作者 ｜ Janson
编辑 ｜ 志豪

一、Arm统一汽车、机器人赛道 给机器人划“L0-L5”

二、虚拟原型平台再扩张 芯片还没出来，软件就能先写了

三、Arm回应车企自研芯片、L4算力等问题

结语：Arm深入布局物理AI

车东西9月11日消息，日前，Arm在上海举办Arm Everywhere China年度大会，公布了其在物理AI领域的最新布局。

整体来看，这次Arm干了两件比较重要的事。

首先是Arm把Arm Total Design生态项目扩展到了物理AI领域。该项目目前已经拉来了80多家合作伙伴，涵盖芯片、AI模型、操作系统、传感器、虚拟平台、数字孪生等多个环节。

其次，Arm还提出了一套机器人能力分级框架（Robotics Capability Framework），想给机器人行业做一套类似自动驾驶SAE分级的统一标准。

在物理AI真正落地的过程中，汽车已经成为Arm最先跑通协同开发模式的行业之一，目前来看，这套体系也要快速复制到具身智能上了。

按照Arm的定义，物理AI并不只是现在大火的人形机器人，自动驾驶汽车同样是其中重要一环。

毕竟，自动驾驶和机器人面对的问题越来越像：都要处理传感器输入，都要运行AI模型，还要完成实时控制，同时对安全、功耗和计算延迟有很高要求。

因此，Arm这次搭建的物理AI生态，也基本覆盖了一套完整的技术栈。

首批80多家合作伙伴中，包括AWS、亿咖通、Hugging Face、Liquid AI、恩智浦、智加科技、QNX、通义千问、西门子等。

不难看出，Arm想干的事情，是把芯片、软件、模型、传感器等厂商提前拉到一起，减少汽车和机器人开发过程中反复适配的问题。

除了底层计算平台，Arm还盯上了机器人行业现在比较乱的分级标准。

自动驾驶行业有大家熟悉的L0-L5，但机器人现在还没有一套被行业普遍接受的能力分级。

▲Arm机器人能力框架示意图

Arm因此提出了Robotics Capability Framework（机器人能力框架）。

从目前公布的方案来看，机器人能力被分成RL0-RL5六个等级，从最基础的Reactive（反应式），一直到RL5的Self-improving（自我改进）。

这套框架还会把机器人在现实场景中的表现，与计算延迟、算力部署位置、内存、功耗、安全性等系统要求对应起来。

目前傅利叶、银河通用、ANYbotics、联想等企业都参与了这套框架的讨论。

事实上，虚拟原型平台这套模式Arm已经先在汽车上跑了一遍。

Arm联合AWS、Google、HERE、RemotiveLabs和西门子，做了一套数字座舱参考方案。

其中比较关键的一点是，汽车芯片还没有真正就绪，开发者就可以提前基于Arm Zena CSS做软件开发、测试和验证。

现在一款汽车涉及的芯片、操作系统、中间件和上层软件越来越多。如果所有软件都等芯片流片之后再开始适配，开发周期会被拉得很长。

Arm现在的思路，就是把硬件和软件开发尽可能往前并行。

这其实也是Arm近年来一直在推CSS，也就是计算子系统的原因。

相比过去单独卖CPU、GPU IP，CSS会把CPU、GPU、系统IP以及部分软件和验证工作提前整合起来，让芯片厂商拿到一个更完整的计算平台。

▲Arm合作伙伴

值得注意的是，这套思路并非孤立存在。Arm认为，AI正在从云端一路延伸到边缘和物理世界，未来需要的是覆盖云、边缘和物理设备的一套连续计算平台，而不是依靠某一个单独的AI加速器解决所有问题。

活动现场，包含车东西在内的多家媒体与Arm物理AI业务拓展副总裁Dermot O’Driscoll、Arm物理AI产品管理高级总监Tom Conway进行了交流。

▲物理AI业务交流现场

以下是部分问题节选，车东西在不改变原义的基础上进行了摘编。

Q1、此次Arm没有发布面向物理AI的新产品，未来在这一领域会有专门的芯片或IP吗？

Tom Conway：本次活动没有发布物理AI新产品的计划。不过，我们正在持续加大投入，开发专门面向汽车和新兴机器人市场的产品和解决方案，相关工作仍在推进中，会在合适的时候分享更多信息。

Q2、现在越来越多车企开始自研芯片，Arm怎么看这一趋势？汽车芯片还有多大的创新空间？

Tom Conway：确实，一些企业正在进行垂直整合并自主设计芯片，我认为这一趋势还会持续。

随着AI和智能体AI进入汽车，从用户界面、人机交互到ADAS和感知，对算力优化和系统设计都提出了新的要求。因此，企业仍然会有开发定制芯片、打造差异化产品的需求。

Arm此次推出的面向物理AI的Arm全面设计生态项目，也希望帮助这些企业提高芯片开发效率，更快把产品推向市场。

Q3、汽车和机器人在技术上到底有多大的复用空间？现在机器人会直接使用汽车芯片吗？

Dermot O’Driscoll：汽车和机器人所需的实时技术有很高的重叠度。两者都会使用类似的激光雷达、雷达等传感器，需要处理大量实时数据，并快速作出响应。

感知和规划也是汽车、机器人共同需要的能力，此外还有交互智能，也就是人与汽车或机器人进行自然交互的能力。

目前市场上专门面向机器人的芯片还比较少，大多数企业仍然在机器人产品中使用已有的汽车芯片解决方案。随着市场规模扩大，未来会出现更多机器人专用芯片，一部分由机器人企业自主开发，另一部分则可能来自Arm生态合作伙伴。

Q4、汽车从L2+走向L4后，计算架构会发生什么变化？车上的芯片是会更多还是更少？

Dermot O’Driscoll：首先，汽车计算正在从分散式架构向中央域控制器集中，因此中央计算芯片需要更强、更复杂的算力，单颗芯片的价值也会提高。

其次，从泊车、高速领航辅助进一步走向城区自动驾驶甚至完全自动驾驶，ADAS的计算需求可能增加一倍以上，部分场景甚至达到现在的4倍。

Tom Conway：我认为，算力需求增长带来的芯片价值提升，会超过架构整合带来的芯片数量减少。未来处理器或独立芯片的数量可能减少，但每颗芯片承载的价值会提高，整车芯片和传感器的整体价值也会继续增长。

过去Arm最强的基本盘是手机，现在它正在明显把触角往汽车、机器人这些物理AI设备上伸。

而且Arm这次不只是在卖CPU IP，而是开始把计算平台、软件工具和生态伙伴一起打包。

汽车已经成为这套模式最早落地的行业之一。

接下来随着自动驾驶和机器人对AI算力的需求继续增加，Arm、英伟达、高通以及一批汽车芯片厂商之间的竞争，很可能也会从“谁的芯片算力高”，逐渐变成“谁能把整套软硬件生态搭得更快”。