Physical AI發(fā)展全面提速

（本文編譯在Electronic Design）

長期以來，人工智能模型的運行高度依賴云端。傳統(tǒng)模式下，這類模型均在數(shù)據(jù)中心內(nèi)完成訓練與部署，無法直接作用于物理世界。而隨著人工智能加速器技術(shù)日趨成熟，邊緣設(shè)備開始支持模型本地運行，通過在數(shù)據(jù)源頭采集信息，實現(xiàn)低延遲推理。但即便如此，這些模型的輸出結(jié)果仍需人工直接干預(yù)，才能轉(zhuǎn)化為實際的物理操作。

如今，安全、防護與可靠性領(lǐng)域的技術(shù)創(chuàng)新讓汽車先進駕駛輔助系統(tǒng)（ADAS）及工業(yè)機器人得以在無人干預(yù)的情況下安全自主運行。這些技術(shù)創(chuàng)新推動AI實現(xiàn)轉(zhuǎn)型，從僅能為決策提供參考的數(shù)字輔助工具，升級為兼具感知、思考與行動能力的智能系統(tǒng)。物理人工智能（Physical AI）（亦被稱作具身人工智能）的應(yīng)用場景也由此展開。

而在Physical AI的發(fā)展進程全面提速的當下，一個問題也隨之浮現(xiàn)：我們該如何確保這些技術(shù)能力實現(xiàn)廣泛普及，而非僅掌握在搭載最前沿、最高性能系統(tǒng)的設(shè)備中呢？

什么是Physical AI？

Physical AI指的是在嵌入式硬件上運行、并能直接影響系統(tǒng)物理行為的人工智能模型。Physical AI并非全新概念，它將邊緣人工智能與實時控制的理念進一步拓展至各類系統(tǒng)，這類系統(tǒng)不僅能在本地感知解讀周邊環(huán)境，還能依據(jù)解讀結(jié)果驅(qū)動物理運動。

圖1展現(xiàn)了Physical AI與邊緣人工智能的區(qū)別。以人形機器人這一Physical AI的主要應(yīng)用為例：機器人抓取并抬起箱體的動作控制，由Physical AI實現(xiàn)；而在本地運行人工智能模型的處理器所具備的各項能力，則歸屬于邊緣人工智能的范疇。

圖1：Physical AI以邊緣人工智能的理念為基礎(chǔ)，不僅能實現(xiàn)對物理世界的感知，還能與物理世界產(chǎn)生交互。

試想這樣一種場景：在車水馬龍的高速公路上，一名駕駛員正駛向一段突發(fā)緩行的車流。如今，車輛的確定性系統(tǒng)會在與前車的距離縮短至設(shè)定閾值時做出響應(yīng)，為實現(xiàn)安全制動而降速。

而Physical AI系統(tǒng)的反應(yīng)模式則有所不同。它能更早分析出車流的變化趨勢，甚至在距離達到設(shè)定閾值前就完成車速調(diào)整。依托直接運行在車輛嵌入式硬件上的人工智能，車輛的行駛狀態(tài)得以實現(xiàn)更平穩(wěn)、更可控的轉(zhuǎn)變。倘若這一技術(shù)能普及至眾多車輛而非僅應(yīng)用于少數(shù)車型，其帶來的改善效果將更為顯著。

當人工智能對傳感器和執(zhí)行器的數(shù)據(jù)進行實時分析與響應(yīng)時，每一毫秒都至關(guān)重要。Physical AI恰好滿足了本地近瞬時處理的需求。

但與此同時，我們?nèi)孕杞柚贫说暮Ａ坑嬎愫痛鎯Y源對Physical AI模型進行訓練與優(yōu)化。例如，數(shù)字孿生技術(shù)對于機器人領(lǐng)域在內(nèi)的Physical AI模型訓練而言至關(guān)重要。通過構(gòu)建包含機械、電子和傳感器系統(tǒng)的虛擬模型，可以在模型與硬件產(chǎn)生實際交互前完成測試與優(yōu)化工作。

邊緣人工智能的終點與Physical AI的起點

邊緣人工智能涵蓋了從微型微控制器（MCU）到嵌入式處理器等各類本地硬件上運行的人工智能模型，這類模型可對傳感器數(shù)據(jù)進行匯總與處理，無需依賴遠程服務(wù)器即可生成輸出結(jié)果，如圖2所示。

圖2：云端人工智能與邊緣人工智能的對比。

Physical AI的獨特之處，體現(xiàn)在模型生成輸出結(jié)果后的后續(xù)環(huán)節(jié)。邊緣人工智能可完成圖像分類、聲音識別或傳感器數(shù)據(jù)解讀等任務(wù)，而Physical AI則將感知與執(zhí)行相融合，實現(xiàn)對系統(tǒng)運動、反應(yīng)及實時調(diào)節(jié)的精準控制。例如，借助Physical AI在本地對周邊車流的多種信號進行解讀，車輛能做出更提前的反應(yīng)，讓車速調(diào)整更為平穩(wěn)。

在工業(yè)領(lǐng)域，倉儲機器人可在人員靠近時實時調(diào)整行進路線，這得益于車載模型無網(wǎng)絡(luò)延遲的場景處理能力；工業(yè)設(shè)備的本地模型可持續(xù)分析傳感器數(shù)據(jù)，而非依賴云端運行的人工智能模型，進而能對電機的扭矩、位置或轉(zhuǎn)速進行精細化調(diào)節(jié)。

這些技術(shù)都不是全新概念，工程師們多年來已在嵌入式系統(tǒng)中運用預(yù)測模型乃至機器學習模型。但Physical AI的突破在于，將這些能力更深度地融入系統(tǒng)設(shè)計，實現(xiàn)本地推理與執(zhí)行的高度耦合。隨著Physical AI被廣泛應(yīng)用于各類產(chǎn)品系列，且覆蓋不同價格區(qū)間，工程師們亟需一套具備可擴展性的軟硬件解決方案。

Physical AI關(guān)鍵在于軟硬件協(xié)同設(shè)計

Physical AI通常可拆解為感知、決策、執(zhí)行三大核心環(huán)節(jié)。以自動駕駛汽車為例，其通過攝像頭、雷達、激光雷達及其他傳感器感知周邊環(huán)境，通過數(shù)據(jù)處理規(guī)劃出前方道路的安全行駛路徑以完成決策，最終通過控制轉(zhuǎn)向、剎車與油門執(zhí)行既定規(guī)劃，實現(xiàn)執(zhí)行環(huán)節(jié)。傳統(tǒng)上，人工智能模型僅用于對周邊環(huán)境的感知與決策，而當人工智能模型開始主導(dǎo)運動控制時，系統(tǒng)設(shè)計的底層邏輯也隨之改變。

在Physical AI體系中，工程師無法再依賴持續(xù)的無線連接，因為這類系統(tǒng)對時序的可預(yù)測性、傳感器數(shù)據(jù)的精準度有著嚴苛要求，同時需要硬件能在數(shù)毫秒內(nèi)完成響應(yīng)。

工程師在設(shè)計過程中，需兼顧軟硬件層面的多重考量。例如，處理器必須能在控制回路的時序要求內(nèi)完成模型推理，傳感器鏈路則需持續(xù)輸出精準、可靠的數(shù)據(jù)；軟件需在無額外延遲的前提下協(xié)調(diào)感知與執(zhí)行環(huán)節(jié)，而驗證工作的復(fù)雜度也大幅提升，因為任何誤差都會對設(shè)備可靠性和用戶安全產(chǎn)生實際的現(xiàn)實影響。

相較于前幾代嵌入式系統(tǒng)，Physical AI中軟硬件的相互影響程度顯著更高。因此，Physical AI的開發(fā)工作最宜采用協(xié)同設(shè)計思路，將軟硬件層面的決策視為高度關(guān)聯(lián)的整體。有一個實際案例能夠清晰闡釋這一點。

試想在一條生產(chǎn)線上，一臺用于操作精密元器件的小型機械臂。軟件團隊或許希望部署更大規(guī)模的模型以提升抓取預(yù)測的準確性，但這會對硬件團隊提出新要求，畢竟處理器仍需在嚴苛的控制回路時序內(nèi)完成推理運算。

反之，硬件團隊若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(shù)據(jù)，這也會推動軟件團隊調(diào)整模型與控制邏輯，讓機械臂能夠充分利用這一提升后的信號質(zhì)量。

通過協(xié)同設(shè)計，軟硬件工程師團隊能夠共同打造出最優(yōu)解決方案：人工智能模型適配算力預(yù)算，傳感器滿足所需的精度要求，控制回路始終符合時序窗口標準。這一方案最終能讓機械臂的運動更安全和可靠。

Physical AI系統(tǒng)的硬件研發(fā)頗具挑戰(zhàn)

半導(dǎo)體是Physical AI的核心基礎(chǔ)。這類系統(tǒng)依賴一系列半導(dǎo)體器件，如運行人工智能模型的嵌入式處理器、精準采集傳感器信息的信號鏈器件，以及在負載變化時維持穩(wěn)定運行的電源技術(shù)。上述每一類器件，都決定了Physical AI設(shè)計中對時序、精度和一致性的性能上限。

可以看到，單一領(lǐng)域的技術(shù)升級會引發(fā)連鎖反應(yīng)，帶動其他環(huán)節(jié)的優(yōu)化。全新的傳感鏈路能實現(xiàn)更精準的控制；可支持稍大規(guī)模模型的處理器，能助力機器人應(yīng)對更復(fù)雜的場景；而經(jīng)過優(yōu)化的電源架構(gòu)，則能讓系統(tǒng)在高速運動過程中保持穩(wěn)定的性能表現(xiàn)。

從本質(zhì)上而言，Physical AI的實現(xiàn)，依賴于元器件在可預(yù)測方面的處理能力、可靠的感知能力與穩(wěn)定的電源系統(tǒng)這三方面的協(xié)同配合。

Physical AI的發(fā)展方向會在何方？當前行業(yè)內(nèi)涌現(xiàn)的諸多趨勢，正推動著Physical AI的形態(tài)演進。設(shè)計人員正將感知、計算與控制模塊進行一體化整合，以保障時序的可預(yù)測性和性能的穩(wěn)定性。

如前文所述，仿真技術(shù)和數(shù)字孿生環(huán)境在研發(fā)流程中的應(yīng)用愈發(fā)廣泛，讓研發(fā)團隊能在硬件落地前，就完成系統(tǒng)行為的測試驗證。

如今，Physical AI已在多個領(lǐng)域加速落地：

• 在建筑與基礎(chǔ)設(shè)施領(lǐng)域，工程師可打造智能控制器，依據(jù)環(huán)境信息對機械系統(tǒng)進行動態(tài)調(diào)節(jié)；

• 在機器人領(lǐng)域，車載智能系統(tǒng)能協(xié)助設(shè)備在人員與周邊器械間靈活調(diào)整運動軌跡；

• 在工業(yè)自動化領(lǐng)域，設(shè)備可根據(jù)傳感器的實時輸入自適應(yīng)調(diào)整運行狀態(tài)，助力生產(chǎn)流程在工況變化時保持穩(wěn)定。

在所有這些應(yīng)用場景中，半導(dǎo)體企業(yè)對Physical AI系統(tǒng)的功能實現(xiàn)起到了關(guān)鍵作用。這是因為這類系統(tǒng)的性能、精度與可靠性，歸根結(jié)底依賴于底層硬件的支撐，而非單靠軟件實現(xiàn)。

半導(dǎo)體企業(yè)正是Physical AI時代核心硬件的提供者。而隨著這些技術(shù)向更多類型的設(shè)備、更豐富的產(chǎn)品層級滲透，半導(dǎo)體企業(yè)的使命，還在于讓盡可能多的設(shè)計人員都能掌握這些技術(shù)能力。

若要讓Physical AI真正重塑機器的運動、反應(yīng)模式，為人類生活提供全方位支持，提升安全與便捷性，就必須讓這一技術(shù)普及至各類日常設(shè)備，而非僅局限于高性能系統(tǒng)之中。