核心要点：仅靠更强算力无法解决物理AI瓶颈。处理能力必须与内存带宽、高效接口、充足供电和散热能力相匹配。物理AI需要针对其最终功能和应用环境定制系统架构。实际部署依赖严格验证，以覆盖极端情况、理解行为并确认安全性。
面向大规模应用的物理AI开发竞赛已经展开，但构建这些由传感器驱动的系统，需要工程团队持续且同步应对多种技术挑战。
分析机构预计物理AI市场将显著增长，自主系统有望从根本上重塑交通、制造、医疗、能源等多个行业。普华永道旗下思略特预测，全球物理AI市场到2030年可能达到约4300亿欧元，反映出自主系统在多个行业中的潜在商业影响。
新思科技汽车与物理AI接口IP高级总监Licinio Sousa表示：“物理AI系统正在从汽车扩展到机器人和无人机，这些应用的发展瓶颈覆盖整个系统。AI正从数据中心扩展到边缘，而机器人、无人机和车辆等机器的发展，均受到自主性、隐私、个性化、更快响应以及减少对云依赖等需求的推动。”
需要解决的技术挑战清单很长，而且彼此交织。内存容量和带宽需要提升，延迟和功耗需要降低，产品寿命需要延长，安全性也需要验证。即便这些要求已经足够困难，解决其中任何问题也可能在其他方面带来新问题。
专用架构
解决这些系统级瓶颈，需要高度专用的硬件和软件，并针对特定用例进行优化。
Arteris执行副总裁、首席产品与营销官兼安全解决方案总经理Michal Siwinski表示：“我们需要开始讨论针对特定工作负载构建的、经过优化且更定制化的算力，这也是物理AI更有趣的地方。该工作负载需要针对硬件高度优化。我们实际上正在回到传统意义上的ASIC，即非常面向特定应用、极度优化，而不是更通用。其中一些趋势已经开始。更有意思的是，面向非常具体的应用，软件、硬件和工作负载之间更灵活的系统将如何演进，并持续演进，因为模型变化速度要快得多。”
自主机器人系统与自动驾驶汽车有一些相同技术，尤其是在感知和控制方面，但每个物理AI用例都会带来独特挑战。
美光科技汽车业务资深系统架构师Vasanthan Karunanithy在近期举行的JEDEC汽车论坛上表示：“机器人并不是一个全新的AI技术栈。从ADAS系统出发，机器人继承了实时感知、路径规划和运动控制。从智能座舱出发，机器人继承了自然语言理解、上下文推理和个人交互。在具身智能中，更大的挑战是同时运行这两类工作负载，并在最后交换信息。这就是这两个领域之间的共性。但也存在差异，这说明了应用规模的差别。自动驾驶汽车运行在相对结构化的道路环境中，并由更大的电源即车辆电池供电。但看机器人时，它们运行在非结构化的三维环境中。机器人还需要保持多个自由度。它必须操作物体并保持平衡，还必须理解指令中的命令。与汽车相比，它必须在有限电源条件下完成所有这些工作。”
这些差异在不同应用中差别显著。自动驾驶汽车运行在成熟的交通基础设施内，但必须应对不可预测的路况。相比之下，移动机器人和人形机器人可能需要在结构化程度更低的环境中导航，协调操作与平衡，并在更受限的功耗预算下运行。与此同时，工业机器人可能在受控环境中运行，并拥有固定电源。这些差异使得很难用单一架构优化所有形式的物理AI。
来源: 海外媒体
登录后即可参与技术讨论与同行交流
免费注册