5分钟AI小课堂 |从“机械舞”到“街舞”，英特尔如何让工厂里的机器人更“靠谱”？

从生产流水线到物流运输，物理AI（Physical AI）在工厂中展现出了巨大的应用潜力。在上一期节目中，我们为大家介绍了英特尔晶圆厂里的“超级巡检员”——机器狗Chip。

不过，工厂环境复杂多变，意外情况时有发生。如何在现实条件的重重限制下，确保物理AI安全、稳定、高效地交付成果？ 这难度就像让一个习惯了“机械舞”的机器人去跳随机应变的“即兴街舞”。今天，我们就来看看英特尔是如何做的。

如何让机械臂跳出“整齐划一”的机械舞？

在流水线上，精度至关重要。

流水线上的机械臂负责执行各种任务，如拾取、放置、检测、包装等等，每个动作都必须与同一流水线其它机械臂保持同步。如果一个机械臂的动作快了千分之一秒，另一个慢了千分之一秒，最终的产品就会出问题。

因此，驱动机械臂的计算系统不仅需要速度，也需要保持一致性。例如英特尔® 酷睿™ 处理器（系列2）所采用的英特尔® 时序协调计算（Intel® TCC）和时间敏感网络（TSN）技术，便能够在降低延迟的同时，实现精准的时序同步，让流水线上机械臂的运行更稳定、更可预测。

此外，该处理器的全性能核架构还简化了CPU管理和调度，降低了开发复杂度及维护成本。开发人员不用考虑“大小核”的调度差异，每个核心在不同时间的行为都保持一致，这正是工业系统能连续稳定运行多年的基石。

如何让机器人学会“随机应变”？

机械臂等固定机器人适用于控制主导型的工作负载，与此同时，行业还在探索自主移动机器人（AMR）的应用，这类机器人不仅能够按顺序执行操作，还能自主进行观察和推理。开发自主移动机器人需要应用计算机视觉模型。

此前，用于工业机器人的计算机视觉模型规模较小，通常参数量低于5000万。在处理一些特定的任务时，这些模型还算有效，如零件还在不在、焊缝是否对齐、工人是否佩戴安全帽等。然而，一旦外部条件发生变化，即使是安全帽从黄色换成蓝色，这些模型也会失效。

视觉语言模型（VLM）和视觉语言动作模型（VLA）的出现有助于应对这一挑战，这些模型基于Transformer架构，参数量从5亿到50亿不等，甚至更大。配备视觉语言模型的机器人，在安全帽的颜色和形状发生变化的情况下，仍能识别出它是安全帽。视觉语言动作模型则更进一步，它具备模仿学习的能力，它可以观察人类执行任务的过程，随后自主完成同样的任务。

打造异构机器人系统

自主移动机器人在负责物流运输等任务时，同样需要保障其可靠性。计算机视觉模型和实时控制不能占用相同的计算资源，否则机器人哪个方面也做不好。因此，机器人系统要能够同时且独立地支持不同的功能。

说到这里你可能会想，多用几片处理器不就行了吗？传统上确实是这样，一个专用处理器用于实时控制，另一个处理器用于AI推理。然而，双处理器意味着两块电路板、两套软件栈、独立的散热管理，以及更高的集成风险。每增加一个组件，都会增加成本和制造难度，出故障的几率也会上升。

如何才能“各司其职，互不干扰”？第三代英特尔® 酷睿™ Ultra处理器的解决方法是，由不同的功能单元CPU、GPU和NPU构成单独的芯粒，视觉处理在NPU上运行，基于大语言模型的推理在GPU上运行，实时控制在CPU上运行，它们可以并行，互不争用资源。相比双处理器方案，它不仅大幅降低了硬件复杂性，还集成了近180 TOPS的AI算力，并支持ECC内存和功能安全（FuSa），适配严苛的工业环境。

从保障微米级精度的固定机械臂，到能自主导航、甚至模仿人类动作的智能机器人，物理AI正在全方位重塑制造业。

通过部署这些“智商”与“体能”兼备的机器人，工厂不仅能加快生产流程、提高效率，还能优化设备运行时间、预测良率，实现产品质量的提升和客户体验的改善。