当感知、推理、决策与实时执行在物理世界中连成一个闭环，算力竞争的主战场就开始逐步从云端数据中心，下沉到面向物理AI（ Physical AI ）的边缘端设备。日前，在与 AMD 大中华区嵌入式事业部副总裁酆毅（ Bob Feng ）对话中，当被问及“AMD 在这一轮技术迁移中处于何种位置？”时，他的回答相当简短——“Body-To-Brain，从身体到大脑。”
酆毅（ Bob Feng ）
AMD 大中华区嵌入式事业部副总裁
从“更强的模型”到“更快的行动”
所谓物理 AI，是指将 AI 模型嵌入硬件或与其紧密连接，从而构建“具身认知”的技术。这是一种综合能力，包括实时自主性、多模态交互、情境感知，有时还包括语义理解。但人们也许会问，物理 AI 为什么可以被称作AI发展的“下一阶段”，而非又一个全新概念？
“这完全不是概念，它是一个真真实实正在发生的事情。”酆毅列举了两个正在发生的实例：市场上越来越多的机器人产品，以及自动驾驶从 L2 向 L3 的跨越——北美如此，中国同样如此。
在他看来，物理 AI 与传统 AI 的区别，不在于谁比谁更聪明，而在于能否形成 AI 闭环。
简单来说，传统 AI 更像是数字世界里的问答交互：你提问，它作答，结果停留在屏幕上，不存在一个被完全掌控的回路。而物理 AI 恰恰相反，其最核心的特点除了对延时和执行层有更严苛的要求外，词元（ Token ）的覆盖边界也从单纯的文本，拓宽到了视觉、语音、行为，况且在这之上还有执行层。
这意味着，只有当 AI 能够把推理能力落实到物理世界的实际行动之中，这套“感知—推理—决策—执行”的完整 AI 闭环才得以真正形成。
即便与传统的工业机器人相比，本质差异同样明显。几十年的自动化行业属于“按剧本执行”：每一步指令都由人类预先写好，机器严格复刻执行。而自主机器人仅需要接收最终目标，中间过程没有预设脚本，全部依靠机器人自主推理完成。酆毅认为，这正是“第四次工业革命”里最核心的特征——传统 AI 此前停留在数字世界、依托云端运行；如今则必须跨越物理世界，才能实现闭环。
产业侧的判断也在加速。AMD 董事会主席兼 CEO 苏姿丰（ Lisa Su ）博士此前在 CES 2026 演讲时曾指出，物理 AI 是“技术领域最艰巨的挑战之一，要实现这种智能，需要采用全栈式方法。”在随后的 Advancing AI 2026 年度大会上，AMD 方面预测，到 2035 年，全球物理 AI 芯片市场规模将达到 2000 亿美元，未来十年行业将迎来指数级增长。
于是，行业的注意力开始从“AI 模型还能变多强”转向“AI 系统何时能实现规模化部署”。当“该不该做”不再是问题，“用什么算力支撑”就成了下一个问题。
机器人，一台并行异构系统
数据中心里，AI 的竞争一度被简化为一张显卡参数表：堆算力、堆带宽，功耗与延时可以暂时搁置，但物理世界并不接受这套规则。一台机器人必须在一个极度受限的功耗、散热与物理空间里，同时完成感知、规划、推理、导航和实时控制——这些负载性质迥异，运行逻辑却必须严丝合缝。
“泛化能力”的讨论放大了这种复杂性。
酆毅并不认同“泛化等于无限堆算力”的看法。他指出，以熟知的 GPU 为例，它只代表闭环系统里的一部分推理和感知能力；调度、执行、安全、延时控制这些环节，反而对 CPU 的算力要求提出了更高的要求。况且在机器人场景里，任务也很少由单个智能体独自完成——当几十甚至上百个智能体同时工作时，CPU 身上就承担着重要的编排与调度职责。
就在接受采访的前一天，酆毅在香港科技园举办的一场物理 AI 研讨会上也听到了类似的讨论，“数据集最重要，但一定不能是严格受控环境下的数据集，否则机器人学到的行为必然是受限的。”因此，他把“泛化”理解为对机器人“自主思辨能力”的追求，而追求越深，对计算架构的要求就越苛刻。
为了便于理解，他套用大模型工具的迭代轨迹进行类比——2025 年是通用对话式 AI 的时代，进入 2026 年就已经是复杂智能体的时代了。如果顺着这条轨迹看待物理 AI，很快就会明白，“靠独立架构拼凑出来的系统，在实现闭环上会持续遇到挑战，必须得拿出一个更创新的架构。”
异构计算，适合的才是最好的
所谓物当机器人被拆解成一组异构负载，芯片选型的逻辑就不再是“谁 TOPS 高买谁”。AMD 的视角，是让每种处理器各归其位。
CPU 是系统的协调者，负责任务调度、规划、控制与各子系统协同；
GPU 承担视觉感知和复杂 AI 推理，考虑到 AI 模型持续存在、迭代、演进的特点，需要具备“Day 0 能跑最新模型”的能力；
NPU 接手持续、低功耗的 AI 推理，比如 Transformer 模型前端的 CNN 预处理，这类负载对延时与功耗敏感，且需要不间断运行；
FPGA 则站上传感器融合的位置——激光雷达在 3D 建模中的作用难以替代，从算力角度看，必然要处理来自不同传感器的融合数据。
“对机器人开发来说，真正重要的不是某一个单一指标，而是要在性能、功耗、实时性和可靠性之间找到最佳的平衡。”酆毅说，从 AMD 的角度来看，让不同的处理器能够有效协同，为不同的负载提供最适合的计算能力，才是最大的挑战。
今年 2 月，AMD 面向全球 177 名机器人开发者开展专项调研，算力的确定性、开放无锁定的架构、以及统一平台适配全品类机器人，成为当前行业的三大核心诉求。而峰值 TOPS 算力，恰恰是这份清单里缺席的名字。
调研显示，可预测、稳定的时序延迟性能，其重要性等同于峰值算力。受访企业普遍表示，实时控制闭环的时序可预测性，是机器人稳定运行的核心基础。与此同时，封闭的专有硬件与软件生态，会大幅抬高长期的迭代与开发成本，无厂商绑定的开放平台会更受青睐。
在此基础上，通用机器人厂商还更加看重平台在功耗、散热、实时时延约束下的实际可用性能。他们期望通过一套硬件方案兼容各类机器人形态，从而有效降低多产品线的开发成本。
其实，在 AMD 给出的架构答案里，还有一个被反复提及的关键词——统一内存架构。不同算力单元各自拥有独立内存，意味着数据要不断拷贝与搬运，时延随之而来。为了能够有效进行交互，统一内存架构设计是绕不开的路径。酆毅说，AMD 在这一领域深耕已久——新一代机器人平台上，CPU、GPU 甚至 NPU 三方都可以共享内存。
从“身体”到“大脑”的飞跃
这套“适合的计算”哲学，落实到 AMD 身上，便是一条从机器人的“身体”走向“大脑”之路。
在机器人领域，AMD 其实有着长达 20 余年的底层芯片研发积淀，全链条技术覆盖了从整机大脑、机身躯干、机械关节，到整机底层驱动与基础功能安全、传感器融合、信号调理与前端安全预处理的几乎全部核心需求。Advancing AI 2026 上，面向实体智能设备的物理 AI 全套软硬件生态方案的推出，更是把 AMD 产品线的重心从“身体”推向了“大脑”。
新发布的锐龙 AI 嵌入式 X100 系列处理器，单颗 SoC 集成 16 个 Zen 5 核心（ 32 线程）、40 个计算单元的 RDNA 3.5 GPU 和 50 TOPS XDNA 2 NPU，支持 128GB 统一内存，-40℃ 到 105℃ 工业温度，并承诺 10 年以上生命周期支持——这些指标指向同一个词：工业级。按 AMD 口径，其 Token 生成吞吐与首个 Token 时延（ TTFT ）相对上代分别提升了 3.5 倍和 1.4 倍。
真正承载“从身体到大脑”战略的，是 Kria AI SOM 与 Kria AI 机器人开发者平台。前者采用开放标准 COM-HPC 外形，每秒可做出超过 8000 次确定性控制决策，视觉-语言-动作（ VLA ）模型推理低于 100 毫秒——“Day 0 能跑最新模型”因此有了工程上的落脚点；后者把 SOM、载板、评估套件、软件套件和验证过的参考设计打包成从开发到部署的完整路径。
AMD Kria AI 机器人开发者平台
“把它想成一个人体就更清楚了：大脑负责计算，脊椎负责通信，传感器、关节各司其职——这是一个完整的体系。”酆毅用这个比方来解释 AMD 的平台架构。把感知、推理、决策、控制放进统一平台考虑，是 AMD 首次明确提出“Body-To-Brain”的思路。他强调，这并非要卖某款单一产品，而是覆盖计算平台、开发平台、软件栈和开放生态的一整套方案。
当然，平台化的价值不止于技术。酆毅提到，当开发者靠独立显卡加外部 CPU 拼凑系统时，供应链就会成为瓶颈。“大量离散元件的使用，从供应链的角度上来讲，本身就是一件非常困难的事情。”而统一平台的出现，同时压低了开发成本与适配成本。未来，无论人形、轮式机器人，还是机械臂，都可以借用同一套底座进行开发。
规模化落地的真正门槛
硬件能力讲得再热闹，也绕不过一个事实：物理 AI 从论文走向产线，卡住的往往是软件。谈起“硬件指标”，酆毅的态度相当冷静，“TOPS 这个数字本身是很干的，它意味着什么，你并说不清楚。”
真正有意义的刻度，是部署效率。他给出的理想场景是：上线当天，用户从开源模型社区里下载最新的机器人模型——比如 Pi 0.5、1.0 这类 VLA 模型——完成部署，跑出有效的 Token 吞吐与 TTFT。“如果能够在 Day 0 有效地部署多个智能体、多个模型在你的平台上，要比 CPU 有多少 KDMIPS 有意义得多。”
这也是 AMD 把大量精力投向软件栈的原因。X100 与 Kria 平台由 Linux、ROCm、ROS 2 等开放软件栈支撑，兼容 PyTorch、ONNX、TensorFlow 与 MoveIt。对存量 CUDA 代码，AMD 的工具链允许开发者保留最高 75% 的现有代码迁移到 ROCm。
面对开发者被单一生态锁定的疑虑，酆毅的回应只有两个字：开源。“Kria AI 机器人开发者平台里，所有的硬件设计和基础软件的框架都是开源的。”
为此，AMD 成立了物理 AI 开发者平台论坛，目前已汇聚 30 多家生态合作伙伴；面向产业链的 AMD 机器人合作伙伴网络（ AMD Robotics Partner Network ）则采取模型无关（ model-agnostic ）策略，免费开放注册，把传感器、仿真、中间件、系统集成商拉进同一个圈子。
在酆毅眼中，诸如“胜负手”这样的竞争性词汇，是不足以概括物理 AI 生态的。“它是一个必须的路径，是不可或缺、不可绕过的一个路径。“如果一定要说，那物理 AI 的胜负手，不在某一家公司的芯片，而在整个生态能否把AI从数据中心真正带进现实世界。
结语
人形机器人并不是新故事——2015 年波士顿动力（ Boston Dynamics ）公司的机器人就在极客圈掀起过浪花，可惜没能真正走进行业；今天，特斯拉与中国企业把部署成本压到了可落地的区间。未来一两年，物理 AI 将快速走出概念验证、进入产业化阶段，届时被反复拷问的，是部署的速度、安全与成本。
而 AMD 想被行业记住的角色，还是酆毅说的那四个字：Body-To-Brain。
文章来源：电子工程专辑
