物理AI是科技领域的一大挑战，需要全栈式解决方案。在今年的CES大会上，AMD董事长兼CEO苏姿丰博士指出，未来十年AI产业的重要发展方向之一就是物理AI。
过去几年，生成式AI主要在数字世界中取得突破，如大语言模型能够处理文本、图像、代码和数据。但这些模型主要处理的是数字信息，而不是现实环境。如今，随着AI向物理世界的延伸，产业正在进入新的阶段，AI不仅处理数字信息，还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。系统需要通过摄像头、雷达、传感器等多源数据感知环境，并基于实时状态完成判断、规划和执行，使机器人和自动化设备自主完成任务。AI的能力边界正从“认知”走向“行动”，机器人、工业设备、医疗器械及智慧城市基础设施成为AI进入物理世界的重要载体。
物理AI的计算需求从云端训练延伸至边缘推理、实时控制、传感器处理以及设备协同等多个环节。计算平台需具备模型推理能力、高带宽数据处理能力和稳定、可预测的实时响应能力。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关键问题。
AMD对全球150多位机器人开发者进行调研，结果显示物理AI从实验验证走向规模部署面临三大挑战：首要问题是确保系统具备确定性的响应时延。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运行在不同计算单元上，数据频繁传输导致额外延迟。对于机器人而言，微秒甚至毫秒级的时间窗口内的姿态调整、力矩控制和安全响应至关重要。
其次，开放架构与长期可扩展能力也是重要问题。机器人需要持续迭代系统，企业需适配不同型号的传感器、电机和控制器，持续升级模型、操作系统、中间件和开发工具。因此，计算平台需具备更强的开放性和兼容能力以支持长期演进。
第三类问题是物理AI对计算平台SWaP-C（尺寸、重量、功耗和成本）的要求。这些因素直接影响设备续航、有效载荷、散热设计、机身结构及最终商业化成本。实际部署中，不仅要关注实验室环境中的峰值指标，还需考虑有限空间、功耗和成本条件下的可用性能。
针对这些挑战，AMD推出了锐龙AI嵌入式X100系列处理器和Kria AI机器人开发者平台。X100系列提供不同性能档位的产品矩阵，覆盖工业视觉、轻型机器人、智能终端以及边缘推理等场景。X100系列还采用了统一内存架构，最高支持128GB LPDDR5X统一内存，带宽最高达到273GB/s，减少数据搬运带来的延迟和能耗。此外，通过实时Linux、资源服务质量控制和虚拟化隔离，确保任务的实时稳定性。
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，集成CPU、GPU、NPU及统一内存。Kria AI Robotics Developer Platform进一步扩展系统能力，增加了Spartan UltraScale+ FPGA载板，集成了丰富的传感器、工业网络和通信接口，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。
为了加速算法和已有代码资产的复用，AMD推出AMD Robotics Software Suite，包括ROS 2、Gazebo仿真器和Nav2导航栈等主流机器人开发框架。结合ROCm软件栈和HIPIFY自动化移植工具，帮助开发者高效地将已有计算代码和算法应用部署到AMD平台。
此外，AMD打造了AMD Robotics Partner Network，连接计算平台、设备厂商、算法企业、传感器供应商和仿真平台，加速机器人产品从研发阶段进入实际应用。该合作网络涵盖多个环节，合作伙伴包括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。
通过一系列发布，AMD构建了一套覆盖计算、连接、软件和生态的完整技术体系。锐龙AI嵌入式X100系列提供了异构算力基础，Kria AI机器人开发者平台补齐了从感知到行动的系统链路，而ROCm软件栈和HIP工具链降低了开发者在算法部署和应用迁移过程中的工程成本。这为OEM厂商减少了底层架构适配方面的重复投入，使其更多资源用于产品设计、行业场景优化和应用功能开发。
配资排排网提示：文章来自网络，不代表本站观点。
