人工智能(AI)的浪潮正从数字世界涌向物理世界。
当科技巨头们仍在万亿参数模型上展开算力竞赛时，Arm公司物理AI机器人技术研究全球负责人Federico Pecora指出：“具备自适应能力的机器人，不能仅依靠运行更大的模型。”
Arm物理AI机器人技术研究全球负责人Federico Pecora
这一观点对半导体行业和资本市场而言，无异于一次信号灯的切换：物理AI的下半场，不再是算力与参数的堆叠，而是系统架构的深度重构。Arm试图回答一个核心问题：在通用人工智能(AGI)全面成熟之前，如何让机器人在功耗、散热和安全的约束下，真正像人一样“思考”和“行动”？
一个被低估的商业变量
在Arm的技术坐标系中，机器人能力的演进正经历三个关键阶段，并直接决定其商业价值的释放速度。
Pecora指出，第一阶段是跨对象泛化，即机器人能在同一任务流程中处理不同类型的对象，无需重新训练或编程，已在分拣、物流、零售等场景中得到验证；第二阶段是多任务智能，统一智能平台支持多种任务执行，机器人可按任务需求切换能力组合；第三阶段是系统级自适应——终端用户和机器人自身都能根据环境变化完成能力调整，无需重新开发、训练或部署。
“泛化能力的商业价值在于显著降低机器人适配和部署到新场景、新流程及新任务的成本与复杂性。因此，泛化能力被视为推动机器人技术实现规模化落地的关键能力，而如何以高效计算支撑这种能力，也成为Arm重点聚焦的核心挑战之一。”Pecora说。
在他看来，真正具备自适应能力的机器人，不仅要适应不同物体，更要适应不同场景和任务类型。若每个新场景都要重新训练或编程，边际成本将无法通过规模化摊薄。只有实现系统级自适应，机器人才能像人类员工一样，进入陌生超市、听懂模糊指令、自主完成任务。
这种泛化能力被视为机器人从“专用工具”走向“通用员工”的关键，但它不仅是算法升级，更是对计算架构的极限挑战。为具象化这一挑战，Pecora用“人形机器人在超市购物”的场景作了说明。
想象一下，用户带着机器人进入一家陌生超市，下达指令：“推辆购物车，跟我来”；“我去挑选蔬菜，你去取一袋10公斤的大米，稍后在乳制品区碰面(图1)。”
图1：人形机器人在超市购物的场景示意图。(来源：Arm)
这两个看似简单的指令，实则包含三个高难度的技术挑战：
“难点不在于单项技能，而在于对各项技能进行自主组合。”Pecora强调，学术界倾向于拆解问题、推动单项突破，产业界则将能力集成以支撑特定产品或流程，两者之间形成关键的行业缺口——“缺少一个能够动态组装、调度、部署并管控机器人各项能力的智能层(图2)。”
图2：机器人自适应能力相关研究与人形机器人技术进展。(来源：Arm)
为什么“更大的模型”不是答案
Arm认为，单纯依赖“更大的模型”行不通。在资源受限的边缘端设备上，必须解决四个相互纠缠的系统级问题，这也是Arm未来五年构建计算平台的核心逻辑。
首先，能力如何实现？
机器人无法依靠单一模型完成所有任务，而需为不同环节匹配合适的模型、策略、规划器和控制器：视觉语言动作模型生成试探性动作，视觉语言模型识别可操作对象，大语言模型辅助生成控制器逻辑，参数化控制器输出安全可靠的动作。这些模块需共驻运行、共享内存与带宽，协同生成最终行为。
其次，能力如何协同？
机器人工作负载具有不同时间尺度：碰撞检查必须即时响应，导航和操控需要持续更新，而“定位大米位置”这类高层推理往往突发、异步出现。若缺乏明确的时序结构和优先级调度，这些能力就会争抢计算资源，导致延迟，影响效率甚至带来安全风险。
第三，能力如何映射到计算资源？
没有预建环境地图时，机器人需依靠本地智能完成感知、场景理解和路径规划，并逐步构建可供多个模型共享的语义地图。
边缘和云计算可作为补充，但机器人不能依赖周边基础设施始终在线、实时响应；响应能力、自主决策和安全性要求大量智能计算在本地完成。
这带来重要的系统架构挑战：如何在CPU、专用加速器、内存和通信链路之间合理划分计算任务，在发挥异构计算优势的同时降低数据搬运成本，实现更高性能与能效。
最后，能力如何管控？
随着机器人自适应能力增强，行业关注的不再只是碰撞规避、速度限制和力控制等基础安全问题，还包括时空规则、任务偏好及场景行为规范等更高层约束。黑盒式AI策略难以检查、诊断和约束，安全屏障、运行时保障、控制问题建模和备用控制器必须随系统变化保持有效，确保安全约束始终可被强制执行。
这不仅是技术路线的选择，更是商业模式的考量。Pecora提出，未来计算平台需要“灵活扩展”：无论人形机器人、轮式机器人还是机械臂，开发者都应基于指令集架构(ISA)一致的同一套基础平台开发，降低适配成本，加速创新落地。
泛化能力的第一层级，是实现软件、模型与技能的跨任务复用；更高阶的泛化，可让工厂、商超等终端用户通过演示或语言指令完成自适应配置；最高成熟度阶段，机器人可实现完全由环境上下文驱动的自主自适应。这将大幅降低系统集成成本，拓宽可覆盖的用例范围。
从计算架构到生态整合
Arm正在做的，是试图为物理AI打造一个类似移动互联网时代的“统一底座”。
在这个底座上，硬件不再碎片化，软件可从云、边缘一路延伸到物理AI设备端，实现跨层级无缝迁移。Arm广泛的生态系统也将推动业界持续创新，使灵活、自适应的物理AI智能体得以实现——甚至无需等到AGI全面成熟。
在芯片路线选择上，Arm的立场是“灵活扩展但不碎片化”。Pecora表示，定制化能力未来非常重要，因为不同机器人应用场景在功耗和散热限制上差异巨大——有些可依托边缘计算卸载部分任务，另一些则需在户外或断网环境中完全依赖本地算力。未来平台需在CPU、加速器、内存和带宽等维度灵活扩展，但底层技术基础应保持统一。
狂热背后的冷思考
在人形机器人赛道被资本与舆论推向高潮的当下，Pecora提供了一种冷静的思考。
在他看来，人形机器人最受关注，并非主要因为类人外形，也不仅因为更适合在人类环境中工作，更重要的是它承载着实现泛化和适应能力的潜力——产业界本质上期待它比专用机器人更容易适应新场景和新需求。
同时，研发人形机器人积累的核心技术——尤其是在移动中完成感知、规划与操作的复杂能力——可迁移到轮式机器人、工业臂等其他形态，底层技术逻辑相通。对人形机器人的投入，本质上是在推动整个机器人产业核心能力的跃迁。
至于物理AI的技术天花板，Pecora认为，瓶颈并非AGI是否成熟，而在于机器人能否在动态变化的真实世界中始终维持稳定、可靠的表现，具体体现在三个层面：
从故障中恢复的能力：当意外发生时，机器人能否自主调整，而非直接“宕机”。
满足实时响应的要求：在毫秒级的时间内做出决策，以应对突发状况。
在多重约束下运行：始终在安全、功耗、散热与算力的物理限制内工作。
“行业已经拥有了视觉-语言-动作(VLA)模型、世界动作模型以及基于经典优化方法的控制器等多种技术路线。”Pecora分析称，“但机器人仍然缺乏一种更高层次的能力，即根据具体场景需求，对这些分散的能力进行有效的协调、编排和组合。”
这意味着，物理AI的突破并不需要等待全知全能的AGI降临，它真正需要的是一个能让现有技术路线高效协同的“智能层”与计算底座。而这正是Arm的战略位置——不仅做芯片供应商，更要成为定义这个“智能层”的架构师。
关注“电子工程专辑”加小编微信
现已开放地区群，请发送消息【深圳】【上海】【北京】【成都】【西安】到公众号
