作者毛烁“物理 AIPhysical AI是科技领域最艰巨的挑战之一。而实现这一级别的智能需要一套全栈式解决方案。”在今年的CES大会上AMD 董事长兼CEO 苏姿丰Lisa Su博士的这番判断点出了未来十年AI产业发展的一条重要主线。过去几年生成式AI的突破主要发生在数字世界中。以大语言模型为代表的 AI大模型已经能够处理文本、图像、代码和数据。不过其主要处理对象仍是数字信息而不是现实环境。而当下随着AI能力不断向物理世界延伸产业正在进入物理AI的新阶段。此时AI不再只是处理数字信息而是需要理解真实环境并对现实世界产生影响。与运行在数字空间中的生成式AI不同物理AI面向的是动态、复杂且不可完全预测的现实场景。系统不仅需要通过摄像头、雷达、传感器等多源数据感知环境还需要基于实时状态完成判断、规划和执行让机器人和自动化设备能够自主完成任务。AI的能力边界正在从“认知”走向“行动”而机器人、工业设备、医疗器械以及智慧城市基础设施正在成为AI进入物理世界的重要载体。不过随着物理AI的计算需求从云端训练进一步延伸至边缘推理、实时控制、传感器处理以及设备协同等多个环节。其计算平台就要同时具备模型推理能力、高带宽数据处理能力以及稳定、可预测的实时响应能力。而如何在同一套架构中平衡算力、实时性、能效、散热、尺寸和软件兼容性成为物理AI规模化落地必须解决的问题。这也体现在产业一线的真实需求中AMD对全球150多位机器人开发者进行了调研。结果显示当前物理AI从实验验证走向规模部署主要面临三类关键挑战其中首要问题便是如何保证系统具备确定性的响应时延。一家人形机器人OEM联合创始人在调研中表示“可预测的时序与峰值算力同等重要。”事实上传统机器人通常采用分离式计算架构视觉感知、AI推理、运动规划和实时控制往往运行在不同计算单元上数据需要在CPU、GPU、AI加速器以及控制器之间频繁传输。而每一次数据传输、接口转换和跨域通信都会引入额外的延迟。这一延迟便是“每周期损失时间Time lost every cycle”。对于机器人而言其需要在微秒甚至毫秒级的时间窗口内完成姿态调整、力矩控制和安全响应因此延迟表现和整体时序稳定性比单纯的平均性能更加关键。其二在于开放架构与长期可扩展能力。无疑机器人并非是一次性交付的产品其需要随着应用场景变化持续迭代系统。但这样企业不仅需要适配不同型号的传感器、电机和控制器还需要持续升级模型、操作系统、中间件以及开发工具。因此计算平台需要具备更强的开放性和兼容能力以支持长期演进。“企业希望避免在长期研发过程中受到过多限制且能够根据需求灵活选择硬件组件并持续优化软件系统。”一位仓储机器人企业高管指出如果计算平台缺乏开放接口和可迁移的软件环境后续硬件替换、系统升级以及算法迁移的复杂度都会增加。因此开发者越来越关注开放的编程环境、标准化接口以及可移植的软件工具希望同一套算法能够在不同算力平台和产品形态之间复用降低长期开发和维护成本。第三类问题来自物理AI对计算平台“SWaP-C”的要求。SWaP-C 指的是尺寸Size、重量Weight、功耗Power和成本Cost。对于机器人而言这些因素会直接影响设备续航、有效载荷、散热设计、机身结构以及最终的商业化成本。某通用机器人开发者在调研中指出脱离功耗、散热和实时性单纯讨论理论算力并不能反映机器人的性能。在实际部署中不能只看实验室环境中的峰值指标还需要关注在有限空间、功耗和成本条件下能够长期稳定运行的“可用性能”。具体来说一颗芯片即使具备较高的峰值算力但散热系统复杂或者在持续运行过程中因功耗压力频繁降频也很难满足人形机器人、移动机器人以及紧凑型工业设备的应用需求。这也意味着物理AI的发展需要从单纯提升芯片性能转向构建更加紧凑、高效的统一计算平台进而在有限的尺寸、功耗和成本条件下实现感知、推理与控制能力的协同运行。换句话说物理AI时代的竞争已经不只是单颗芯片之间的算力竞技赛而是围绕“从感知到行动”的完整计算链路展开。面向物理AI落地过程中的实时性、集成度和开发灵活性挑战AMD最近在Advancing AI 2026大会上推出了锐龙 AI 嵌入式 X100系列处理器下文简称“X100”和Kria AI机器人开发者平台下文简称“Kria AI平台”。两项产品分别覆盖机器人计算系统中的处理与控制环节通过处理器、板级平台以及软件工具链的协同帮助开发者构建更加统一、高效的物理AI计算架构。01 最高16核Zen 5128GB统一内存X100破解物理AI实时性难题不同物理AI应用面对的计算负载并不相同。轻量级边缘设备更关注低功耗运行和持续推理能力而工业机器人、人形机器人以及复杂视觉系统则需要更强的CPU处理能力、更大的并行计算资源以及更高的AI推理性能。面向更高计算需求的物理AI场景X100系列提供覆盖了不同性能档位的产品矩阵其中X168与X168i面向主流边缘智能负载配备8核“Zen 5”CPU最高频率达到5.0GHz同时集成32个RDNA3.5 GPU计算单元和最高50TOPS的XDNA™ 2 NPU可满足工业视觉、轻型机器人、智能终端以及边缘推理等场景需求。X188与X188i的CPU规模为12核最高频率同样达到5.0GHz并保持32个RDNA 3.5 GPU计算单元和最高50 TOPS AI推理性能的NPU配置适用于需要同时处理更多传感器输入、运行多个AI模型以及承担更多后台计算任务的复杂边缘设备。作为X100系列中的旗舰级型号产品X199与X199i配备16核32线程的“Zen 5”CPU最高加速频率达到5.1GHz在Kria AI机器人开发者平台中的FP16计算性能可达60 TFLOPS可用于多摄像头视觉处理、三维重建、SLAM、图像增强和部分AI模型推理。更大的CPU和GPU资源使其能够承载多传感器感知、AI推理、复杂运动规划以及多任务并发等高负载物理AI工作负载。值得注意的是X168、X188和X199还分别提供带“i”后缀的扩展工业温度版本。标准型号的结温范围为0°C至105°C“i”型号则扩展至-40°C至105°C。两类版本均支持45W至120W可配置TDP设备厂商可以根据散热条件、功耗限制和性能需求进行配置。面向边缘智能场景AMD此前也发布了其锐龙AI嵌入式P100系列主要包含P121、P132、P164、P174、P185等多个型号计算能力从4核CPU与2个计算单元CU逐步扩展至12核CPU与16个计算单元覆盖从基础感知设备到复杂边缘计算终端的需求。由此P100与X100形成了更完整的产品梯度使设备厂商可以根据模型规模、传感器数量、控制复杂度和功耗预算选择相应的计算平台。不过支撑物理AI系统的运行中间还需要解决另一个关键问题那就是如何让这些计算资源在有限功耗和空间条件下高效协同。事实上在传统分离式架构中CPU和GPU通常拥有各自的内存空间。传感器数据需要在系统内存、独立显存和不同计算单元之间多次复制既占用总线带宽也会让计算单元陷入同步等待导致访问延迟。往往当GPU满负载运行模型时内存和总线资源会被集中占用进而影响CPU侧实时控制任务的响应时间。对于高速机械臂、移动机器人等设备这类延迟抖动将带来轨迹偏差、控制不稳定甚至是安全风险。所以针对物理AI系统中的数据流转瓶颈X100系列的统一内存架构Unified Memory最高支持128GB LPDDR5X统一内存带宽最高达到273GB/s。通过让CPU、GPU和NPU共享同一内存空间降低数据搬运带来的延迟和能耗。场景上基于统一内存架构的数据访问机制传感器采集的数据写入统一内存后可由CPU、GPU或NPU根据任务需求直接调用处理无需频繁经过PCIe总线进行跨设备传输从而提升物理AI系统从感知、推理到决策执行的整体响应效率。不过减少数据复制还不足以保证任务的实时稳定性。在多个工作负载并发情况下CPU、GPU和NPU共享内存资源后仍会争用缓存、内存带宽和处理器时间。所以X100系列进一步通过实时Linux、资源服务质量控制和虚拟化隔离对任务能够获得的底层资源进行划分。在操作系统层面AMD引入了带有 PREEMPT_RT 补丁的实时 Linux并在底层构建了面向实时计算的QoS 控制机制通过缓存预留Cache Reservation和内存带宽分配DDR Bandwidth Allocation为关键任务划定稳定的资源保障边界。这意味着即使GPU在运行复杂的视觉模型推理任务运动控制等实时任务仍可获得确定性的计算资源。对于安全要求更高的工业控制场景X100系列还支持Xen Hypervisor虚拟化和缓存着色Cache Coloring。开发人员可以将指定的CPU核心、物理缓存区域和实时操作系统绑定使实时控制任务与运行在Ubuntu等通用操作系统中的视觉、推理和交互应用保持资源隔离。比如系统可以将CPU核心固定分配给RTOS处理电机控制和安全检测其余核心交给Linux运行感知模型、任务规划和用户界面。缓存着色通过限制不同工作负载使用的缓存区域减少多个系统共享末级缓存时产生的相互干扰使关键任务的执行时间保持在可预测范围内。在资源访问和实时执行得到保障后X100系列的CPU、GPU和NPU还需要按照各自擅长的负载进行分工。其中Zen 5核心的 CPU主要负责系统控制、任务调度以及多软件模块之间的协同运行。更多CPU核心能够提供更充足的并发资源减少不同任务之间的资源竞争为实时控制提供更加稳定的计算环境。RDNA 3.5 GPU计算单元则承担高吞吐量的并行计算任务可提供最高约60TFLOPS的FP16计算性能适用于多摄像头视觉处理、三维重建、SLAM、图像增强以及部分AI模型推理等负载。相比CPU和GPU承担的复杂计算任务XDNA 2 NPU主要面向持续运行、功耗敏感的AI推理负载。其最高能提供50 TOPS 的AI推理能力可以承担语音唤醒、异常声音检测、目标跟踪以及设备状态识别等常驻AI任务。统一内存架构打通数据流转资源隔离机制保障实时任务执行再结合CPU、GPU和NPU各自承担控制计算、并行处理和AI推理等不同负载X100系列能够在有限功耗和设备空间内实现感知、推理、规划与控制的协同运行。02 Kria全栈平台借FPGA构筑从感知到控制的计算闭环当CPU、GPU和NPU能够在芯片内部协同运行后如何把算力接入摄像头、激光雷达、电机、工业总线和实时控制器并将感知、推理与执行整合到一套可部署的系统中成为物理AI需要解决的下一个工程问题。围绕这一需求AMD推出了Kria AI SOM和Kria AI Robotics Developer Platform。其中Kria AI SOM基于X100系列处理器打造采用符合COM-HPC行业标准的模块化设计在一块紧凑型板卡上集成CPU、GPU、NPU以及统一内存为物理AI应用提供核心计算能力。在此基础上Kria AI Robotics Developer Platform进一步扩展系统能力在Kria AI SOM之外增加了Spartan UltraScale FPGA的载板并集成了丰富的传感器、工业网络以及通信接口以满足机器人在实时控制、数据采集和设备互联等方面的需求。但需要注意的是CPU、GPU、NPU与FPGA并非全部集成于同一颗芯片或同一块SOM之中。更准确地说该平台采用的是“X100系列SOM FPGA载板 接口系统 散热外壳”的系统级架构通过不同计算单元的协同实现从感知、推理到控制的完整闭环。这也是AMD首个面向自主机器人的开放式、完整集成的开发平台可用于工厂机器人、自主移动机器人AMR、移动操作机器人MoR以及人形机器人等多类物理AI系统。为了验证X100系列在实际机器人负载下的表现AMD也分别针对实时控制、VLA推理以及视觉分类任务进行了测试。在CPU侧的实时控制能力方面在X100系列上运行Bosch Rexroth控制器测得实时控制循环延迟为125μs相当于每秒可执行约8000次控制周期。从结果来看X100系列能够满足机器人底层控制对于高频、低抖动计算的需求。125μs衡量的是CPU执行控制循环的响应时间对于高速SMT贴片机、多轴机械臂等精密设备而言这一指标的意义在于控制系统可以更高频率地更新位置、速度和轨迹指令在快速运动过程中保持更稳定的控制精度。在更高层的机器人智能决策环节GPU承担的是VLA模型推理任务。在“π0.5模型”机器33亿参数的VLA机器人基础模型的测试中推理延迟低于100 ms(公开材料中的具体结果约为92 ms)。从测试结果来看X100系列已经具备在百毫秒级时间窗口运行VLA模型的能力。相比需要根据环境变化实时决策的VLA任务NPU更适合承担持续运行的轻量AI计算。在视觉分类测试中X100系列的NPU推理延迟低于0.4 ms。这意味着对于零部件识别、状态检测、缺陷筛查等需要长期在线运行的任务而言NPU能够以更低功耗提供持续推理能力同时减少CPU和GPU的负载压力。AMD锐龙AI嵌入式X100系列SOM提供了机器人“大脑”的核心计算能力而Kria AI Robotics Developer Platform在SOM之外加入搭载Spartan UltraScale FPGA的载板。为什么需要集成FPGA核心原因在于物理AI系统需要同时接入LiDAR、雷达、多路4K摄像头等多种传感器而这些设备通常采用GMSL1/2/3、MIPI、LVDS等不同接口协议其数据流在帧率、采样周期、时钟域和数据格式上存在差异。Spartan UltraScale FPGA通过可编程逻辑实现不同传感器接口的灵活适配并在确定性硬件时序下完成时间戳处理、帧同步、格式转换以及数据预处理Data Conditioning。经过整理后的多模态数据再进入Kria AI SOM的计算架构部分固定流程和实时数据处理能前置到FPGA系统就可以减少CPU在协议解析、数据搬运和同步处理上的负担同时降低原始传感器数据对内存带宽的占用为机器人建立更稳定的数据通路。进一步的AMD将机器人整体架构划分为传感器Sensing、关节Joints、脊柱Spine和大脑Brain四个层级并针对不同层级的实时性、算力和接口需求配置相应的处理器、FPGA以及自适应SoC产品。其中Kria AI平台主要面向机器人的“大脑”层承担高层决策、自适应工作负载调度以及面向吞吐量和精度优化的感知与AI推理任务。连接“大脑”与“关节”的“脊柱”层可采用第二代Versal AI Edge和Zynq UltraScale等产品。位于执行端的“关节”层需要满足多轴运动控制、高实时性和低延迟响应要求可采用Zynq UltraScale或Zynq 7000系列。而最靠近外部环境的“传感器”层则聚焦于多类型传感器接入、数据预处理和实时融合对应Zynq UltraScale、Spartan UltraScale等器件。通过这种分层设计AMD将通用计算、AI推理、实时控制和接口处理能力分布到整个机器人系统中。03 打通“身脑”回路Kria AI平台与ROCm生态的“软硬一体化全栈蓝图”硬件平台提供的是计算基础而软件生态则决定了开发者能否快速将算力转化为实际应用。对于开发者而言算法工具和已有代码资产的复用能力同样决定着平台的落地效率。基于这一需求AMD推出 AMD Robotics Software Suite机器人软件套件围绕机器人开发流程提供软件支持。该套件包括ROS 2、Gazebo仿真器以及Nav2导航栈等主流机器人开发框架。同时结合ROCm 软件栈和HIPIFY自动化移植工具可帮助开发者更加高效地将已有计算代码和算法应用部署到AMD平台。这其中HIPIFY主要解决的是底层计算代码适配问题。对于已经存在的大量GPU计算程序开发者无需完全重新编写代码可以通过自动化工具完成部分接口转换。例如内存管理等常用计算接口可以自动映射到对应实现从而减少人工修改工作量。除了代码转换工具AMD也提供了覆盖基础计算任务的高性能数学库包括矩阵计算、稀疏计算和快速傅里叶变换等算法分别对应rocBLAS、rocSparse和rocFFT等软件组件。根据测试在包含warp reduction、SpMV等计算任务的验证代码迁移过程中部分场景可以保留较高比例的原有源代码进一步降低软件迁移成本。对于机器人开发者而言这意味着已有的SLAM算法、3D点云处理流程以及AI推理应用可以更加快速地适配AMD计算平台。同时结合ROCm生态开发者也能够运行视觉模型、多模态模型以及机器人基础模型加速物理AI应用从算法验证走向实际部署。软件工具链解决的是“如何开发”的问题而机器人规模化落地还需要产业链协同。为此AMD打造了 AMD Robotics Partner Network机器人合作伙伴网络通过连接计算平台、设备厂商、算法企业、传感器供应商以及仿真平台加速机器人产品从研发阶段进入实际应用。该合作网络覆盖机器人产业多个环节包括ODM厂商、AI模型提供商、传感器企业以及数字孪生平台。其中合作伙伴涵盖Arbor、congatec等设备厂商Hugging Face、Ultralytics等AI生态企业以及SICK、Analog Devices等传感器领域企业。在实际应用中AMD平台已经开始进入到工业机器人场景。例如在半导体晶圆厂的协作移动机器人应用中Castec卡斯达克利用搭载AMD芯片的i-Operator机器人实现了对大量物体的快速识别并能够针对现场异常情况进行响应。与此同时ABB、Universal Robots优傲机器人、Rexroth博世力士乐等工业自动化企业也正在基于AMD平台探索下一代高精度、高效率的智能机器人系统。从计算平台到软件工具再到产业合作网络AMD正在构建一套面向物理AI时代的开放式机器人生态。04 写在最后通过 Advancing AI 2026 大会的一系列发布可以看到AMD此次的布局是围绕物理AI构建了一套覆盖计算、连接、软件和生态的完整技术体系。其中AMD锐龙AI嵌入式X100系列提供了面向机器人核心计算需求的异构算力基础通过CPU、GPU和NPU协同处理感知、推理、控制等不同负载Kria AI 机器人开发者平台则进一步结合FPGA可编程能力将传感器接入、实时数据处理和上层AI计算连接起来补齐机器人从“感知”到“行动”的系统链路而ROCm软件栈、HIP工具链以及机器人软件套件则致力于降低开发者在算法部署和应用迁移过程中的工程成本。对于OEM厂商而言AMD提供的计算模块、接口能力和软件工具链可以减少底层架构适配方面的重复投入让研发资源更多用于产品设计、行业场景优化和应用功能开发。根据AMD公布的信息目前X100系列处理器已经开始提供样品Kria AI SOM及Kria AI平台也预计将在2026年第四季度正式供货。随着机器人系统对实时感知、复杂推理和自主控制能力的需求持续提升计算平台也正在从单一算力供给转向覆盖感知、决策和执行的系统级能力构建。AMD此次布局的价值在于通过异构计算架构、开放软件生态和模块化平台为物理AI提供一套更接近实际部署需求的计算基础。