问题：人工智能正从“屏幕世界”走向“物理世界”，随之出现新的计算难题。不同于主要用于内容生成与信息处理的云端智能，物理智能需要直接驱动刹车、转向、抓取、行走等动作链路，决策一旦滞后就可能带来安全风险。业内普遍认为，物理智能的关键不只算力峰值，更在端到端时延、确定性与可靠性：从传感器采集、模型推理到执行器响应，往往要求在微秒或毫秒级完成，并且必须“次次一致”。 原因：一上，过去十年算法、传感器与芯片工艺持续进步，为自动驾驶、无人机、仓储物流机器人、人形机器人等应用加速落地打下基础；另一方面，产业竞争焦点正从“模型能力”转向“系统能力”，包括软硬件协同、功能安全、能耗约束与规模化部署成本控制。基于此，Arm近期进行战略性部门重组，明确边缘AI、物理AI与云AI三大业务支柱：边缘AI面向移动终端与物联网，云AI聚焦数据中心，物理AI则面向自动驾驶汽车与各类自主机器人，希望用更清晰的产品与生态组织方式对接快速分化的市场需求。 影响：此调整也反映出计算产业的新趋势——汽车与机器人两大行业正加速融合，底层自主化逻辑趋同。Arm物理AI事业部执行副总裁Drew Henry在媒体沟通会上表示，传统汽车从辅助驾驶迈向更高等级自动驾驶，固定功能机器人向自主机器人升级，两者对计算架构的核心诉求正在靠拢：既要强推理能力，也要可验证的实时控制与安全机制。，物理智能系统复杂度明显上升：既包含多模态感知与规划控制，也需要人机交互，还要与云端形成数据闭环。单点优化难以解决全链路问题，产业更需要可复用、可扩展且满足安全要求的通用底座。 对策：围绕“可实时、可控、可规模化”，Arm提出从四个层级理解并构建物理AI计算平台，并强调各层级需在统一安全框架下协同运行。 第一是感知驱动层，侧重设备自主运行，承担摄像头、激光雷达等传感器数据处理与实时决策，是物理智能的“中枢”。这一层对时延与确定性最敏感，直接影响车辆与机器人在复杂环境中的安全边界。 第二是交互驱动层，面向座舱娱乐、语音对话、任务指令等人机交互场景，虽然对极限时延要求相对较低，但更强调连续性与稳定体验，关系到产品可用性与用户信任。 第三是驱动执行层，连接数字指令与物理动作，负责对制动、转向、关节电机、机械臂等执行器进行精准控制，要求高可靠性与可预测响应，避免“能识别但控不住”的系统性风险。 第四是云端协同层，支撑模型训练、车队或设备群管理与运营、数据回传与迭代更新，形成从部署到优化的闭环，提高长期演进效率。 Drew Henry表示，Arm长期积累的高能效与高可靠计算能力，与物理智能对能耗、散热、功能安全和可信计算的要求高度匹配，可帮助合作伙伴在满足实时性约束的同时降低系统功耗，并提升平台一致性与可移植性。 前景：业内预计，物理智能将成为人工智能产业继云端与移动之后的重要增量市场，但落地速度取决于三上：其一，安全合规与工程验证体系能否完善，尤其是面向公共道路与开放环境的应用；其二，软硬件标准与生态接口能否统一，降低跨供应链集成成本；其三，端云协同的运营模式能否形成可持续闭环，支撑持续迭代。随着汽车电动化、智能化持续推进，以及机器人制造、物流、医疗与家庭等场景的试点扩围，面向低时延、确定性与能效约束的计算平台需求将继续上升。Arm以更聚焦的业务架构切入物理智能赛道，短期有望在自动驾驶与自主机器人平台通用化上加速生态合作，长期则取决于其能否与产业共同建立可验证、可复制的安全与工程体系。
从云端智能走向实体智能，关键不只是模型规模变大，更在于把充满不确定性的现实世界纳入可验证、可控制的系统工程。谁能在低时延、能效与安全可靠之间形成可复制的平台能力，谁就更可能在新一轮产业变革中占据主动。面向自动驾驶与人形机器人等前沿场景，夯实算力底座并完善协同生态，将决定物理智能走向规模化应用的速度与质量。