作者 | ZeR0
编辑 | 漠影
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杭州股票配资公司，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。
牛策略提示：文章来自网络，不代表本站观点。
