黑芝麻智能SesameX：重建機器人「該如何計算」的底層結構

作者 |肖恩

編輯 |德新

過去兩年，我們已經習慣了各類機器人在科技展、發布會和短視頻里頻繁出現：會跳舞的人形機器人、能爬樓梯的四足機器人，還有穿梭在商場和園區里的服務機器人。它們從實驗室走進公眾視野，看上去仿佛預示著“具身智能時代已經到來”。

但在這些畫面背后，現實往往并沒有那么光鮮：為了讓一個動作能夠穩定復現，工程師需要反復調參；為了讓機器人在真實環境中多跑幾圈，團隊不得不一次次采集數據、修改算法。許多在聚光燈下表現完美的演示，只要把時間拉長、把場景變復雜，硬件穩定性不足、算法泛化性有限、系統調度壓力過大等問題便會顯現。

無論是硬件、算法，還是商業化路徑與行業標準，機器人行業都還沒有建立起足夠堅實的底座。

而這個月，一家科技公司——黑芝麻智能在上海舉辦機器人平臺產品發布會，一定程度上就是在正面回應這些行業痛點。其推出的新平臺定名「 SesameX」，定位為首個專為機器人商業化部署打造的多維智能計算平臺，希望為當前缺乏統一底座的行業補上一塊關鍵拼圖。

黑芝麻智能創始人兼 CEO 單記章的判斷是：“人工智能正在從數字空間走向物理世界，而物理世界的復雜性遠超過去的所有技術范式。”

在他看來，機器人并不像模型推理那樣只需給出答案，而是要在高度動態、充滿不確定性的物理環境中與人、物、空間持續互動，不僅“看懂世界”，還要“駕馭世界”。這對其計算體系提出的要求已經遠超單純算力堆疊。

在這樣的背景下，SesameX 的定位變得清晰起來：它不是再做一個更大的模型，或再堆一塊更強的芯片，而是重建機器人“應該如何計算”的底層結構，用一套系統平臺去回應行業當前最核心的缺口。

一、SesameX：面向機器人的通用計算平臺

SesameX 并不是某個芯片或模組，而是貫穿機器人智能全鏈路的系統化平臺。

黑芝麻智能機器人業務負責人徐勁博士，以一張完整的系統圖介紹了 SesameX 的層級結構：自底層的計算模組和通信體系起，向上覆蓋實時操作系統、中間件、工具鏈與技能模型，再進一步延伸至系統級安全與持續自進化機制。

整個體系構成了機器人“從能運行，到能協同，再到能成長”的能力路徑。

底層：三大模組構成機器人的“大腦”

針對不同的算力需求和應用場景，SesameX 平臺推出了三款計算模組：Kalos、Aura 和 Liora。

在 SesameX 的設計中，它們并不是簡單的“高、中、低”三檔算力，而是三種面向不同機器人形態、能力階段與應用場景的“大腦類型”，共同構成一個從基礎感知到復雜認知的產品矩陣。

1. Kalos：商用服務機器人專用平臺

Kalos 采用 8xCortex?A55的CPU 架構，并集成 2×Cortex?R5 MCU 負責實時控制，NPU 算力 48 TOPS，支持最高 8 路 1080P @ 30fps 視頻輸入，I/O接口豐富，適用于各類低速輪式機器人，如送餐機器人、迎賓機器人、物流機器人等，兼顧視覺感知與運動控制，讓機器人“看得清、動得穩”。

1. Aura：多任務執行機器人通用計算平臺

Aura 的 CPU 架構升級到 8 x Cortex-A78AE，并搭載 2× Cortex?A78AE + 6× Cortex?R5F 組成的異構運控處理單元，與 Kalos 上“CPU + 獨立 MCU”式的分工不同，Aura 的設計是一個完整的運控子系統：其中 A78AE 核心可承擔復雜控制策略與步態規劃，R5F 核心則分別對應不同控制環路，實現并行實時控制。這種“大腦 + 小腦”式結構讓規劃與執行之間的鏈路更緊耦合，時延更低。

同時，Aura 集成了70 TOPS 的 NPU，可在高動態場景下實現視覺、力控與環境理解的多模態協同。支持最高 12 路 1080p @ 30fps 或 4 路4K @ 30fps 的視頻輸入，在 Kalos 的基礎上將高速接口升級為 PCIe Gen4，面向多足機器人和人形機器人等強調實時性與穩定性的機體。

1. Liora：面向具身智能“大腦”的全能計算平臺

如果說 Aura 更強調的是“身體如何穩、如何動得漂亮”，Liora 關注的則是“機器人在復雜世界中如何思考和做決定”。Liora 采用 16× Cortex?A78AE 作為高性能通用計算集群，同時搭載 6× Cortex?R52 作為實時控制與安全監控單元，并集成超過 500 TOPS 的 NPU，為大規模 CNN 感知模型、Transformer 多模態模型以及端到端控制提供算力基礎。

與更偏重運動控制與多模態協同的 Aura 相比，Liora 在通用計算與推理層面明顯“加碼”，更適合作為整機系統的認知中樞。

Liora 還首次引入了面向機器人真實場景的 Model Zoo。它并不是簡單的模型集合，而是一套經過算子適配與推理優化、能夠直接在模組上部署的預訓練模型與技能庫，覆蓋目標識別、空間感知、大語言模型等能力。讓機器人廠商無需從零訓練模型，就能獲得可直接調用的核心智能能力，大幅降低開發門檻，加速產品落地，也標志著 SesameX 的能力從“執行與控制層”正式延伸到“認知與技能層”。

在系統設計上，Liora 面向的是世界模型與高階認知任務：一方面需要承載視覺、語言、觸覺等多模態輸入，構建對環境的統一表征；另一方面要在此基礎上完成任務規劃、行為決策甚至端到端控制輸出。這就要求其在算力之外，還必須具備足夠的內存帶寬、任務并行能力和對多路傳感器的接入能力。Liora 支持最高24路1080P@30fps視頻輸入，I/O在 Aura 的基礎上進一步擴展帶寬與通道數量，同樣提供 PCIe Gen4、TSN 及多種工業總線接口，更適合作為人形機器人、復雜服務機器人等形態的“中央大腦”，將環境理解、任務推理與運動指令統一在同一套認知框架之下。

SesameX 并不是提供一個統一模塊給所有機器人，而是通過分層能力覆蓋機器人行業，讓不同形態的機器人都能找到合適的“智能起點”。

中間件層：決定機器人是否“流暢自然”的關鍵

機器人動作的流暢性，在外界看來是“是否自然、是否像人”，但在工程體系中，它真正考驗的是中間件能否在毫秒級完成任務調度、資源分配與異常處理。

徐勁博士談到，當前不少機器人在真實場景中出現動作不連貫、卡頓甚至異常行為，往往并不是模型能力本身不夠，而是底層中間件在多任務并發時無法做好調度與算力分配，導致關鍵控制鏈路被擠占，從而帶來潛在風險。

SesameX 的中間件體系正是為了解決這一行業痛點。它不僅提供異構算力調度，還會在任務下發前對不同類型的任務進行統一建模和預判，提前評估各自的資源需求與潛在沖突，并據此為感知、決策、控制鏈路排定優先級，從而在執行前就把關鍵路徑“規劃好”。這意味著，當機器人同時進行導航、避障、抓取和語音交互時，系統能夠提前分配算力與帶寬，避免關鍵任務被擠占。

同時，中間件內置的實時監控機制會持續追蹤各模塊的運行狀態，一旦出現延遲積累或調度異常，系統會自動調整任務路徑或進行局部降級，而不是整體停擺。例如，當視覺模塊因光照突變導致計算延遲時，中間件會優先保障平衡與力控鏈路，并暫時降低視覺分辨率或調用緩存策略，從而保證機器人動作連續。

黑芝麻智能還首次提出了 Runtime 自學習調度機制。中間件會在長期運行中記錄任務執行情況，并自動優化調度策略，讓機器人在使用過程中“越跑越順”。這使得 SesameX 不再依賴人工調參，而是能夠根據環境變化和任務類型動態調整執行邏輯。

這一層決定的不僅是機器人“能不能動”，而是“動起來是否連貫、是否自然、是否可靠”。中間件讓機器人擺脫“拼腳本驅動動作”的模式，轉向真實意義上的實時協同與連續控制，為后續能力層提供了穩定基礎。

原子應用層：讓機器人“學會任務”而不僅是“執行動作”

在傳統機器人系統中，技能大多依賴預設腳本，一旦任務組合發生變化或環境略有差異，動作便可能失效。這也是行業普遍面臨的核心瓶頸：機器人會“做動作”，但不會真正“完成任務”。

為解決這一問題，SesameX 引入原子應用層，將任務拆解為最小可復用技能單元，如抓取、推拉、遞送、開關門、導航停靠等。每個技能不僅包含動作，還包含觸覺反饋、力控策略與失敗恢復，使其能夠在不同場景中重新組合并適應變化。

這一層的關鍵價值在于任務理解與組合。當機器人接到“取杯子”指令時，它不再簡單執行固定動作，而是根據環境狀態動態規劃執行流程，并在失敗時自動切換策略。這意味著機器人開始具備早期任務規劃與策略選擇能力。

原子應用層還支持經驗回灌與跨設備遷移：機器人會根據執行過程優化參數，并將學習成果遷移到硬件配置相似的設備上，大幅縮短開發周期，讓技能從單機資產變成平臺資產。

從工程意義上看，這一層為機器人補上了“任務智能”的一環，讓系統在完成動作的同時具備面向目標的調整與優化能力，也為后續更高層級的智能演進預留了成長空間。

系統級安全：被寫進架構的“底層前提”

在 SesameX 的整體設計中，安全被提升到與算力和算法同等重要的位置，不再是附加在某個模塊上的“功能選項”。黑芝麻智能將安全機制直接嵌入感知、模型、決策和控制等關鍵鏈路之中，通過多層監測、冗余和仲裁，讓系統在出現異常、資源競爭或極端工況時，仍然能夠保持可控、可恢復的狀態，而不是簡單依賴外部急停或單點防護。

這意味著，當機器人運行在復雜場景中時，SesameX 并不是在“事后補救”，而是在每一次感知輸入、每一次決策下發、每一次控制執行之前，都對風險和不確定性進行評估與約束。安全由此從“某個模塊的職責”變成“整個平臺的工作方式”，成為架構層面的默認前提。

也正因為如此，“為什么今天的機器人比以往任何技術形態都更需要安全”，以及“安全該如何被系統性地寫進機器人的計算架構”，成為黑芝麻智能在 SesameX 上反復試圖回答的兩個核心問題。

二、安全為何成為機器人時代的核心前提

如果說機器人行業的其他技術挑戰——感知、力控、算力、模型——都屬于“可被技術突破”的問題，那么安全是唯一一個如果處理不好，會直接阻斷整個行業路徑的問題。它不是一個“功能項”，而是一條“行業能否存在”的底線。

為什么今天的機器人比任何時代都更需要安全？

機器人從實驗室走向社會的速度，比多數人預期的更快。它們開始出現在醫院、工廠、酒店之間，甚至進入家庭客廳，與孩子、老人、寵物近距離接觸。這種“物理共存”帶來了一個前所未有的挑戰：機器人將長期、穩定、無處不在地與人發生物理接觸。

在大多數數字產品和傳統消費電子中，人機交互主要停留在屏幕、按鍵或語音層面；但機器人不同，它的行動本質上是一種力量作用，它的“每一次靠近、舉手、移動”，都可能帶來潛在物理風險。

在黑芝麻智能看來，當機器人真正進入開放、復雜的真實場景時，安全問題呈現出幾類典型特征：

1. 動作鏈路長、環節多，一處異常就可能沿控制鏈路傳導，演變為整機動作異常甚至失控；
2. 多模態感知、多任務并發時，算力爭搶、時序抖動和“補丁式”安全機制疊加在一起，容易放大為整體行為不穩定、缺乏端到端安全閉環；
3. 傳感器噪聲、模型偏差與光照變化、行人或障礙物突然闖入等突發情況交織在一起，在長期運行中不斷累積，持續暴露出系統的脆弱點。

這些問題共同指向一個核心現實：機器人在真實世界中運行時所面臨的風險來源是動態疊加、相互影響且不斷演化的，這使得傳統“模塊式安全”難以為繼。

這意味著，機器人行業要真正走向規模化，必須先回答一個更直接的問題：當系統出現異常甚至多點失效時，機器人能否依然優先保護人類的安全？

單記章正是從這個角度強調：“當所有可能出錯的地方都出錯時，機器人仍要能最大程度避免對人的傷害。”這不是修辭，是一個未來產業的基本倫理線。

安全必須是一種系統能力

傳統的機器人系統，安全往往被拆分成彼此獨立的功能：避障模塊負責避障、急停模塊負責停止、力控模塊負責調節力度，遇到問題再通過補丁式規則或新增硬件去“補救”。這種做法在相對封閉、任務固定的場景中還能維持運行，但一旦進入真實世界的高動態環境，多個模塊同時工作、爭奪資源時，原本分散的安全機制就難以形成有效聯動，任何一個環節出問題都可能沿控制鏈路傳導，引發連鎖失效。正如發布會上所強調的，“當所有可能出錯的地方都出錯時，機器人仍要最大程度避免對人的傷害”，而傳統的模塊式安全顯然無法支撐這一目標。

因此，黑芝麻智能在構建 SesameX 時提出了一個更高的安全定位：安全不再是設備級保護，而是一種面向真實世界的人身安全能力。這意味著安全不能停留在系統外層，而必須像神經系統一樣嵌入整個“感知—理解—決策—執行”鏈路。只有當安全成為系統本身的運行方式，而不是附加功能，機器人才能真正進入復雜社會環境。

SesameX 如何實現系統級安全？

在安全的實現方式上，SesameX 采用的是一套從芯片到系統的全棧安全架構。黑芝麻智能在官方介紹中強調，這一體系以車規 ASIL?D 級別的安全要求為設計基礎，在平臺內部形成“多域隔離 + 安全仲裁”的結構：感知、決策、控制和模型等關鍵環節分別承擔不同的安全職責，而獨立的安全域則作為仲裁中樞，對各域上報的狀態和指令進行統一判斷，確保所有計算與控制都在安全閉環中運行。

在此基礎上，SesameX 將安全機制貫穿從“感知”到“執行”的完整鏈路：從傳感器數據進入系統開始，到模型推理、決策下發，再到執行機構動作，每一階段都配有相應的監測與保護策略。一旦出現異常數據、模型輸出異常或控制鏈路不一致，系統可以通過限制動作、策略降級或切換安全模式等方式，避免風險被放大，而不是單純依賴外部急停或單點防護。

在黑芝麻智能的眼里，系統安全是 SesameX 架構中的高階能力，它融入各個層級，為機器人提供可靠、可信的安全保障：安全不再是附著在機器人外層的防護殼，而是與中間件、原子應用層等一起，成為 SesameX 日常運行方式的一部分，讓機器人在不斷拓展能力邊界的同時，始終保持對人和環境的可控與克制。

在 SesameX 的邏輯中，安全不是“強行糾錯”，而是“讓機器人從架構上具備自我保護與保護他人的意識”。

對于機器人行業來說，安全不是附屬條件，而是商業化的決定性因素，只有當人類敢把身體交給機器人，才會出現真正意義上的市場。而SesameX 的系統級安全設計，正是試圖為機器人行業補上這塊“決定未來”的底座。

三、機器人需要的五項核心能力

結合多年在智能駕駛和車規級平臺上的量產經驗，黑芝麻智能認為，機器人要真正走向規模化落地，至少需要在幾個方向上形成體系化能力：可信安全、空間智能、認知理解、自主學習、多模態協同。它們并非抽象概念，而是機器人要從“可運行”邁向“可協作”、從“可演示”邁向“可量產”的必要條件。黑芝麻智能并不是把每一項能力拆成互不相干的功能模塊，而是希望這些能力都能在同一套工程體系中被搭建出來、被反復驗證，并在長期運行中持續演進。

首先是可信安全。在機器人開始進入家庭、工廠、醫院、園區的時代，它們將與人保持更密切、更頻繁的物理互動，這使得安全不僅僅是要求“不要出錯”，而是要求機器人在任何情況下都能保持行為的可預測性、可控性和可恢復性。只有當人類愿意把自己的身體、孩子、財物交給機器人時，商業化才真正成立。黑芝麻智能從車規級架構遷移來的多域安全體系，將安全從一個模塊提升為一種貫穿計算、感知、決策、控制鏈路的能力，讓機器人在面對復雜沖突時仍能優雅降級并保證可靠性。

第二項能力是空間智能。具身智能的核心能力不是看清楚，而是理解三維世界的結構、動態與語義，這與自動駕駛的“可預測道路模型”完全不同。機器人需要在辦公室、家庭、樓梯間、廠房、貨架等極度復雜的異構環境中判斷地面可行性、空間拓撲、障礙物屬性等。黑芝麻智能通過在底層提供多模態同步采集、高帶寬感知管線以及實時調度能力，讓空間理解不依賴單一模型，而是成為系統級能力，從而增強機器人的環境適應性。

第三項能力是認知理解。傳統機器人依賴規則或腳本，但下一代機器人必須具備理解任務意圖、構建任務圖、選擇技能組合的能力，也即從“執行命令”轉向“理解意圖”。黑芝麻智能通過原子應用層將復雜任務拆解為最小可復用單元，使機器人不僅能完成動作，還能根據任務目標理解為何這樣做。這讓機器人擁有了從基礎行為邁向任務級智能的路徑。

第四項能力是自主學習。真實環境永遠在變化，機器人必須具備讓自身在使用過程中不斷變得更好的能力，而不是依賴工程團隊不斷手動調參。黑芝麻智能將這種學習能力嵌入到系統循環中，通過 Runtime 的自優化機制、經驗緩存和策略重寫，讓機器人能夠在執行任務的同時修正自身行為。這意味著機器人不再是一次性部署的靜態產品，而是一個能夠持續進化的智能體。

最后是多模態協同。機器人需要同時處理視覺、語言、觸覺、力控、導航、規劃等不同類型的任務，這些任務的時間尺度、計算需求和實時要求都不同。如何讓它們不相互阻塞、如何確保優先級合理、如何在毫秒級響應，是決定機器人“看起來自然”的關鍵。黑芝麻智能通過全棧 XPU 調度和三維并行架構，讓多模態任務并行成為常態，使機器人能夠以接近人類的連續性和一致性與世界交互。

從本質上看，黑芝麻智能希望將那些在人類身上經過漫長演化才形成的能力，以可工程化的形態注入機器人系統，讓機器人不止“能動起來”，還能持續成長，在完成任務的同時逐步學會理解并適應所處的世界。

四、商業化進展：從真實產品驗證平臺能力

在發布會上，黑芝麻智能強調判斷一個平臺是否能夠成為產業底座，最關鍵的標準不是技術指標本身，而是是否能夠在真實場景中長期穩定運行，并支撐不同形態機器人的落地。現場展示的多款合作伙伴產品，正成為 SesameX 平臺能力的直接驗證載體。

目前，SesameX 已經在物流、巡檢、人形等多個場景中實現部署，這些產品不僅完成了樣機演示，更進入了持續運行和迭代階段，從而為平臺提供了最具說服力的驗證路徑。

在園區與工廠這樣的封閉空間里，物流機器人是最早走向規模部署的一類產品。星程智能的慢速物流車采用了 SesameX 中的 Kalos 模組，將視覺感知與底盤控制集成在一塊信用卡尺寸大小的模組內。在這個組合下，Kalos 不只是一個算力模組，而是承擔起“視覺中樞 + 運動中樞”的角色，使物流車能在高性價比前提下穩定完成定位、避障與路徑跟隨。這種一體化中樞意味著開發周期顯著縮短，也讓后續迭代成本可控。

深庭紀的消費級四足機器人是 Aura 平臺的重要落地之一。四足機器人每邁出一步，都在同時處理平衡、足端接觸力、視覺感知、環境理解等多路信息，如果算力分配稍有不當，就會出現步態不穩甚至摔倒。基于 Aura 的平臺方案中，多模態同步采集和毫秒級調度允許機器人在高速運動中實時修正身體姿態，既能完成高難度動作，又能保持對周邊環境的持續感知。這類產品不再只是展會上的“炫技道具”，而是開始具備走進真實場景的基礎能力。

往更高一層看，黑芝麻智能與武漢大學團隊在 Liora 平臺上探索的人形機器人方案，則開始引入世界模型與端到端控制，讓機器人在面對開放環境時具備更強的整體性理解與決策能力。這里的 SesameX，不再只是執行預設動作，而是成為承載“世界觀”的計算基礎。

除了單機形態的產品落地，SesameX 也開始進入行業級解決方案之中。黑芝麻智能與均勝電子達成的戰略合作，指向的是未來具身機器人“頭部總成”和域控制器的標準化；而與湖北華中電力的合作，則把具身機器人帶入輸電巡檢、帶電作業等高度危險的電力場景。前者讓 SesameX 嵌入汽車級供應鏈體系，后者讓它成為行業數字化、智能化基礎設施的一部分。

這些已經落地、正在運行的產品，共同指向一個事實：SesameX 并不是一個等待市場驗證的概念，而是一套正在被不同類型機器人反向“打磨”的產業底座。正是通過這些合作伙伴，SesameX 的架構、工具鏈和安全體系在真實場景中不斷接受壓力測試，并在一次次部署與迭代中被塑造成更成熟的“全腦智能平臺”。

如果說過去幾年機器人行業的關鍵詞是“速度”和“想象力”，那么未來幾年決定行業走向的，將是“穩定性”“安全性”和“系統性”。行業需要一個能夠讓機器人從單點突破走向規模落地的基礎平臺。

黑芝麻智能這次給出的并不是一個激進的概念，而是一套穩扎穩打、體系化清晰，且在真實場景中已經被驗證的答案：讓機器人從“可運行”邁向“可協同”，從“可展示”邁向“可信任”，從“可用”邁向“可成長”。

SesameX 的出現標志著機器人行業開始進入“底層能力重構”的階段。在這個階段，決定行業未來的不是誰的動作更炫、誰的模型更大，而是誰能構建出一個真正面向現實世界、可持續進化的智能體系。而這，正是 SesameX 想要承擔的使命。