Arm押注物理AI，汽車與機器人成新引擎，告別云端“內卷”

車東西（公眾號：chedongxi）
作者 ｜ Janson
編輯 ｜ 志豪

在中國市場持續推進智能化轉型的背景下，Arm正進一步強化自己在新一輪計算產業變革中的位置。

車東西3月19日消息，日前，Arm方面在交流中表示，隨著人工智能從云端訓練走向終端部署，并進一步進入汽車、機器人等真實物理場景，計算平臺的競爭重點也在發生變化。

相較于傳統云計算或一般邊緣計算，面向自動駕駛、具身機器人等應用的“物理AI”，不僅要求更高的算力密度，更強調時延、能效、安全與系統級協同能力。

Arm方面認為，這恰恰是其長期積累的優勢所在。作為一家以底層計算平臺為核心定位的企業。

Arm方面稱，基于Arm架構的芯片累計出貨已超過3250億顆，全球有2200萬開發者基于其平臺進行全棧軟件開發，相關技術已廣泛進入移動終端、物聯網、汽車、機器人及云基礎設施等領域。

如今，隨著物理AI被視為下一階段產業落地的重要方向，Arm也開始圍繞邊緣AI、物理AI和云AI重新梳理業務重心，其物理AI將汽車與機器人視為未來幾年最關鍵的增長場景之一。

一、Arm押注物理AI 打通從端側到云端的計算底座

在現場，Arm物理AI事業部執行副總裁Drew Henry與媒體分享了他對Arm在物理AI的理解和判斷。

在Arm的判斷中，物理AI本質上是讓AI真正進入具備感知、決策和執行能力的實體設備之中，包括自動駕駛汽車、各類自主機器人、工業設備、無人機以及更多可移動、可操作的智能系統。

▲實現物理AI的四大計算層級

與數據中心里的大模型訓練，或是手機、PC等終端上的邊緣AI相比，物理AI最大的不同，在于它必須直接面對現實世界的時間約束，也就是從傳感器感知環境，到系統完成計算，再到執行器真正做出動作，這一鏈路中的時延必須被壓縮到毫秒甚至微秒級。

無論是車輛制動、轉向，還是機械臂抓取、機器人移動，這種“從感知到執行”的響應能力，都決定了平臺是否具備真正的落地價值。

也正因如此，Arm將物理AI視為一個比傳統智能終端更復雜的系統工程。

按照其給出的劃分，這類平臺至少涉及四層計算層級：第一層是負責環境感知與自主決策的感知驅動層，承擔自動駕駛汽車和自主機器人的實時判斷任務；

第二層是面向人機互動的交互驅動層，支撐車內信息娛樂、導航顯示以及機器人與用戶之間的自然交互；

第三層是驅動執行層，用于控制制動、轉向、電機、機械臂等各類具體執行機構；

第四層則是云端系統，負責模型訓練、軟件更新、數據回流和多設備協同。

Arm方面認為，真正成熟的物理AI平臺，必須把這幾層能力有機結合起來，同時滿足功能安全、信息安全和高能效要求。

從產業演進看，Arm的核心判斷是，汽車和機器人正在沿著相似的路徑走向自主化。

前者正從傳統汽車逐步邁向更高水平的輔助駕駛與自動駕駛，后者則從固定功能機械系統演進為具備感知和決策能力的自主機器人。

兩類產品的形態雖不同，但在底層計算需求上越來越趨同，這也是Arm持續加碼這一領域的重要原因。

Arm方面還提到，公司很早便開始圍繞AI負載演進調整架構方向。

以2017年Transformer提出為例，其內部認為這類模型的技術路線將深刻改變未來計算需求，因此較早開始為相關應用進行準備。

在商業層面，Arm同樣希望借物理AI打開新的增長空間。

長期以來，Arm技術已深度參與ADAS、自動駕駛和機器人平臺建設，僅2025年，Arm生態面向汽車、自動駕駛和機器人平臺的芯片出貨量就達到20億顆。

▲Arm廣泛的生態系統

結合其在移動終端、物聯網與云基礎設施上的既有生態，Arm正在試圖建立一種覆蓋“從微型傳感器到云端算力中心”的統一計算底座。

而中國，顯然是這一布局中極為關鍵的一環。

Arm方面表示，中國市場在汽車、機器人和各類智能終端上的創新速度極快，不僅是技術落地的重要場景，也在不斷反向影響全球產業趨勢。基于這一判斷，Arm希望繼續借助自身生態連接能力，把全球技術資源引入中國，同時也將中國市場中形成的創新成果帶向全球。

某種程度上，這也解釋了Arm為何在當前階段將物理AI提升至更高戰略位置：當AI開始從“會思考”走向“會行動”，底層計算平臺的話語權，也可能被重新定義。

二、對話Arm物理AI事業部執行副總裁 詳細解構物理AI業務發展

1、推動物理AI技術落地的進程中，IC供應商的產品演進方向將與以往呈現出哪些顯著差異？哪些核心特征的IC企業能夠搶占市場先機？

Drew Henry：正如我此前所言，物理AI是我們亟需打造的最復雜的計算平臺之一。我們很早就洞察到這一領域的發展機遇，并在相關領域深耕多年，這也正是 Arm 能夠成為眾多企業首選的核心原因。

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，是關鍵中的關鍵。

因此，真正掌握這項能力的企業，才能在行業中取得成功。而Arm可以憑借技術實力幫助合作伙伴做到這一點，通過我們的合作，原本極為棘手的難題也將變得更加容易攻克。

▲Arm物理AI事業部執行副總裁Drew Henry

2、Arm物理AI事業部成立時間尚短，該部門的核心工作內容有哪些？在未來階段，其最緊迫的工作重點又是什么？

Drew Henry：首先需明確的是，成立Arm物理AI事業部與我們深耕該領域的時長，是兩個截然不同的概念。

我們在物理AI全系列技術領域的研發投入已長達十余年乃至二十年，如今我們將物理AI明確列為Arm的核心發展方向，因此決定針對該領域開展重點深耕布局。

原因之一在于，它有望成為計算歷史上規模最大的計算市場。

同時，有大量客戶希望與我們在這一領域展開合作，所以我們專門組建團隊，專注服務并支持這些客戶。

3、人形機器人與汽車電子領域在技術架構上實則高度相似，二者均采用中央計算平臺搭配分布式控制節點的架構形式，僅在實時性、感知能力等維度存在一定差異。

如何看待這種跨行業的技術復用趨勢？同時這一趨勢對于加速物理AI系統的研發進程、降低其規模化部署門檻，能夠發揮怎樣的推動作用？

Drew Henry：我認為自主系統與自主設備的核心特點在于，它們包含了此前提到的四大計算層級。其中，聚焦實時自主運行的感知驅動層是核心關鍵，交互驅動層旨在實現快速交互響應，驅動執行層則負責統籌該計算體系下的所有執行系統，而這四大計算層級的技術實現均具備極高的復雜性。

四大計算層級需協同調度，卻又彼此具備顯著的獨立性。因此，我們的核心方向便是攜手客戶，助力其攻克這四大領域的技術難題，并為其提供簡潔的解決方案，讓客戶能夠開發輕量化的軟件棧。而這正是我們的核心技術優勢所在。

4、在物理AI計算平臺領域，Arm目前與各車企展開了哪些合作？Arm與Tensor現階段開展了哪些具體合作？此外，Arm未來與地平線等中國本土車企又有著怎樣的合作規劃？

Drew Henry：Arm的獨特市場定位讓我們得以與全行業伙伴在不同程度上展開合作。其中部分合作已正式對外公布，另有部分目前暫未公開，但我們的合作版圖已覆蓋全行業。

5、您此前提及具身模型將在未來十年推動計算領域的變革，而今日我們也關注到黃仁勛的相關演講，其提到NVIDIA當前的Blackwell系統在算力層面，呈現出張量單元翻倍、其余功能單元增速有限的非對稱擴張特征。

這是否意味著物理AI芯片（尤其是計算芯片）將迎來全新的技術范式？此外，未來三年內，行業是否會迎來非GPU主導的物理AI專用芯片發展浪潮？

Drew Henry：在物理AI領域，我僅圍繞該領域展開說明：我此前提及的感知驅動型智能體系，亦即傳感器采集的輸入數據，必須轉化為設備的實際執行動作，而這一轉化過程必須在微秒乃至毫秒級完成。這也就意味著，我們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。

該系統的設計核心，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。這與面向云端設計的計算平臺所應對的技術難題截然不同，二者屬于不同的計算平臺，物理AI計算平臺也因此需要專屬的架構設計。而 Arm 深耕這類計算平臺的研發已有多年，旗下擁有成熟的實時處理器產品體系。

我們擁有超高性能的中央處理器，可對接各類加速器產品；而實現這類加速器的對接，同樣要求相關數據處理能在極短時間內完成，NVIDIA也正因這一核心要求，在其平臺中采用了Arm架構中央處理器及Arm實時處理器。

因此，這是一類截然不同的計算領域難題，而這一難題也將推動未來十年的系統架構迎來變革。我們現已打造出多款極具突破性的全新物理 AI 計算架構，期待后續能與大家做詳細分享。