智东西
智东西2月5日报道，具身智能机器人如何走向落地？机器人是否需要专用芯片？近日，英特尔研究院副总裁、英特尔中国研究院院长宋继强与智东西等媒体进行深入交流，分享了对这些问题的思考。
英特尔在机器人及控制技术体系的实践中认识到，不存在能够解决所有复杂场景问题的“万能钥匙”或单一技术范式。真正的完整解决方案，必然是通过前瞻性地融合创新技术与经过验证的成熟方法，将其系统性地工程化，这样才能稳健落地。
宋继强认为，很难用一种硬件满足不同的操作复杂度、实时性、计算和感知要求，因此异构计算非常重要。
英特尔面向边缘的第三代酷睿Ultra处理器便能发挥出XPU架构优势，综合AI算力达到180TOPS，并采用Intel 18A制程，能效比更高，同时可使用OpenVINO等AI库以及面向边缘的软件SDK。
与消费级、商用级酷睿的侧重点不同，它强调工业级要求，例如温宽、耐用性、10年可靠性，同时增强了机器人及工业领域要求的高实时性、高确定性。
其机器人AI套件每个季度都会升级，具身智能SDK新增了对大语言模型的支持，同时把EtherCAT支持纳入软件栈，并补齐对实时库的支持。
英特尔与合作伙伴共同开发了一款机器人AI板级套件。这块板卡体积小、功耗控制在机器人本体可承受范围内，能跑传统视觉模型，也能跑优化过的大模型，可满足机器人常规的感知、规划与操控应用，也能通过互联平台与边缘AI设备连接，提供扩展的模型能力。
一、机器人专用芯片尚早，业界普遍用手机/汽车芯片改造机器人会像手机、汽车一样有专用芯片吗？宋继强认为，技术上不难，商业上太早。
当前机器人领域使用的芯片，大多并非专门为机器人设计，而是对手机、汽车、PC等成熟平台的芯片进行改造适配。这主要是由于机器人产业规模尚小，设计专用芯片难以实现商业盈利。
更深层的原因是，机器人本身的技术路径和主流负载尚未定型，因此业界普遍先采用通用平台进行过渡和验证。
设计一款机器人专用芯片本身并不困难，只要有明确的系统级规格，大约10个月即可完成设计流片，18个月左右能完成测试。难点在于先定下来如果让业务真正跑起来，需要系统支持哪些能力。
英特尔的机会，也正在于此。
在传统工业机器人的运动控制、高精度浮点计算、逆运动学求解等场景中，凭借高可靠性的工业控制板和丰富的视觉库，英特尔已有长期经验积累。大部分机器人工控板都是用英特尔处理器做的。
目前英特尔正与一些具身智能机器人厂商合作。这些伙伴尤其需要英特尔提供的能力，就是实时性与控制精度，包括如何在一个系统里保证需要实时、快速响应的部分不被其他任务抢占资源。
英特尔能够告诉具身智能机器人厂商做上层任务时，如何处理、分配、调度底层CPU核、内存、I/O等资源，才能保证最终需要的实时性达标和物理风险上可控、可信赖。
尽管当前行业焦点集中于大模型能力，但其技术演进方向仍存在变数，例如VLA的局限性显现后，行业开始重新审视世界模型的价值。
因此，宋继强预测，未来一年内出现统一的机器人专用芯片标准的可能性不大。无论是针对人形、轮臂式还是机器狗等不同形态，都需要更明确的场景与规模支撑，专用芯片才会迎来发展的契机。
二、很多机器人仍处于“手搓”阶段，量产须改进成本、一致性、生产可靠性宋继强提到很多机器人并不是真正工业化量产的，大部分还是“手搓”。
一方面，零部件尚未达到车规或工业级要求，用一段时间后可能速度变坏、力量变差，最终达不到可信赖执行。
另一方面，机器人产业要实现规模化普及与成本优化，可能依托大型企业来推动机器人零部件以及整体量产化能力的提高。
一旦量产能力突破，硬件成本将随之下降，结合智能技术能力的持续提升，机器人将能更顺利地渗透至更广泛的商用场景，并吸引早期愿意为创新技术承担一定试错成本的用户群体。
该发展路径符合技术成熟度曲线（Gartner Hype Cycle）所揭示的规律：
① 初期通过高预期吸引资本与技术投入，例如当前依托大模型与视觉语言动作模型（VLA）等技术突破，迅速推高产业的“能力上限”。
② 进入部署实践阶段，暴露出的关键技术瓶颈与商业化挑战（即“深坑”）将促使资源聚焦于最核心问题的解决。
③ 在跨越主要障碍后，产业将在特定细分领域（如结构化的工业场景）实现小范围的商业闭环与经济可行性验证。
④ 随着技术迭代与市场认知的深化，更多大型厂商将凭借其工业级能力入场，通过规模化效应进一步压缩成本。
成本的降低又将激活更大的市场需求与应用潜力，从而形成“技术突破->场景验证->规模化降本->市场扩大”的良性循环，推动产业持续向上发展。
目前带操作能力的机器人，在现有训练集与成本约束下更可行的方向是应用在半工业领域，比如做备料、搬运、组装等任务。有些厂商相对乐观地估计，这些机器人一两年内能在实际工厂里部署。
在宋继强看来，真正要形成工业级一致性与效率，具身智能机器人的产量可能需要百万台以上。要达到这个规模，则需不断改进成本、一致性、生产可靠性等方面。
三、构建可信赖框架，给具身智能的安全兜底具身智能机器人的真正落地涉及安全问题，需尽早形成可靠性的框架。
宋继强总结说，具身智能的可信赖性至少体现在三个层级：规划决策是否可信赖、执行是否可信赖、系统出错时整体是否仍可靠。
针对规划与决策是否可信赖，英特尔推荐混合模式控制：需要嵌入一定的规则与知识，用来检验具身智能系统产生的决策，如果决策有问题就让它重新决策。
这样既能利用大语言模型与神经网络方法带来的泛化能力，提高机器人能力的上限，又融合传统的符号、规则、知识方法，能保证输出是可信赖、可检测的，再把结果交给执行层。“场景相关”和“合理知识注入”也很重要，有助于做检测与后续规则保障时更有效，控制整体计算开销。
对决策规划、行动输出做出保障，基本落在智能硬件平台的系统里。但在执行过程中，如果机器人遇到零部件或物理环境出问题，这些不是主控系统能控制的，此时需要引入一个独立的安全系统，持续监控执行是否偏离预期，一旦发现发现风险，触发Fallback，然后以最小风险回到可控状态。
这个安全系统相对轻量，代码完全可靠，持续通过能获取的传感器输入、执行器状态监控等，判断系统执行是否与上层主要目标一致、是否存在安全风险。这些安全风险可以预先定义并持续监控。
Fallback System（备用系统）既要让系统回到可靠状态，又希望回到可靠状态后不是直接放弃任务，理想情况是即便出现风险，也能以可行方式继续，比如让机器人在即将摔倒时能够选择方向、避开人、卡死某些关节慢慢摔，甚至移动到边上。
这套思路已经被写进去年12月发布的《具身智能机器人安全子系统白皮书》。英特尔联合产学界合作伙伴，从系统架构层面提出一种新的设计框架，安全子系统能够自主判断主控系统是否出问题，一旦出问题就触发Fallback。
据宋继强透露，该设计框架发布后反响很好，学术界和业界都有单位表示希望参与推进落地，英特尔也在积极开展合作。
四、系统分工，才是具身智能能长期演进的前提在智能车、机器人等物理AI设备之上，一种流行的业务构建方式是通过多智能体系统，按照用户要求、场景变化，自主构成业务流，再利用AI生成相应的智能体，去完成需求。
一种未来愿景是，一个能力丰富的物理设备能够支撑多智能体系统运行。要迈向这一愿景，现实挑战有很多，包括准确性、可靠性、安全性、可扩展性、成本结构、响应速度、系统安全等。
如果智能体是通过编排器自动构建的，那就需要能够调用很多不同的智能体功能。智能体在处理不同环节的任务时，内核（kernel）、数据量级、并行度都不一样。企业级部署又希望在满足具体场景要求的同时，获得更好的能效比。这需要借助异构硬件组合来解决问题。
在此基础上，要与持续演进的开放软件框架适配，中间需要完整的系统基础设施，帮助隔离硬件多样性，同时让软件侧业务编程所付出的成本长期有效。因此上层需要相对稳定的软件接口，并对底层硬件进行隔离。
具身智能机器人采用的AI模型及解决方案呈多元化，没有一种方案能覆盖所有精度与准确度要求。因此，英特尔提倡采用一种混合的异构框架，以综合采用不同模型与AI方法。
英特尔提出了一种分工明确的具身智能系统结构：
系统2是慢系统，强调理解、推理与规划，需要高通量视觉输入，更适合用GPU。
系统1是行动专家，负责根据规划出的一段段任务，结合具体设备，将任务映射到设备需要控制的关节电机、轮子等多自由度执行器，生成控制指令。这要求高实时性与低功耗，输出频率已接近200Hz，更适合用NPU。
系统0是快系统，用传统的MPC控制器，把电机控制频率提升到例如1000Hz的级别。这要求更强实时性，并涉及高精度浮点运算，用CPU最稳。
在切换新硬件时，软硬件解耦有助于降低适配门槛。据宋继强分享，系统2相对好解耦，系统0和系统1不好解耦。上层感知和规划可以相对独立，复用于不同机器人，但从接收到规划任务要求到生成具体机器人控制指令，不同机器人的自由度不同，与本体强相关，这就无法解耦。
结语：具身智能走向落地分水岭2026年，落地将是具身智能机器人产业的关键议题，供应链也将扮演至为关键的角色。
模型决定机器人能做什么，而硬件和系统决定机器人能不能一直稳定安全地做下去。
基于英特尔的理念以及与合作伙伴正在构建的具身智能机器人系统，结合第三代酷睿Ultra for Edge平台，英特尔希望尽快推动可信赖的具身智能机器人在产业里落地。
长富配资提示：文章来自网络，不代表本站观点。
