人形機器人的落地難題，竟被一頓「九宮格」火鍋解開？

機器之心原創

作者:Sia

具身智能要想往大規模應用走，像英特爾這樣的頭部芯片公司必須突破算力架構。

當俄羅斯首個 AI 人形機器人「艾多爾」伴著電影《洛奇》的主題曲蹣跚登場時，所有人都以為某個高光時刻即將來臨。

沒想到，「帥不過三秒」——

向觀眾揮手后，它迅速失去平衡、倒地抽搐，被工作人員匆忙拖走。

近期翻車的機器人可不止這一家。

9 月，特斯拉 Optimus 因反應遲緩被吐槽；1X 預售款的「驚艷演示」因系遠程遙控，被輿論 diss 到起飛。

業內人士對此并不意外。很多演示高度依賴人工操控，大量機器人連「站穩完成操作」都難，在工廠里「插個 dongle、貼個膜」，堪比「登月」。

英特爾在與數十家具身智能團隊溝通過程中也發現，機器人「能跑會跳」和「能在產線干活」之間，還存在巨大鴻溝。

到底是什么原因阻擋它們踏入生產一線呢？

困在算力平臺里的具身智能

11月 19 日，重慶·2025 英特爾技術創新與產業生態大會的圓桌現場，訓練數據、應用、「大腦/小腦分家」的架構問題都被擺上臺面。但有一個答案被反復提及，算力平臺正成為橫在具身智能落地面前的最大門檻之一。

目前業內已量產、相對成熟的人形機器人，大多采用「大腦 + 小腦」的架構，所謂「慢系統 + 快系統」——

「大腦」負責深思熟慮，承擔 LLM、VLM、CNN、CLIP、SAM 等對世界建模和理解的工作；

「小腦」負責「讓身體動起來」，對反應速度極度敏感，包括 3D 定位導航、機械臂控制、步態控制等，控制頻率動輒 500Hz~1000Hz。

過去機器人主要依賴傳統運控，如今動作生成模型、多模態感知與大模型推理層層疊加，算力需求呈幾何級增長。一位現場嘉賓提到，「我們用的很多其他行業廠家的芯片，達到 100 ~ 200 個 TOPS 的稀疏算力，但依然是不夠用。」而這，還只是觸及工業場景的冰山一角。

算力飆升之下，不少企業搞「拼湊」、搭「兩套班子」。比如，Intel 酷睿（12/13 代移動處理器）跑「小腦」，NVIDIA Jetson Orin 跑「大腦」，「兩套班子」還要跨芯片通信、跨系統協同。

結果可想而知。想想「帥不過三秒」的「艾多爾」， 視覺指令傳輸存在延遲，機器人就會摔倒。目前困擾人形擾機器人的精度、效率問題，乃至端側控制器的性能瓶頸，有一部分「歸功于此」。

算力平臺不僅是技術問題，更是落地的經濟問題。真正到后面小批量落地的人形機器人，ROI 肯定是我們第一個考慮的指標。有嘉賓直言。

制造業對 ROI 的考核最為嚴苛。硬指標上，機器人不僅要能干活，「穩不穩定、安不安全、貴不貴、耗不耗電」都是老板們必須算清楚的賬。

軟指標上，為避免技術投資變成「一次性死資產」，企業希望它既能迅速上線，又能隨著工廠和產線變化靈活擴展或縮減。

顯然，搞「兩套班子」硬件堆疊，滿足不了這些苛刻要求（開發成本、散熱方案，功耗、價格、部署、可擴展性等）。

現場嘉賓認為，機器人要同時利用 CPU、GPU、NPU 多種異構算力，如何將這些異構算力高效整合到一塊小體積、低功耗芯片里，還要讓它們高度協同、被開發者輕松調用，是一道極大的挑戰。

而且，隨著具身智能加速演進，算力融合、擴展和利用效率，正在成為限制行業落地的關鍵瓶頸。

「解藥」：

以「單系統」達成大小腦的「融合」

需要「兩套班子」才能完成的「大腦 + 小腦」任務，如今在一套「班子」里就能搞定。這正是英特爾給出的「大小腦融合」方案——

用一顆 SoC，把智能認知與實時控制統一到同一個架構中。

這顆 SoC，就是酷睿 Ultra 處理器。它在單一封裝內集成了 CPU、英特爾銳炫? GPU 和 NPU，并讓三者協同工作，AI 推理能力、高性能 CPU 計算與工業級實時控制，「一手」拿捏。

是不是很像重慶火鍋的九宮格？每個 IP（ CPU/GPU/NPU/I/O ）就像格子里的一道菜，既能選「套餐」，也能隨需求自由組合，全看機器人廠商的「口味」需求。

結果，原本必須上云的大模型推理，能直接在端側運行，響應更快，隱私性也更高，關鍵還很經濟。

酷睿 Ultra 在保持類似功耗的情況下實現了約 100 TOPS 的 AI 算力。英特爾公司副總裁兼英特爾邊緣計算事業部的總經理 Dan Rodriguez 在大會 Keynote 上說到。用戶不需要重構系統，只要升級 CPU，就能讓原有產品具備 AI 能力。

先看看內置的 GPU

它擁有 77 TOPS 的 AI 算力，專門負責處理最重的視覺與大模型任務。這樣的性能足以支撐 7B～13B 級別 VLM 的運行，對于物體識別、路徑規劃、分揀等任務已經游刃有余。

如果開發者需要更強的 AI 火力（更大的 LVM、VLA 等模型），可以通過 Intel Arc 獨顯進行擴展。

當算力需求沖上千 TOPS 量級，例如大模型控制全身動作、執行多模態長鏈推理，英特爾認為應進一步結合外部「云腦」或邊緣大腦來完成協同推理。

這種按需擴展的異構算力體系，成為具身智能順利邁向復雜任務的關鍵基礎。

NPU則負責輕負載常駐任務，如持續監聽語音喚醒、動態物體檢測等長期在線的 AI 功能，保證低功耗、零感延遲的體驗。

CPU的價值被進一步放大。

得益于英特爾在傳統機器人運控領域多年的積累，以及對底層指令和架構的深度優化，CPU 在跑傳統視覺算法、運動規劃時比過去更快、更穩。

比如，實時抖動小于 20 微秒，意味著機器人的平衡控制、復雜力控、手眼協調等對延遲極敏感的運控環節，現在都能跑在 CPU 上。

而且，CPU 內加入了專用 AI 加速指令，使其在視覺伺服等場景中，能夠分擔部分原本由 GPU 執行的 AI 推理與軌跡規劃任務。這讓算力調度更靈活、能效更優，也更符合機器人對功耗、實時性的苛刻要求。

Dan Rodriguez 還提到，明年 1 月發布的 Panther Lake（18A 工藝）將進一步提升性能。圖形性能最高提升 50%，同等性能下功耗降低 40%，AI 加速力提升至 180 TOPS，并支持擴展溫度范圍與工業級實時性，這意味著具身智能的應用邊界將被進一步推開。

軟件棧：三管齊下，落地按下快進

算力之外，英特爾同時把軟件棧也配齊了。

從「機器人看什么、怎么學、怎么動」，一直到系統層面的調度、驅動、實時控制，英特爾提供了全棧套件，開發者不用「零幀」起步。

對于 OXMs、ODMs、OEM 等硬件制造商，英特爾準備的是整機級方案 AI Edge Systems。操作系統、驅動、SDK、實時優化、BSP、EtherCAT 驅動，全都打包好。

比如一個已經打了 Preempt-RT 的 BSP，廠商不用再為實時性去改內核，把系統刷進去，機器人立刻具備「工業級心跳」。

系統軟件廠商處在中間層，需要把芯片的每一滴算力榨到極限，為上層應用提供最佳運行環境。英特爾給他們準備了Open Edge Software Toolkit，里面不僅有 AI 庫和工具，更包含大量 OSV 級優化，確保在不同平臺都能跑出穩定性能。

這里簡單提幾個英特爾構建自家 AI 生態的關鍵抓手。

一個是 oneAPI ，一條貫通 CPU/GPU/NPU 的「算力高速路」。開發者寫一次代碼，系統自動決定跑在哪顆單元上，CPU、GPU、NPU 甚至 FPGA，全自動調度與優化。

這能讓存量設施（舊機器）和增量設施（新 AI 硬件）在同一套代碼邏輯下協同工作，打破算力「孤島」。要擴展算力？直接接上 Intel Arc 就行。

還有「黃金組合」 OpenVINO + IPEX-LLM。

OpenVINO 負責 AI 推理加速，把 TensorFlow、PyTorch 等模型自動壓縮、量化、瘦身，并轉成最適合英特爾硬件執行的格式，推理在哪塊算力單元上，也自動決定并負載均衡。IPEX-LLM 則讓大模型在本地跑得更快。

兩者組合，可以適配不同年代、不同規格的邊緣設備，應對工業現場設備雜、環境復雜的現實挑戰。

針對最上層的行業方案開發者（ ISV/SI ），英特爾提供了現成的行業模板 AI Suites。抓取、導航等常見技能一鍵可用，需要加大模型就直接接 LLM、VLM、VLA，還自帶參考 Demo，稍改即可落地，大幅縮短從「裸機」到「能干活的機器人」的周期。

破冰前行，開放致遠

與動輒「全家桶、一鍋端」的封閉路線不同，英特爾的「大小腦融合」選擇的是一條更開放、更有彈性的技術路徑：

同一套代碼既能跑在CPU/GPU/NPU/FPGA上，也能在 Intel 與 Arm 平臺間自由切換；

主流 AI 框架與模型全兼容，不鎖庫、不鎖模型；

ROS2 與各類開源算法庫也全部敞開支持。

從底層算力、網絡，到軟件棧、模型框架、應用框架，企業都可以按需自由組合。這意味著，他們不必推翻既有系統，也無需被某家供應商鎖死，而是能夠在自己的 IT/OT 基礎之上，沿著現有行業生態繼續演進，把數據和大模型真正變成生產力。

過去幾個月里，英特爾已與國內數十家具身智能廠商深入合作，已有十余家進入驗證或 POC 階段。在技術與市場都充滿不確定性的具身智能賽道里，這種開放自由的體系，正成為越來越多機器人企業愿意嘗試的路線。

更多細節，可參考英特爾具身智能白皮書。

基于具身智能的智慧工廠創新應用白皮書：

https://www.intel.cn/content/www/cn/zh/edge-computing/embodied-intelligence-smart-factories.html

英特爾具身智能大小腦融合方案：

https://www.intel.cn/content/www/cn/zh/edge-computing/body-intelligent-brain-convergence.html