長期以來，人工智能模型的運行都局限于云端。傳統模式下，這些模型在數據中心內完成訓練與推理，無法直接作用于物理世界。但隨著人工智能加速器技術的成熟，邊緣設備開始具備本地運行模型的能力，能夠在數據源附近采集并處理數據，實現低延遲推理。即便如此，這些模型的輸出結果仍需要人類直接介入，才能轉化為實際的物理動作。

如今，在安全性、保密性與可靠性方面的技術革新，讓汽車先進駕駛輔助系統（ADAS）與工業機器人得以擺脫人工干預，實現安全自主運行。這些技術突破正推動人工智能從 “輔助決策的數字助手”，向 “具備感知、思考與執行能力” 的全新形態演進 —— 這便是物理人工智能（有時也被稱為具身人工智能）的核心應用場景。

然而，在物理人工智能加速落地的當下，一個關鍵問題隨之浮現：我們該如何確保這項技術的能力能夠惠及更多場景，而非僅被少數高端或高性能系統所壟斷？

什么是物理人工智能？

物理人工智能指的是運行在嵌入式硬件上、可直接影響系統物理行為的人工智能模型。

這并非一個全新概念，它是在邊緣人工智能與實時控制技術的基礎上進行延伸，賦能系統在本地完成環境感知，并基于感知結果自主調整物理動作。

圖 1 直觀展示了物理人工智能與邊緣人工智能的區別。以人形機器人這一物理人工智能的標桿應用為例：物理人工智能負責控制機器人完成抓取、搬運箱子等動作；而邊緣人工智能則體現在處理器本地運行人工智能模型的能力上。

1. 物理人工智能建立在邊緣人工智能的基礎上，不僅涵蓋對物理世界的感知，還包括與其的交互。

我們可以通過一個場景理解其優勢：在繁忙的高速公路上，駕駛員遇到前方車流突然減速。在傳統確定性系統中，只有當與前車距離縮小至設定閾值時，車輛才會觸發減速操作，以確保安全停車。

而搭載物理人工智能的系統則會做出更智能的反應：它能更早地分析車流變化趨勢，在達到設定閾值之前就主動調整車速。最終實現更平穩、可控的減速動作 —— 這一切都依托于車載嵌入式硬件上本地運行的人工智能模型。這種技術改進如果能普及到大量車輛上，其價值將遠超僅應用于少數車型的情況。

當人工智能需要實時分析并響應傳感器與執行器數據時，每一毫秒都至關重要。物理人工智能恰好滿足了本地近實時數據處理的需求。

然而，我們仍然在云端使用大量計算和內存來訓練和完善物理人工智能模型。例如，數字孿生在訓練物理人工智能模型（包括機器人模型）時至關重要。通過構建一個包含機械、電子和傳感器的虛擬系統版本，我們可以在模型與硬件交互之前測試和完善它們。

邊緣人工智能的終點與物理人工智能的起點

邊緣人工智能覆蓋了從微控制器（MCU）到嵌入式處理器等各類設備上本地運行的人工智能模型。這些模型能夠匯總并處理傳感器數據，無需依賴遠程服務器即可生成輸出結果，其技術架構如圖 2 所示。

2. 云端AI與邊緣AI的比較。

物理人工智能的獨特之處，體現在模型生成輸出結果之后的環節。邊緣人工智能可以完成圖像分類、聲音識別或傳感器數據解讀等任務；而物理人工智能則將感知與執行相結合，實時控制系統的運動、反應與調整。例如，當物理人工智能在本地解析周邊車流的多重信號后，汽車可以提前做出反應，實現更平順的變速。

在工業領域，倉庫機器人能夠根據周邊人員的移動情況實時調整行進路線，這得益于機載模型無需網絡延遲即可完成場景分析；工業設備可以持續通過本地模型分析傳感器數據，動態微調電機的扭矩、位置與轉速，而不必依賴云端人工智能模型。

這些技術并非憑空出現，工程師們多年來一直在嵌入式系統中應用預測模型乃至機器學習模型。但物理人工智能的獨特之處在于，它將這些能力更深度地融入系統設計中，實現本地推理與執行的緊密耦合。隨著物理人工智能被整合到各類產品中，且覆蓋不同價格區間，工程師們需要具備可擴展的軟硬件設計方案。

物理人工智能依賴于硬件與軟件的協同設計

物理人工智能的運行機制可以拆解為感知、思考、執行三個核心環節。以自動駕駛汽車為例：它通過攝像頭、雷達、激光雷達等傳感器 “感知” 周邊環境；通過處理數據規劃出安全的行駛路線，完成 “思考” 環節；最后通過控制方向盤、剎車與油門執行行駛計劃，實現 “執行” 動作。傳統人工智能模型通常只負責感知與環境分析，而當人工智能模型開始介入運動控制時，系統設計的規則也隨之發生改變。

在物理人工智能系統中，工程師無法再依賴穩定的無線連接 —— 這類系統對時序的確定性、傳感器數據的準確性，以及硬件的毫秒級響應能力有著嚴苛要求。

工程師需要同時兼顧軟硬件設計的多重考量。例如，處理器必須能在控制回路的時序要求內完成模型推理，傳感器鏈必須能提供精準可靠的數據；軟件需要在無延遲的前提下協調感知與執行環節，且驗證工作的復雜度大幅提升 —— 因為任何誤差都可能對設備可靠性與用戶安全產生現實影響。

在物理人工智能系統中，軟硬件之間的相互影響遠超以往的嵌入式系統。因此，物理人工智能的開發工作需要采用軟硬件協同設計的思路，將軟硬件決策視為緊密關聯的整體。我們可以通過一個實際案例來理解這一點。

假設某條生產線需要一款用于搬運精密元件的小型機械臂。軟件團隊可能希望部署更大規模的模型，以提升抓取預測的準確性，但這對硬件團隊提出了挑戰 —— 處理器必須在嚴苛的控制回路時序內完成推理任務。

反過來，硬件團隊如果計劃在電機中采用新型電流傳感器，以獲取更高分辨率的數據，就需要推動軟件團隊調整模型與控制邏輯，從而讓機械臂充分發揮傳感器的精度優勢。

通過協同設計，軟硬件團隊能夠共同打造出最優方案：既保證人工智能模型適配硬件的計算能力，又讓傳感器滿足精度需求，同時確保控制回路符合時序要求。最終實現機械臂更安全、可靠的運行。

物理人工智能系統的硬件挑戰

半導體是物理人工智能的基礎。這些系統依賴嵌入式處理器運行AI模型，信號鏈設備準確捕捉傳感器信息，以及在負載轉移時保持穩定運行的電力技術。這些部分各自為物理AI設計的時機、精準度和一致性設定了極限。

我在許多設計中看到，某一方面的改進會連鎖作用于其他方面。新的感應鏈可以實現更精確的控制。支持稍大模型的處理器可以幫助機器人處理更復雜的場景。而精細的動力架構將幫助系統在快速移動時保持穩定的性能。

從根本上說，物理人工智能依賴于組件間的可預測處理、可靠感測和穩定的電力系統交互。

物理人工智能將走向何方？我看到行業內正在塑造物理人工智能系統成形的趨勢。設計師們正在將傳感、計算和控制更加緊密地結合起來，以支持可預測的時序和穩定的性能。

如前所述，仿真和數字孿生環境在開發流程中越來越常見，為團隊提供了在硬件尚未可用前測試行為的方法。

如今，物理人工智能正在多個領域獲得動力：

• 在建筑和基礎設施中，工程師可以構建控制器，根據環境信息調整機械系統。

• 在機器人技術中，車載智能幫助機器調整其在人員和設備周圍的移動。

• 在工業自動化中，設備根據實時傳感器輸入調整行為，幫助過程在變化條件下保持穩定。

在所有這些情況下，像德州儀器這樣的半導體公司在塑造物理人工智能系統能夠實現的目標方面發揮著關鍵作用。這是因為它們的性能、準確性和可靠性依賴于底層硬件——而不僅僅是軟件。

歸根結底，他們是物理人工智能時代構建基石的來源。隨著這些技術擴展到更多類型的設備和新產品層級，他們的任務還在于確保這些能力對盡可能多的設計師保持觸及范圍。

如果物理人工智能要塑造機器的移動、反應和支持，提升安全性和便利性，它必須廣泛應用于日常設備，而不僅僅是高性能系統。