过去几年，机器人产业的关注点发生了明显变化。
早期大家关注机械结构、电机性能和控制算法；随后，大模型和视觉AI成为热点，让机器人开始具备理解环境的能力。
但当具身智能机器人真正从实验室走向工厂、家庭和商业场景，一个更现实的问题出现了：机器人不仅要“会思考”，更要“快速行动”。
它需要同时完成：
看见——通过摄像头、激光雷达、触觉传感器理解环境；
思考——利用AI模型完成任务判断和路径规划；
行动——控制数十个关节精准运动，并保证安全可靠。
这三个环节，对硬件提出了完全不同的要求。
AI推理需要高算力，而运动控制需要确定性和低延迟，单纯依靠CPU或GPU，很难同时满足这两类需求。因此，一种新的机器人计算架构正在形成：边缘AI负责“思考”，FPGA负责“行动”。
而这正是 瑞苏盈科（Enclustra）近年来重点布局的方向。
图源：AI生图
FPGA+边缘AI：具身智能机器人的新型计算架构
瑞苏盈科（Enclustra）长期专注FPGA嵌入式计算平台，其面向机器人领域推出的核心思路，并不是替代AI芯片，而是重新划分机器人计算任务。
通过两类硬件平台：
- Mercury / Pluto Zynq UltraScale+ MPSoC系列
- Modalix SAI50 Physical AI边缘AI模组
分别承担机器人控制和智能推理任务。形成：AI感知层 + 实时控制层的双层架构，这种架构更接近机器人实际运行需求。
Mercury Zynq MPSoC：打造机器人的实时运动控制中枢
对于机器人来说，真正困难的部分往往不是识别一个物体，而是让机械结构稳定完成动作。
比如：
人形机器人保持平衡；
机械臂精准抓取；
移动机器人高速避障；
工业机器人完成高重复精度动作。
这些任务都要求极低延迟。
Mercury系列基于 AMD Xilinx Zynq UltraScale+ MPSoC，将ARM处理器与FPGA可编程逻辑结合。
其中：
ARM负责Linux系统、通信和上层任务；
R5实时处理器负责实时控制；
FPGA逻辑负责高速并行计算。
这种架构最大的价值，是让关键控制环节摆脱软件调度。
例如电机控制、编码器采集、传感器融合等任务，可以直接在FPGA硬件逻辑中完成。对于机器人而言，这意味着：
更快响应；
更稳定控制；
更低延迟。
面向人形机器人的多关节控制
未来人形机器人最大的挑战之一，是全身运动控制，几十个关节同时工作，需要大量实时数据处理。传统方案通常依赖MCU或者CPU软件循环控制，系统复杂度越高，实时性压力越大。
而基于FPGA的方案，可以并行处理：
- IMU惯导数据
- 力矩传感器
- 编码器反馈
- 电机控制算法
让多个控制环路同时运行，这对于机器人行走稳定性、抓取精度都有直接影响。
面向工业场景的长期稳定运行
机器人最终需要进入真实环境。工厂、高温车间、户外巡检、矿山、冷链等场景，对硬件可靠性要求远高于消费电子。瑞苏盈科（Enclustra）工业级模组支持-40℃~85℃工作范围，并提供长期供货能力。这类设计更符合工业机器人的生命周期需求，因为机器人不是手机，产品一旦部署，通常需要运行多年。
Modalix SAI50：让机器人拥有本地AI“大脑”
如果说Mercury解决机器人“动作”的问题，那么Modalix解决的是机器人“理解”的问题。这是瑞苏盈科（Enclustra）与SiMa.ai合作推出的Physical AI边缘AI模组。该平台提供50TOPS INT8 AI算力，功耗控制在5~10W。它针对的是下一代机器人对本地智能的需求。
未来机器人不会只是执行固定程序，而需要：
理解人的指令；
识别复杂环境；
根据情况自主调整动作。
这些都需要AI模型在本地运行。
多模态视觉，让机器人真正感知环境
具身智能机器人的核心能力之一，就是感知。
它需要同时处理：
RGB视觉；
深度信息；
红外数据；
空间定位。
Modalix SAI50支持多路MIPI视觉输入，并集成AI推理能力，可以完成：
目标检测；
图像分割；
视觉理解。
相比把所有数据上传云端，本地AI推理能够降低延迟，同时提升数据安全。
支撑机器人本地大模型交互
随着大语言模型进入机器人领域，机器人正在从“程序控制”向“智能交互”转变。
Modalix高内存版本支持本地运行7B、13B级别模型，可以用于：
自然语言交互；
任务理解；
环境分析。
这意味着机器人可以减少对云端的依赖，在网络不稳定甚至离线环境下保持工作能力。
双模组融合：打造完整具身智能闭环
真正高端的具身智能机器人，不会只是依靠单颗芯片，未来更可能采用：Modalix SAI50 + Mercury Zynq MPSoC这样的组合。
其中：
Modalix负责：
- AI模型运行
- 视觉理解
- 语言交互
- 环境分析
Mercury负责：
- 电机控制
- 实时反馈
- 安全保护
- 设备通信
两者协同，实现机器人完整闭环：看到环境 → 理解任务 → 生成决策 → 精准执行。
这也是目前工业人形机器人和高端服务机器人更需要的计算架构。
为什么机器人时代仍需要FPGA？
很多人认为，随着AI算力不断提升，GPU可以解决机器人所有问题。但实际上，机器人和服务器AI存在本质区别。
服务器关注：
模型规模；
计算吞吐；
数据处理能力。
机器人关注：
实时响应；
确定性控制；
长期稳定运行。
机器人关节不会等待GPU完成一次计算后再行动，它需要的是：毫秒甚至微秒级反馈。这正是FPGA长期存在的价值。它不是和GPU竞争AI算力，而是在机器人系统中承担GPU无法替代的实时控制角色。
为了更直观地理解不同硬件架构在机器人场景中的差异，可以从几个关键指标进行对比：
| 对比维度 | Enclustra Mercury Zynq 模组 | Enclustra Modalix SAI50 | 英伟达 Jetson Orin Nano Super |
| 核心算力 | FPGA 并行实时控制 + ARM 多核 | 50TOPS AI 算力（5–10W） | 67TOPS AI 算力（7–15W） |
| 运动控制能力 | 硬件 FOC / 三电平伺服，微秒闭环 | 仅 AI 推理，无硬件运动加速 | 软件运动控制，延迟高 |
| 最大内存 | 8GB ECC DDR4 | 32GB LPDDR5（本地跑 13B 大模型） | 最高 8GB，大模型需外接 SSD |
| 工业温度 | -40~85℃原厂工业款 | -40~85℃原厂工业款 | 仅商用 0~60℃，无原厂宽温型号 |
| 多相机通道 | 多路 MIPI 并行硬件采集 | 4 路独立 MIPI | 仅 2 路 MIPI |
| 功耗表现 | 中低功耗，无强制散热 | 超低功耗≤10W | 满载最高 15W，散热压力大 |
| 核心定位 | 机器人底层运动控制核心 | 轻量化具身 AI 感知大模型核心 | 通用边缘视觉，无实时控制能力 |
从对比可以看到，三类平台并不是简单的替代关系。
Jetson等GPU平台在视觉AI领域拥有成熟生态，适合快速部署边缘推理任务；但对于需要高实时性的机器人系统而言，仅依靠GPU并不能解决运动控制问题。
瑞苏盈科（Enclustra）的思路则是进行能力分层：Mercury负责机器人的“神经反射”，Modalix负责机器人的“大脑思考”。前者利用FPGA硬件并行能力，实现电机控制、传感器采集、安全逻辑等实时任务；后者利用边缘AI算力完成视觉理解、大模型推理和人机交互。
这种软硬协同架构，更贴近未来具身智能机器人的实际需求。尤其是在工业人形机器人、多关节机械臂、户外巡检机器人等场景中，机器人不仅需要更高的AI能力，更需要一个能够长期稳定运行、快速响应的硬件底座。
这也是为什么，FPGA正在重新成为具身智能时代的重要技术路线。
从“AI模型”到“机器人落地”，硬件底座正在成为关键
具身智能的发展，正在进入新的阶段。
过去几年，行业关注的是“大模型有多强”。
未来几年，竞争焦点可能转向：谁能让模型稳定运行在机器人身体里。
从感知到决策，从控制到执行，机器人需要的是完整系统能力。
瑞苏盈科（Enclustra）通过FPGA实时控制平台和Physical AI边缘计算平台，提供了一条软硬协同的技术路径：让机器人不仅能够理解世界，也能够精准行动。
对于正在走向产业化的具身智能机器人而言，真正决定未来的，或许不是单纯更大的模型，而是一套更可靠、更实时、更贴近真实环境的硬件底座。
文章来源：瑞苏盈科
