Arm執行副總裁Drew Henry：物理AI領域，芯片設計并非以極致性能和超高內存帶寬為核心

隨著AI改造真實世界的進程加速，物理AI正在成為一個確定性的技術趨勢。

2026年1月，在拉斯維加斯舉行的國際消費電子展（CES 2026）上，Arm公司正式宣布進行內部組織架構重組，并成立了專門的物理AI（Physical AI）事業部。

“在我們的定義中，物理AI是將AI深度嵌入各類智能設備并實現實體化落地，具體涵蓋配備執行器(actuators)、可自主運動的各類設備，比如機器人平臺、自動駕駛汽車平臺等。簡單來說，把AI嵌入這類機器，就是物理AI。”

近日，在Arm的一場對外溝通會上，Arm物理AI事業部執行副總裁Drew Henry對外表示，理解物理AI最核心的是抓住一個關鍵指標：時延。

即從感知信號到實際動作執行之間的時間。無論是汽車剎車、加速、轉向，還是機械臂動作、機器人移動，從感知到執行系統響應的這段時間，對物理AI而言這就是最關鍵的指標之一。

在Arm看來，物理AI的實現需要深入理解四大計算層級：

第一個感知驅動計算層級聚焦于自主運行(Autonomous Operation)。它關乎感知系統，即賦予機器人或汽車“看見”周圍環境的能力，并據此做出超快速的實時決策。這一層級的核心要求是在極短時間內完成實時運算，而從傳感器感知信號到執行器啟動運作的時延表現尤為關鍵。

第二層是交互驅動層。當乘客乘坐自動駕駛汽車前往目的地時，依然需要和車輛進行交互。要讓車內乘客、或是與人形機器人互動的用戶，獲得流暢體驗，交互系統就必須提供相應的算力支撐。

第三層是驅動執行層。它負責精準控制機器人手中的各類微型執行器，也負責自動駕駛汽車中制動系統與轉向系統的控制和執行。這一系統由大量微型器件組成，需要上層系統統一協調調度，這也讓整體設計變得極為復雜。

第四層是云端，所有這些系統如何通過云端實現協同交互。

一方面，可以在云端完成新模型訓練，然后下載到終端設備；另一方面，所有設備可以通過云端整合成一個集群，以集群方式協同作業。這是一層完全不同的計算層級，主要實現自動駕駛、機器人系統與云端環境的交互。

“所有這些系統都必須做到功能安全、信息安全。正因如此，物理AI是Arm亟需打造的最復雜的計算平臺之一。”

Drew Henry表示，在物理AI領域，計算最核心的特性就是實時性，即能夠極快地完成高復雜度計算。從傳感器感知到執行器響應的時延控制，至關重要。

這也就意味著，物理AI領域，Arm所設計的系統并非以極致性能和超高內存帶寬為核心設計目標，而是在極短時間內實現最快速、最高效的指令執行，達成數據輸入、動作輸出的即時閉環。

此外，Drew Henry還強調，未來十年，具身智能及其所需的模型勢必持續迭代演進，人形機器人平臺與自動駕駛平臺的應用需求也將不斷變化。這也正是該領域會成為最復雜計算系統的原因——它會一代又一代持續升級。

“這是一項需要深耕十年乃至更久的計算領域難題，而這也正是該領域，有望成為有史以來規模最大的市場之一的關鍵所在。”

Drew Henry表示，在物理AI領域，Arm已構建完善的計算平臺體系：客戶若有需求，既可以基于Arm技術打造自研計算平臺，也可選擇與NVIDIA這類生態合作伙伴開展合作。Arm是全球唯一可同時提供這兩種合作模式的企業。（文 | 科技潛線，作者 | 饒翔宇 編輯 | 鐘毅）