当感知、推理、决策与实时执行在物理世界中连成一个闭环，算力竞争的主战场就开始逐步从云端数据中心，下沉到面向物理AI（Physical AI）的边缘端设备。日前，在与AMD大中华区嵌入式事业部副总裁酆毅（Bob Feng）对话中，当被问及“AMD在这一轮技术迁移中处于何种位置？”时，他的回答相当简短——“Body-To-Brain，从身体到大脑。”
AMD大中华区嵌入式事业部副总裁酆毅（Bob Feng）
从“更强的模型”到“更快的行动”
所谓物理AI，是指将AI模型嵌入硬件或与其紧密连接，从而构建“具身认知”的技术。这是一种综合能力，包括实时自主性、多模态交互、情境感知，有时还包括语义理解。但人们也许会问，物理AI为什么可以被称作AI发展的“下一阶段”，而非又一个全新概念？
“这完全不是概念，它是一个真真实实正在发生的事情。”酆毅列举了两个正在发生的实例：市场上越来越多的机器人产品，以及自动驾驶从L2向L3的跨越——北美如此，中国同样如此。
在他看来，物理AI与传统AI的区别，不在于谁比谁更聪明，而在于能否形成AI闭环。
简单来说，传统AI更像是数字世界里的问答交互：你提问，它作答，结果停留在屏幕上，不存在一个被完全掌控的回路。而物理AI恰恰相反，其最核心的特点除了对延时和执行层有更严苛的要求外，词元（Token）的覆盖边界也从单纯的文本，拓宽到了视觉、语音、行为，况且在这之上还有执行层。
这意味着，只有当AI能够把推理能力落实到物理世界的实际行动之中，这套“感知—推理—决策—执行”的完整AI闭环才得以真正形成。
即便与传统的工业机器人相比，本质差异同样明显。几十年的自动化行业属于“按剧本执行”：每一步指令都由人类预先写好，机器严格复刻执行。而自主机器人仅需要接收最终目标，中间过程没有预设脚本，全部依靠机器人自主推理完成。酆毅认为，这正是“第四次工业革命”里最核心的特征——传统AI此前停留在数字世界、依托云端运行；如今则必须跨越物理世界，才能实现闭环。
产业侧的判断也在加速。AMD董事会主席兼CEO苏姿丰（Lisa Su）博士此前在CES 2026演讲时曾指出，物理AI是“技术领域最艰巨的挑战之一，要实现这种智能，需要采用全栈式方法。”在随后的Advancing AI 2026年度大会上，AMD方面预测，到2035年，全球物理AI芯片市场规模将达到2000亿美元，未来十年行业将迎来指数级增长。
于是，行业的注意力开始从“AI模型还能变多强”转向“AI系统何时能实现规模化部署”。当“该不该做”不再是问题，“用什么算力支撑”就成了下一个问题。
机器人，一台并行异构系统
数据中心里，AI的竞争一度被简化为一张显卡参数表：堆算力、堆带宽，功耗与延时可以暂时搁置，但物理世界并不接受这套规则。一台机器人必须在一个极度受限的功耗、散热与物理空间里，同时完成感知、规划、推理、导航和实时控制——这些负载性质迥异，运行逻辑却必须严丝合缝。
“泛化能力”的讨论放大了这种复杂性。
酆毅并不认同“泛化等于无限堆算力”的看法。他指出，以熟知的GPU为例，它只代表闭环系统里的一部分推理和感知能力；调度、执行、安全、延时控制这些环节，反而对CPU的算力要求提出了更高的要求。况且在机器人场景里，任务也很少由单个智能体独自完成——当几十甚至上百个智能体同时工作时，CPU身上就承担着重要的编排与调度职责。
就在接受采访的前一天，酆毅在香港科技园举办的一场物理AI研讨会上也听到了类似的讨论，“数据集最重要，但一定不能是严格受控环境下的数据集，否则机器人学到的行为必然是受限的。”因此，他把“泛化”理解为对机器人“自主思辨能力”的追求，而追求越深，对计算架构的要求就越苛刻。
为了便于理解，他套用大模型工具的迭代轨迹进行类比——2025年是通用对话式AI的时代，进入2026年就已经是复杂智能体的时代了。如果顺着这条轨迹看待物理AI，很快就会明白，“靠独立架构拼凑出来的系统，在实现闭环上会持续遇到挑战，必须得拿出一个更创新的架构。”
异构计算，适合的才是最好的
当机器人被拆解成一组异构负载，芯片选型的逻辑就不再是“谁TOPS高买谁”。AMD的视角，是让每种处理器各归其位。
- CPU是系统的协调者，负责任务调度、规划、控制与各子系统协同；
- GPU承担视觉感知和复杂AI推理，考虑到AI模型持续存在、迭代、演进的特点，需要具备“Day 0能跑最新模型”的能力；
- NPU接手持续、低功耗的AI推理，比如Transformer模型前端的CNN预处理，这类负载对延时与功耗敏感，且需要不间断运行；
- FPGA则站上传感器融合的位置——激光雷达在3D建模中的作用难以替代，从算力角度看，必然要处理来自不同传感器的融合数据。
“对机器人开发来说，真正重要的不是某一个单一指标，而是要在性能、功耗、实时性和可靠性之间找到最佳的平衡。”酆毅说，从AMD的角度来看，让不同的处理器能够有效协同，为不同的负载提供最适合的计算能力，才是最大的挑战。
今年2月，AMD面向全球177名机器人开发者开展专项调研，算力的确定性、开放无锁定的架构、以及统一平台适配全品类机器人，成为当前行业的三大核心诉求。而峰值TOPS算力，恰恰是这份清单里缺席的名字。
调研显示，可预测、稳定的时序延迟性能，其重要性等同于峰值算力。受访企业普遍表示，实时控制闭环的时序可预测性，是机器人稳定运行的核心基础。与此同时，封闭的专有硬件与软件生态，会大幅抬高长期的迭代与开发成本，无厂商绑定的开放平台会更受青睐。
在此基础上，通用机器人厂商还更加看重平台在功耗、散热、实时时延约束下的实际可用性能。他们期望通过一套硬件方案兼容各类机器人形态，从而有效降低多产品线的开发成本。
其实，在AMD给出的架构答案里，还有一个被反复提及的关键词——统一内存架构。不同算力单元各自拥有独立内存，意味着数据要不断拷贝与搬运，时延随之而来。为了能够有效进行交互，统一内存架构设计是绕不开的路径。酆毅说，AMD在这一领域深耕已久——新一代机器人平台上，CPU、GPU甚至NPU三方都可以共享内存。
从“身体”到“大脑”的飞跃
这套“适合的计算”哲学，落实到AMD身上，便是一条从机器人的“身体”走向“大脑”之路。
在机器人领域，AMD其实有着长达20余年的底层芯片研发积淀，全链条技术覆盖了从整机大脑、机身躯干、机械关节，到整机底层驱动与基础功能安全、传感器融合、信号调理与前端安全预处理的几乎全部核心需求。Advancing AI 2026上，面向实体智能设备的物理AI全套软硬件生态方案的推出，更是把AMD产品线的重心从“身体”推向了“大脑”。
新发布的锐龙AI嵌入式X100系列处理器，单颗SoC集成16个Zen 5核心（32线程）、40个计算单元的RDNA 3.5 GPU和50 TOPS XDNA 2 NPU，支持128GB统一内存，-40℃到105℃工业温度，并承诺10年以上生命周期支持——这些指标指向同一个词：工业级。按AMD口径，其Token生成吞吐与首个Token时延（TTFT）相对上代分别提升了3.5倍和1.4倍。
真正承载“从身体到大脑”战略的，是Kria AI SOM与Kria AI机器人开发者平台。前者采用开放标准COM-HPC外形，每秒可做出超过8000次确定性控制决策，视觉-语言-动作（VLA）模型推理低于100毫秒——“Day 0能跑最新模型”因此有了工程上的落脚点；后者把SOM、载板、评估套件、软件套件和验证过的参考设计打包成从开发到部署的完整路径。
AMD Kria AI机器人开发者平台
“把它想成一个人体就更清楚了：大脑负责计算，脊椎负责通信，传感器、关节各司其职——这是一个完整的体系。”酆毅用这个比方来解释AMD的平台架构。把感知、推理、决策、控制放进统一平台考虑，是AMD首次明确提出“Body-To-Brain”的思路。他强调，这并非要卖某款单一产品，而是覆盖计算平台、开发平台、软件栈和开放生态的一整套方案。
当然，平台化的价值不止于技术。酆毅提到，当开发者靠独立显卡加外部CPU拼凑系统时，供应链就会成为瓶颈。“大量离散元件的使用，从供应链的角度上来讲，本身就是一件非常困难的事情。”而统一平台的出现，同时压低了开发成本与适配成本。未来，无论人形、轮式机器人，还是机械臂，都可以借用同一套底座进行开发。
规模化落地的真正门槛
硬件能力讲得再热闹，也绕不过一个事实：物理AI从论文走向产线，卡住的往往是软件。谈起“硬件指标”，酆毅的态度相当冷静，“TOPS这个数字本身是很干的，它意味着什么，你并说不清楚。”
真正有意义的刻度，是部署效率。他给出的理想场景是：上线当天，用户从开源模型社区里下载最新的机器人模型——比如Pi 0.5、1.0这类VLA模型——完成部署，跑出有效的Token吞吐与TTFT。“如果能够在Day 0有效地部署多个智能体、多个模型在你的平台上，要比CPU有多少KDMIPS有意义得多。”
这也是AMD把大量精力投向软件栈的原因。X100与Kria平台由Linux、ROCm、ROS 2等开放软件栈支撑，兼容PyTorch、ONNX、TensorFlow与MoveIt。对存量CUDA代码，AMD的工具链允许开发者保留最高75%的现有代码迁移到ROCm。
面对开发者被单一生态锁定的疑虑，酆毅的回应只有两个字：开源。“Kria AI机器人开发者平台里，所有的硬件设计和基础软件的框架都是开源的。”
为此，AMD成立了物理AI开发者平台论坛，目前已汇聚30多家生态合作伙伴；面向产业链的AMD机器人合作伙伴网络（AMD Robotics Partner Network）则采取模型无关（model-agnostic）策略，免费开放注册，把传感器、仿真、中间件、系统集成商拉进同一个圈子。
在酆毅眼中，诸如“胜负手”这样的竞争性词汇，是不足以概括物理AI生态的。“它是一个必须的路径，是不可或缺、不可绕过的一个路径。“如果一定要说，那物理AI的胜负手，不在某一家公司的芯片，而在整个生态能否把AI从数据中心真正带进现实世界。
结语
人形机器人并不是新故事——2015年波士顿动力（Boston Dynamics）公司的机器人就在极客圈掀起过浪花，可惜没能真正走进行业；今天，特斯拉与中国企业把部署成本压到了可落地的区间。未来一两年，物理AI将快速走出概念验证、进入产业化阶段，届时被反复拷问的，是部署的速度、安全与成本。
而AMD想被行业记住的角色，还是酆毅说的“Body-To-Brain”。
