練效率、推理吞吐和帶寬展開，Tensor算力幾乎成為核心指標。誰的張量性能更強，誰的互聯(lián)更高效，誰更能支撐更大規(guī)模的模型訓練，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，需要在極短時間內(nèi)完成融合、判斷和動作輸出。

因此，關鍵在于如何“算得及時”。

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

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

這會直接帶來芯片邏輯上的變化。

過去在很多AI敘事里，最受關注的是模型和加速器，而控制器、實時處理器、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，它們的重要性會被明顯抬升。因為系統(tǒng)能不能在高負載或異常狀態(tài)下保持穩(wěn)定，很多時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才會反復強調(diào)，Arm既有實時處理器，也有高性能CPU，還能與不同加速器協(xié)同工作。它強調(diào)的重點不是替代加速器，而是把整條執(zhí)行鏈路組織得更可預測。

這種變化也會延伸到軟件層。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)給出了一個比較成熟的參照：一輛車的硬件生命周期可能長達數(shù)年，但ADAS、座艙和控制策略會持續(xù)OTA更新。機器人系統(tǒng)同樣如此，尤其是物流、制造、巡檢等場景中的設備，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證過程，更不能破壞實時控制和安全邊界。

Arm在公開博客中就把這一點列為物理AI平臺的重要要求：它既要支撐云端訓練、邊緣推理和設備端實時執(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)復用會成為物理AI降低成本的一條關鍵路徑。

Henry在采訪中提到一個很有意思的觀察：傳統(tǒng)汽車正在向自動駕駛演進，傳統(tǒng)固定功能機器人也在向自主機器人演進，而在這個過程中，兩者在自主層面對計算的需求正越來越接近。對Arm來說，機會恰恰在于幫助客戶以相對統(tǒng)一的平臺覆蓋自主決策、交互、驅(qū)動執(zhí)行和云端協(xié)同這些層級，進而簡化軟件棧、提升研發(fā)效率。這并不意味著汽車芯片和機器人芯片會完全合流，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AI算力，而是更完整的系統(tǒng)能力：實時、可預測、安全、可升級，而且最好還能跨場景復用。

Arm的優(yōu)勢，不止于芯片，更在整個平臺

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

圖片來源： Arm

這種優(yōu)勢首先來自平臺連續(xù)性。物理AI系統(tǒng)從訓練到部署再到運行與升級，本來就是一個完整鏈條。如果底層架構(gòu)割裂，軟件遷移和系統(tǒng)驗證成本會迅速放大。Arm試圖提供的，是一個從云到邊、從高性能計算到實時控制都能協(xié)同的統(tǒng)一基礎。

其次，是其在混合關鍵任務系統(tǒng)中的長期經(jīng)驗。以自動駕駛平臺為例，一套系統(tǒng)往往同時包含高性能AI計算、實時控制、安全機制和低功耗管理。

按照Arm新聞稿中的表述，Tensor的L4自動駕駛平臺單車集成了433個基于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，分別承擔高吞吐AI處理、座艙與峰值性能控制、線控與通用計算、實時安全關鍵控制以及低功耗子系統(tǒng)管理等任務，并與NVIDIA加速計算協(xié)同運行。

這個案例說明：在真實的物理AI系統(tǒng)里，Arm的價值往往不在于獨占所有AI算力，而在于它能夠滲透到從主計算域到最小控制節(jié)點的各個層面，把感知、控制、安全和系統(tǒng)管理編織進同一套底座。

這種角色也解釋了為什么Arm在溝通中一直強調(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，也可以基于Arm搭建自己的差異化平臺。它不是強行推一種封閉式方案，而是把自己放在一個開放底座的位置上。這種姿態(tài)在今天的物理AI階段尤其重要，因為無論是具身模型、世界模型，還是自動駕駛和機器人平臺的架構(gòu)，整體上都還遠未收斂。行業(yè)現(xiàn)在最需要的，不是一個唯一標準答案，而是一套能容納不同路徑演進的基礎平臺。

熱度不缺，難的是把物理AI真正跑起來

當前物理AI的市場關注度已明顯走高，但其產(chǎn)業(yè)成熟度尚未與之匹配。確實，從自動駕駛到人形機器人，從工業(yè)系統(tǒng)到服務機器人，幾乎所有科技公司都在強化“AI進入現(xiàn)實世界”的敘事。機器人已經(jīng)成為展會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)?；涞亍?/p>

技術路線仍在快速變化，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，安全與責任體系的復雜度遠高于生成式AI。物理AI不能容忍太高的試錯成本，一旦進入現(xiàn)實環(huán)境，就必須面對功能安全、冗余設計和監(jiān)管驗證等問題。也正因如此，Arm反復強調(diào)“安全、確定性和系統(tǒng)穩(wěn)定性”。

回到最初的問題，當AI開始驅(qū)動車輪與機械臂，計算邏輯究竟發(fā)生了什么變化？

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

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

返回第一電動網(wǎng)首頁 >