从机器人到大量边缘设备，物理人工智能使一切变得更加交互和有用。它显著改变系统的设计、验证和监控方式。也打破那些使芯片设计与验证保持一致性和可靠性的限制。

c系统需要具备独立运作与协同工作的双重能力。它们需要能够快速做出本地决策，通常比其它类型AI能耗更低，且比当今多数大型AI系统更具专注性。与此同时，这些设备还需在必要时接入云端近乎无限的算力资源，并基于可能不足的数据实时做出概率性决策。此外，当与代理式AI结合使用时，这些设备还需能通过自然语言和手势指令与人类互动，尽管这些指令并不总是精准到位。

要实现这些过去大多各自为政的领域之间的融合，芯片设计团队将面临一系列全新挑战。他们需要全面掌握融入物理设计流程的人工智能算法，以及芯片架构特有的技术要求。同时，团队还需精通如何运用人工智能驱动工具。这些工具将用于优化布局、布线设计，从而满足更严格的功耗、性能和面积约束，同时应对极端MAC运算、大规模并行处理以及多种存储器的集成需求。

Cadence公司高级产品营销总监Mick Posner说：“过去几年我们听到了很多关于人工智能的讨论，这些讨论大多集中在数据中心层面，而我们深知这个问题存在两面性。一方面是模型训练，这属于NVIDIA领域的常规操作。另一方面是真正的应用价值在于推理环节。物理AI将AI处理能力转移到边缘设备，即实际运行的终端设备。物理AI的核心在于用户与AI的交互体验。它对延迟敏感，需要快速做出决策。因此，处理工作必须在设备端、在边缘完成。以自动驾驶汽车为例，其自动驾驶系统需要实时感知周围环境，没有时间说‘这玩意儿是什么？我要去数据中心查查’，必须在边缘即时决策。再比如无人机自主飞往用户住所，也需要实时做出导航决策。”

要实现物理人工智能，需要多种技术支撑。其中自然语言处理技术尤为关键。Posner解释道：“当你对机器人说‘帮我拿杯牛奶’时，系统需要理解这句话，这就需要大型语言模型来处理。而物理层面则需要执行动作。同样，在航空航天和国防领域，物体检测、目标获取等操作都需要实时处理。”

图1：物理AI系统覆盖多个市场。来源：Cadence

在物理AI硬件领域，存在AI视角与通用硬件视角的双重考量。Synopsys移动、汽车及消费IP产品管理执行总监Hezi Saar指出：“物理AI硬件可以从两个维度理解。首先是适应AI算法或AI机器变更的能力。这包括设备上可能需要实现的所有学习机制，例如流水线的工作原理、数据预处理方式、资源优化配置方案，以及系统运行稳定性等关键要素。所有这些都需要经过周密规划。由于实施难度极高，因此需要预留充足余地，并提供多种灵活适配方案。”

物理人工智能常被视为边缘计算的子领域。Saar解释道:“与人类或环境的交互才是物理AI的独特之处.边缘AI连接云端，运行在设备端。而物理AI则直接部署在设备上，具备超越常规边缘AI的独特能力。如果我使用AGI（通用人工智能），比如最初在手机中作为AI助手，主要是通过软件功能实现交互。我们可以用语音与之对话，甚至通过文字获取助手的输出。说到物理AI，它能涵盖多种应用场景。这类AI具有实体组件，既能接收环境信息，也能影响环境。在物理领域，我们甚至可以将机器人出租车视为典型代表。机器人和无人机同样具备这类能力，通过环境输入或输出来驱动自身。我们开发的AI代理本质上是软件AI代理，而物理AI代理则能以实体形态为我们服务。真正的变革在于社会对这类技术的接受程度，人们将如何接纳这种新型交互方式。”

物理人工智能最初在工业应用领域崭露头角。Siemens EDA公司IC验证与EDA人工智能产品负责人Sathishkumar Balasubramanian说：“以工厂为例，假设有多台需要定期维护和监控的熔炉。传统做法是人工进入检查、爬梯子等。借助物理人工智能，我们能提前预测故障发生，或基于强化学习、历史经验及传感器监测数据来规划维护周期。通过分析数千种参数组合，我们能预判特定配置下的故障诱因，或确定预防性维护的最佳时机。借助实时监测和实时数据，结合熔炉A的运行模型，我们能精准预测：当熔炉因高温运行需要更换特定部件时，就能提前预警。可以说，物理人工智能几乎能预测所有情况。其核心理念在于提升用户体验，既优化终端产品性能，又保障操作人员安全。通过确保工厂预防性维护的无缝衔接，最终目标是减少高风险岗位人员的投入，避免他们需要临时介入排查故障或监控数据。这正是工业物联网与边缘AI技术的完美融合。”

系统级物理AI

物理AI还涉及系统层面的考量，因为它需要进行更多本地化边缘计算和通信。Arteris首席营销Michal Siwinski表示：“这不仅仅是往返数据中心的数据传输问题，这种通信与其它边缘设备并无二致。但这些系统将形成紧密互联。就像硬件版的智能AI，当处理这类系统时，它们不再孤立存在，而是成为边缘系统的一部分，自主运行并进行通信。此时需要巨大的带宽和海量通信量，还要处理各种不同的计算任务。物理AI本质上意味着系统具备智能，相当于在系统内部构建了一台巨型超级计算机，需要协调更多分布式计算。当我们深入分析这些要素时，仍会遇到汽车领域的难题，必须同时处理激光雷达、雷达和视觉系统。出于多种原因，你很可能需要同时部署这三者，因为很可能正在构建一个关键任务系统，责任和法规要求你必须尽早完成大量工作，特别是在那些可能影响生命安全的领域。因此必须妥善处理所有这些复杂问题。”

物理人工智能涉及运动控制，需要传感器、MEMS器件和模拟/混合信号系统等。Siwinski解释道：“这意味着我们必须讨论混合层级信号，并弄清楚这些信息如何流动。除此之外，还要统筹协调所有这些系统。它们可能是分布式或非分布式架构，但由于这些异构系统的存在，系统将拥有一个中央控制中枢。”

当然，绝不能放任其自生自灭，如果任其自行其是，很可能会失控，因此仍需进行协调与同步，这就像是一个移动的数据中心。那么问题来了：在电池和能源受限的边缘设备环境下，如何实现计算能力并可能进行训练而不仅仅是推理？我们希望这些系统不完全呆板，而是具备一定程度的自主性。因此必须赋予它们局部训练能力，这意味着除了连接工厂外，还需要使用TinyML这类软件，这样当设备接入电源时，就能与数据中心同步并更新最新固件等。实际上，在运行和充电过程中，系统必须持续运作而非突然中断。这与那些独立系统的整体情况完全不同。

要理解这一点，不妨从物理人工智能的融合特性入手。德州仪器高性能处理器总经理Artem Aginskiy指出：“过去，人工智能始终局限在数字领域。它只能收集信息、处理数据并输出答案，却无法在现实世界中进行推理或自主行动。而物理人工智能的突破在于，原本主要依赖远程服务器的数据处理现在实现了本地化，从而催生出机器人搬运货物、自动驾驶汽车自主停车等现实场景。这与边缘人工智能概念相似。后者通过MCU、MPU等嵌入式处理器和软件，使网络边缘的应用程序具备本地AI能力。但关键区别在于，物理人工智能不仅涉及感知处理，更延伸到应用程序的实际执行层面。无论是物理人工智能还是边缘人工智能，都在其最具影响力的应用场景中，为现实世界注入了更多智能与自动化。”

物理AI将人工智能直接应用于现实世界，机器必须感知、解释和在与人类共享的环境中行动，从而融合多模态感知、边缘计算和持续学习，使机器人、车辆或基础设施资产能够自主和安全地行动。

BrightAI创始人兼首席执行官Alex Hawkinson表示：“虽然大多数AI系统已无新数据可供学习，但物理AI才刚刚起步。它正从物理世界中挖掘出数十亿条未被开发的信号，并将其转化为可操作的洞见。物理AI是物理世界的实时操作系统，使管道、电线杆等实体资产完全可观察且数据驱动。”

不同数据，不同处理

边缘AI和物理/端点AI使用的数据是不同的，因此可以或需要对这些数据做什么也是不同的。

Ambiq公司人工智能副总裁Carlos Morales说：“在边缘部署AI时，能显著降低延迟，这意味着数据传输速率大幅下降，回传的数据量也随之减少。从功耗角度来看，由于需要进行射频传输，设备能耗会相应降低。虽然在这方面难以再有太大突破，但若采用预计算方案，传输的数据量就能大幅缩减。例如，传输心电图数据每分钟需要40兆字节，而传输心率数据只需40字节，因此在边缘部署AI技术能有效节省能耗。”

物理AI开发者迫切需要获取真实世界数据。Siemens EDA的Balasubramanian说：“我们注意到业界高度关注边缘计算的能效设计，以便实时监控数据。因为物理AI需要与现实世界及电子设备进行交互。这实际上取决于具体应用场景。比如工业机器人可能面临不同的场景需求，但核心在于能否高效获取真实数据并快速决策。因为在物理AI中，当我说‘机器人，去取这个’时，我不能等五分钟机器人理解并执行。它需要快速自主决策，这就要求我们在边缘设备、物理AI机器人系统中部署高效的专业模型和代码，确保行为和功能的即时响应。”

延迟控制是关键所在。“如今的物理AI机器人每个关节都配备了传感器，”Ambiq公司的Morales表示，“人工智能被部署在这些传感器上，并形成了闭环控制系统。与章鱼智脑通过大脑统一控制不同，每个机械臂都内置了独立智能单元。我们不希望单一大脑系统拖累整个系统的运行效率。这意味着传感器端的物理驱动功能（例如异常检测）至关重要。同时，根据实时事件动态切换不同模型也非常重要。以医疗监测系统为例，当检测到异常生物信号时，系统会每五分钟采集一次数据。当检测到跑步等特定活动时，系统会切换到高分辨率模式进行精准监测。由于这种模式不会持续运行，设备仍能保持低功耗。当系统确认用户未发生心脏病发作时，会自动切换回休眠模式。这种智能模式在智能音箱等设备中也得到了广泛应用。”

业内人士预计，未来机器人将在现实世界中大规模应用人工智能驱动的感知、规划与控制技术。ChipAgents公司首席执行官William Wang指出：“芯片制造商正面临对异构确定性边缘SoC（CPU/GPU/NPU/DSP）的需求，这些芯片需要在严格功率与安全约束下，满足传感器融合、策略制定和执行动作等环节的硬性端到端时限要求。”

William Wang进一步说明前端验证的重点已转向四大方向：(1)低延迟数据流（临时存储区、直接内存访问、服务质量、中断延迟）；(2)混合关键性隔离（安全岛、同步控制、错误检测与纠正）；(3)RTL阶段的实时特性（时限/吞吐量约束、WCET式验证）；(4)闭环机器学习验证，即在控制器逻辑中同步建模感知误差。EDA必须通过物理/数字孪生仿真、场景化激励生成、控制不变量形式化验证，以及覆盖各类边界条件与RTL状态的测试，实现硬件、软件与机器学习的协同设计。

ChipAgents等厂商开发的智能体AI工具可统筹协调这些需求。这些工具能自动划分加速器与软件间的感知与控制功能，生成符合周期精度延迟预算的RTL代码，并通过模拟器（如动态遮挡、滑动、延迟等场景）生成测试套件，同时对接口和安全路径进行压力测试。此外，它们还能持续平衡PPA与闭环稳定性/吞吐量，从而缩短机器人芯片的迭代测试修复周期。

物理人工智能将部分验证工作从实验室转移到了实际应用领域。BrightAI公司的Hawkinson 表示：“模型和硬件不仅需要在模拟环境中验证，更要在真实环境条件下，比如天气变化、设备磨损和人为失误等条件下进行测试。这要求我们采用全新的设计流程并持续验证。这意味着要确保传感器、芯片和人工智能模型能协同运作，形成一个集成系统，实现最低限度的人工监控。”

在物理人工智能的诸多要求中，隐私保护尤为重要，特别是在需要监听的设备上。Ambiq公司的Morales说：“虽然设备无法听到你说的话，也不真正理解你的话语，但通过分析你的说话方式和声音特征，就能检测出早期痴呆症状。我不想让任何人知道这些信息，因此隐私保护和安全防护至关重要。开发者还特别看重低延迟特性，这既能保证即时响应，又能节省能耗。”

结论

即将迎来的物理AI设计浪潮将呈现多样化的设计起点。西门子EDA的Balasubramanian表示：“需求更加多元且差异显著，因此重点将放在针对不同垂直领域（从工业医疗到汽车消费）的定制化芯片开发上。终端需求和运行环境都将有所不同，因为一旦进入物理AI领域，就会比普通芯片更频繁地接触各种环境因素。由于不在受控环境中，设计出稳健的产品并充分理解终端产品的使用场景将成为关键。芯片与系统架构师需要深入思考，既要明确功耗、性能和面积的约束条件，也要考虑运行环境。这些约束部分由软件堆栈驱动，并指导整个芯片或系统的开发。在物理AI领域取得成功的关键在于避免试图全面覆盖所有领域。选择一个擅长的领域，然后将该用例推广到大量类似场景中。”

未来的挑战将更加艰巨。Cadence公司的Posner说：“这就像一个独立的巨型设计体系。如果只是进行简单的物体检测，比如安防摄像头，这样的设计就足够了。但当需要实现更复杂的功能时，就需要搭配AI加速器方案。这时候不仅需要CPU，还需要针对特定领域的专用芯片或多个这样的芯片。我们有客户打算开发五种不同的芯片，再基于这五种晶粒打造20款不同产品。因为他们可以灵活扩展CPU性能、AI运算能力以及系统处理能力。这就是未来设计的挑战，即如何将所有这些组件层层叠加。通过自主研发，由于我们拥有多个晶粒，我们不仅实现了跨晶粒的协同仿真，还实现了协同仿真。这些设计绝非小工程。系统芯片的面积为120平方毫米，AI芯片则达到200平方毫米。这些都是规模庞大的设计，上面运行着数百万行软件代码。”

要实现这一目标，EDA工具、验证与仿真都需要实现指数级扩展。因为原本单芯片难以管理的问题，如今多芯片架构下将变得更加棘手。工程师们必须全面掌握这些技术动态，通过分而治之的策略优化系统设计。既要确保系统能对不同传感器输入做出最佳响应，又要实现持续学习与进化，贯穿其整个生命周期。