2025年全球人形机器人装机量中，中国占比已超80%；IDC数据显示，当年中国具身智能机器人用户支出达14亿美元，预计2030年将达770亿美元，年均复合增长率约94%。
AI不再追“规模”，要往实处落
之前两年，AI圈聊的全是“规模”——更大的模型、更多参数、更贵的训练集群。但2025到2026年，风向悄悄变了。端侧AI、物理AI成了新焦点，AI要从数据中心的恒温机房，走到人的口袋、车间、街头。这些场景哪有稳定供电、充沛带宽？电池有限、网络时断时续、要求实时反应，全是硬约束。
Figure AI最近的研究印证了落地的难：机器人在训练场景的表现还行，但换个环境成功率只有9%；用特殊训练方法、调整数据采集和模型架构后，新场景成功率升到56%，可离“可部署、可复制、可量产”还差得远。
英特尔的王景佳说过个实例子：川西跑车载导航，无网弱网下经常失灵，碰上复杂路况，用户体验直接拉胯。不止如此，视源股份的王玉龙算过账：现在Token单价降了，但上下文在快速扩张，他们每月的AI账单“非常恐怖”，端侧部署能省不少成本，还能保隐私——比如视源的“课堂观察”，学生数据本地脱敏，只传脱敏后的内容，符合未成年人隐私要求。
芯片遇上的三道新考题
端侧和物理AI起来，芯片厂商要应付的事变多了，核心是三个考题：
第一是“边境税”——数据搬运的成本。Imagination的CEO马库斯·莫森说，现在芯片里的GPU、DSP、NPU各是“孤岛”，靠外部内存来回传数据，这成本贵得像“边境税”。比如神经超分辨率，要是GPU出了图形，AI再加工，得写回DDR再读，代价很高；Imagination的解法是把AI直接放进图形管线，NSR技术能让540p转1080p时，1GHz单核GPU延迟低到2.3毫秒，内存带宽直接减半。
第二是prefill和decode的取舍。本地大模型要分预填充和解码两个阶段，关键指标是TTFT——处理器听懂问题、吐出第一个token的时间。Imagination实测：车载导航0.2秒、150tokens/s，盲人智能眼镜0.25秒、153tokens/s，邮件解读0.86秒。但decode阶段靠带宽，就算TOPS再高，带宽不够也白搭。
第三是综合平衡。现在不是堆TOPS就行，要匹配场景。视源的王玉龙说，课堂观察场景，用32-48TOPS就够，没必要搞大模型；还有端侧设备要扛7×24小时、低功耗、防尘防震这些，跟消费级不一样，而且现在很多工作负载是CPU在做，混合式的情况越来越多。
XPU架构，试解混合AI的题
英特尔的思路是XPU，给不同负载配不同算力：CPU管智能体的编排调度，NPU管视觉感知这类专用负载，GPU管世界模型、VLA这类大模型推理。这是英特尔押注的方向，也有实际案例：跟派兹互连合作，做Agent Box方案，用锐炫Pro B70，根据客户的并行情况和工作负载调校模型、适配算法。
王景佳说，未来1-2年核心方向两个：一是做云边端都能调度算力的混合AI方案；二是芯片要快速迭代，跟上AI的快节奏，还要跟生态协同。
过去数字AI时代，比谁的模型大；现在物理AI时代，比谁能把AI落地。那你觉得，下一个让芯片厂商跑通核心场景，会是车间的机器人，还是口袋里的智能设备？
素材来源：钛媒体 · AI情报、AI芯片与算力、AI应用落地、具身智能
查看报道原文
发表第一条评论吧