【導讀】不久前，機器人的發展仍主要停留在能力驗證和原型演示階段。如今行業正迅速邁向真實世界部署。人形機器人、四足機器人及其他自主機器人已開始在制造、物流、倉儲及各類工業環境中實際執行任務。智元 (AGIBOT) 近期在英國倫敦舉辦的合作伙伴大會上，充分展示了這一轉型的速度，同時揭示了行業面臨的下一個挑戰：不只是打造性能更強的機器人，更是打造能夠規模化部署的機器人。
交通運輸、制造、物流、醫療和酒店等行業均率先受益于新一代智能自主機器人。這一話題也是智元合作伙伴大會的核心討論議題。會上，Arm 與亞馬遜云科技 (AWS)、NVIDIA 及牛津機器人研究所 (Oxford Robotics Institute) 的專家共同參與專題圓桌論壇，探討機器人技術如何從研發階段走向真實世界部署。
機器人規模化部署仰賴統一的計算基礎
智元成立僅三年，便從早期演示階段發展到在工業環境中部署機器人，反映出物理 AI（人工智能）正快速從概念驗證邁向商業落地。
機器人進入真實世界前，相關模型需要經過開發、測試和持續優化。部署完成后，智能計算必須在靠近傳感器、電機及控制系統的位置實時運行，同時，機器人機群需要持續的軟件更新、數據閉環反饋與迭代優化。
物理 AI 的規模化部署需要貫穿整個開發生命周期的統一計算基礎——從云端 AI 訓練與仿真，到邊緣部署、機群管理以及持續的軟件更新。隨著行業加速開發并部署世界模型 (world models)，幫助機器人更好地理解、預測和響應動態變化的物理環境，這一計算基礎的重要性正日益凸顯。這類模型在生命周期的各個階段都需要大量算力支撐，這也讓高效的云邊協同計算變得前所未有的關鍵。
平衡算力需求與現實約束
想要打造適配真實場景、性能更強的機器人，最直接的思路是堆砌更多 AI 模型、提升硬件性能。但這只是解決方案的一部分，對于機器人實現有效規模化部署更是如此。
每臺機器人的運行都受到嚴格的物理條件限制。電池容量、散熱能力、整機重量都存在上限。AI 能力的提升不能以犧牲續航、運行效率或移動性能為代價。
行業面臨的挑戰不在于簡單地增加更多 TOPS，而在于如何讓日益復雜的 AI 工作負載在整個機器人系統中實現更高效地運行。例如，人形機器人需要在電池、散熱、重量、機械結構的嚴格約束下，完成傳感器數據處理、AI 工作負載運行、運動協調與實時響應。
對于機器人而言，智能計算不能作為一項孤立的工作負載來處理。感知、決策與執行必須實時協同運作，既要保障確定性延遲與高能效計算，也要具備可同時支持 AI 推理與控制的安全系統。
正如 Arm 物理 AI 事業部執行副總裁 Drew Henry 在《Robot Report》播客中所言：“在機器人領域，從感知外部世界到觸發動作的時延，已成為決定性的工程挑戰之一。”
計算平臺與物理 AI 工作負載協同設計
智元機器人平臺涵蓋人形機器人與四足機器人，充分印證了 AI 工作負載與計算架構協同設計的必要性正持續提升。從傳感感知到推理、運動規劃再到執行，每一個環節都依賴軟硬件的高效協同。
十余年來，Arm 持續為汽車、自動駕駛車輛和機器人解決方案提供計算平臺支持。僅 2025 年，Arm 生態系統合作伙伴面向這些領域出貨了 20 億顆基于 Arm 的芯片。從低功耗傳感器處理、確定性實時控制，到高性能中央計算單元，Arm 計算平臺覆蓋了整個機器人系統，為智元提供了跨系統的一致計算基礎。在平衡性能、能效與響應表現的同時，簡化 AI 工作負載的部署流程。
Arm 還為物理 AI 生態系統提供了架構連續性，使開發者能夠在云端訓練模型，通過仿真驗證，并部署到運行同一底層架構的機器人系統中。隨著新一代機器人不斷涌現，軟件可移植性使工程團隊能夠復用既有的軟件投入，無需重新構建基礎組件。
面向下一代機器人，智元正致力于在不超出電池、散熱與軟件復雜度限制的前提下，將更強的計算與 AI 處理能力集成到人形機器人系統中。與 Arm 的合作有助于從平臺層面應對這些計算挑戰，支撐機器人在真實世界中實現感知、移動、交互與規模化部署。
推動物理 AI 邁向規模化未來
隨著機器人逐漸成為交通運輸、物流、制造、醫療和酒店等行業的實用工具，未來脫穎而出的企業，依靠的不只是性能頂尖的 AI 模型，更是能夠支撐這些模型高效、安全且規模化運行的計算平臺。
智元的快速發展印證了可商業部署的物理 AI 時代正在開啟。Arm 通過提供覆蓋云端開發、邊緣 AI 和實時機器人系統的統一計算平臺，助力構建下一代物理 AI 的發展基礎。
