Arm Physical AI Framework 将集成推向机器人领域的主战场

Arm 推出了拥有 80 多家合作伙伴的 physical AI framework，押注机器人行业如今更需要共享基础，而非又一款孤立的处理器。

这项新计划结合了面向 Physical AI 的 Arm Total Design 与拟议中的 Robotics Capability Framework。前者连接技术栈中的各家公司，后者则为描述机器人的能力建立共同术语。

这项宣布不只是一个合作伙伴计划。Arm 正在挑战一种碎片化的开发模式：在这种模式下，机器人公司大多必须自行集成模型、传感器、软件、处理器和安全系统。

这一立场也让 Arm 与 Nvidia 形成对照，后者的 Jetson 硬件和 Isaac 软件已为开发者提供了高度集成的机器人技术栈。Arm 并非直接复制这一模式，而是围绕其处理器架构提出了一种更广泛、由合作伙伴主导的替代方案。

核心问题在于：共同接口和能力定义能否在不限制机器人厂商产品差异化的前提下，降低部署风险。

Arm Physical AI Framework 连接 80 多家合作伙伴

Arm 已将其在机器人领域的角色，从一系列处理器合作关系转变为一项有组织的行业计划。

该公司于 2026 年 9 月 8 日宣布面向 Physical AI 的 Arm Total Design。Arm 将 physical AI 描述为嵌入机器中的智能，使机器能够感知周围环境、做出决策并在现实世界中采取行动。

该计划包括 80 多家参与公司。已公布的成员涵盖云服务、AI 模型、汽车系统、半导体、工业软件和机器人等领域。

名单包括 AWS、ECARX、Hugging Face、Liquid AI、NXP、PlusAI、PSYONIC、QNX、Qwen、Siemens 和 Unitree Robotics。这种广泛性是 Arm 论点的关键。

机器人并不是把语言模型装进机械躯体。它需要感知、运动控制、传感器处理、网络、内存、安全控制以及可预测的响应时间。

每个组件都有不同的工程要求。规划模型可以容忍一定延迟，但紧急停机或平衡控制回路无法接受同样的延迟。

Arm 表示，其 physical AI program 将帮助合作伙伴共同构建和验证这些组件。目标是在公司投入最终芯片或量产硬件之前，暴露集成问题。

这一方法延续了 Arm Total Design——一种此前用于云基础设施的协作模式。在该计划中，合作伙伴将 Arm 计算子系统与专用芯片、固件、操作系统及其他技术相结合。

其 Physical AI 版本覆盖了更广泛的组件。Arm 将 AI 模型、软件栈、传感器、计算硬件、虚拟平台和数字孪生列为参与层级。

数字孪生是对实体系统或环境的软件化表示。开发者可借此测试代码和系统行为，而不必完全依赖成品机器。

Arm 指出，汽车数字座舱参考系统是这一开发方法的早期示例。Arm、AWS、Google、HERE、RemotiveLabs 和 Siemens 共同参与了该系统。

该项目让开发者能够在相应芯片上市前，利用虚拟 Arm Zena Compute Subsystem 构建并验证汽车软件。

这一细节说明了 Arm Total Design 背后的实际目标。等待硬件会拖慢机器人开发，并迫使复杂的集成工作集中到项目后期。

虚拟开发可以将部分工作前移。共享参考系统还可以揭示固件、操作系统、AI 模型和传感器能否按预期协同运行。

不过，仅有成员资格并不能建立互操作性。该计划仍需要可用的参考设计、可重复的验证方法，以及来自实际部署的文档化结果。

Arm 已聚集了一个庞大的群体。其下一项挑战，是将这个群体转化为机器人制造商可用的工程资产。

集成已成为瓶颈

Arm physical AI framework 将系统集成，而非原始模型智能，视为机器人原型与已部署机器之间的主要障碍。

近期的 AI 模型提升了机器人理解图像、语言和演示的能力。但这些进展并未消除已部署系统面临的物理约束。

仓储机器人必须足够迅速地推理，才能避开工作人员和设备。手术机器需要在严格安全要求下展现可预测的行为。农业机器人则必须在能源有限、连接不可靠的情况下运行。

这些系统不能将每项决策都发送到遥远的数据中心。网络延迟、断网、隐私要求和运营成本，促使更多处理工作转移到机器本地。

这带来了相互竞争的需求。开发者希望使用更大的模型、更多传感器数据和更长的运行时间；机器人仍受功耗、重量、内存、散热和电池容量等固定限制。

Arm 负责 Physical AI 的执行副总裁 Drew Henry 在分析师简报会上强调了这一差异。他表示，物理系统需要轻量化计算，因为重量会影响散热和子系统设计。

Henry 还表示，基于 Arm 的产品在上一年向 Physical AI 市场出货逾 20 亿台。该数据来自 Arm，尚未针对该计划接受独立审计。

该公司估计，到 2030 年代，Physical AI 每年可能带来 2,000 亿美元的计算机会。Arm 将采矿、农业、制造、运输和物流列为目标行业。

这一估计应被视为战略预测，而非当前市场收入。它的价值在于说明 Arm 为何希望现在组织这一市场。

机器人公司经常组合在不同假设下开发的组件。感知模型可能预期使用某一种加速器；安全控制器则可能采用另一种处理器和运行环境。

随后，中间件必须在它们之间传输数据。工程师还必须管理同步、内存使用、通信延迟、软件更新和硬件故障。

当每家供应商都采用不同的性能和自主性术语时，这项工作会变得更加困难。被描述为自主的机器人，在陌生环境中仍可能需要频繁的人类干预。

Arm 希望减少这两种形式的碎片化。Total Design 处理技术栈问题，而 Robotics Capability Framework 处理描述最终系统时所使用的语言问题。

这一时机也反映了竞争格局的变化。处理器供应商正日益将开发环境、参考平台和软件库与芯片一同销售。

客户并非孤立地选择一颗芯片，而是在选择完整产品到达测试、认证和量产阶段的速度。

Arm 的架构已广泛应用于许多嵌入式控制器和能效敏感设备。新计划试图将这一既有地位与更高层级的 AI 处理连接起来。

成功将让合作伙伴保留各自的专业产品，同时共享足够的基础设施以缩短集成周期。失败则会让客户面对另一个仍需大量定制工程工作的联盟。

这种差异将体现在可部署的参考系统中，而不是发布时展示的 logo 数量。

Robotics Capability Framework 尝试建立共同语言

Arm 拟议的机器人分级可能让系统更易比较，但前提是行业通过可衡量的运行条件来定义能力。

Robotics Capability Framework 是面向 Physical AI 的 Arm Total Design 下首批计划之一。Arm 将其定位为起点，而非已完成的标准。

其初始模型从 RL0 延伸至 RL5。这些类别从反应式机器逐步走向具备情境感知、认知和自我改进能力的系统。

Arm 希望将每个级别与机器人行为及技术要求联系起来。这些要求包括延迟、计算部署位置、内存、功耗、确定性和安全性。

确定性意味着系统能在已知限制内产生可预测的响应。当延迟或不一致的结果可能损坏设备或伤害人员时，这一点至关重要。

该框架的初始结构吸收了 Anaxi Labs、ANYbotics、FMC³ Robotics、Fourier、GALBOT、Gravis Robotics、Lenovo、McKinsey 和 Robotec.ai 的反馈。

Arm 正邀请更多公司参与完善该模型。这一邀请很重要，因为该框架在发布时并不具备独立标准机构的权威性。

该提案借鉴了 SAE J3016，该标准为驾驶自动化建立了分级。automation taxonomy 为汽车制造商、监管机构和消费者提供了共同词汇。

机器人的范围比道路车辆更广。工厂机械臂、人形助手、自动驾驶拖拉机和手术机器人，分别在不同条件下执行不同任务。

单一的能力阶梯必须考虑这种差异。否则，分级可能沦为缺乏足够运行含义的营销标签。

有用的分类需要明确任务和运行环境，还应说明何时由人类监控、批准、介入恢复或直接控制系统。

设想两台都获得高自主性标签的仓储机器人。其中一台可能只能在已映射的路线中工作，另一台则可以应对移动中的人员和不可预测的障碍物。

除非标签描述这些运行边界，否则它传达的信息很少。它还必须区分正常情况下的性能，与传感器故障、路线受阻和出现异常物体时的行为。

Arm 似乎意识到了这个问题。其框架将用例和行为与系统要求相连，而非将智能描述为一种抽象属性。

这种关联有助于采购团队提出更好的问题。买方可以在既定任务范围内比较干预率、响应限制、功耗需求和安全机制。

开发者也可以使用同一框架，将软件要求映射到硬件上。更高能力的系统可能需要本地推理、冗余传感、更多内存或更严格的时序保证。

该框架还可能揭示具有误导性的比较。针对某项受控任务优化的机器人，不应仅因适用范围较窄，就被排在通用机器之后。

其价值将取决于 Arm 如何定义每个级别。清晰的基准、故障条件和运行域，比从零到五的吸引人进阶更重要。

共同语言只有在让重要差异清晰可见时才有价值。

真正的竞争是生态系统模式，而非单一处理器

Arm 正以开放的合作伙伴网络，对阵已在塑造 Physical AI 开发的高度集成技术栈。

Nvidia 提供了最清晰的对照。其 Isaac 平台结合了仿真工具、加速库、AI 模型和用于机器人开发的参考工作流。

该公司还销售用于边缘计算的 Jetson 模组。Jetson Thor 采用 Nvidia 的 Blackwell GPU 架构，面向人形机器人、工业机器人、医疗系统和自主机器。

Nvidia 表示，Jetson 生态系统拥有超过 200 万名开发者，以及逾 150 家硬件、软件和传感器合作伙伴。该公司还称，Jetson Orin 已支持超过 7,000 家客户。

这些数字来自 Nvidia，但也显示出 Arm 面临的成熟度差距。Nvidia 已经提供了一条清晰可辨的路径，覆盖从训练和仿真到设备端推理的全过程。

其 Jetson Thor 平台 配备 128 GB 内存，在 130 瓦功耗范围内可提供最高 2,070 FP4 teraflops 的性能。

Nvidia 称，Thor 的 AI 算力最高可达 Jetson Orin 的 7.5 倍，能效则提升 3.5 倍。这些对比反映的是 Nvidia 自身的测试结果。

更广泛的优势在于整合能力。开发者可在各个开发阶段使用用于机器人技术的 Nvidia Isaac、用于仿真的 Omniverse、面向人形机器人的 GR00T 模型，以及基于 CUDA 的工具。

Arm 提供的是另一种方案。其指令集架构和处理器设计可支持从小型控制器到汽车及服务器系统等各类产品。

合作伙伴可以加入自己的处理器、加速器、固件、操作系统和模型。这种灵活性能够降低对单一垂直整合供应商的依赖。

但它也可能带来更多集成工作。只有当生态系统中的组件能够协同运行、无需每位客户重新搭建连接时，合作伙伴生态才能取得成功。

Arm Total Design 试图通过协作和参考解决方案来解决这一问题。该计划为供应商提供了一个平台，让他们能在客户组装系统之前验证各类组合。

这种差异类似于构建机器人平台的两种路径。

其中一种提供由核心供应商控制的高度整合套件。另一种则建立共同基础，同时允许多家供应商在各个层级展开竞争。

整合式路径可以简化采购和开发流程，但也会让技术选择、工具链和优化工作集中围绕一家公司的路线图展开。

由合作伙伴主导的路径提供更多选择，但也面临协调速度较慢、文档质量不一，以及组合系统发生故障时责任归属不清等风险。

Arm 并不需要让所有机器人工作负载放弃 Nvidia。未来许多机器都可以同时采用 Arm CPU、Nvidia 加速器或其他专用处理器。

多家已宣布参与的企业本就与相互竞争的计算平台合作。Siemens、AWS 和机器人制造商通常都支持多种硬件环境。

这种重叠使竞争不像传统处理器之争那样排他。更深层的问题在于：谁来定义围绕实体 AI 的接口。

如果 Arm 的接口得到广泛采用，组件供应商就能基于共享架构和能力语言进行开发。客户随后可以替换部件，而无需重新设计整个系统。

如果 Nvidia 的整合式软件仍然更容易部署，客户可能会更看重完整技术栈，而非供应商选择的灵活性。

因此，Arm 竞争的是对系统设计的影响力。处理器出货量为其提供了基础，但可用的软件和经过验证的集成方案将决定其议价能力。

编号机器人等级带来熟悉的风险

能力阶梯可以改善沟通，但也可能让买家误以为更高编号就代表更安全或更优秀的机器人。

Arm 最有力的类比，也是最明确的警告。SAE 自动化等级帮助统一了术语，但其使用也持续引发混淆。

这些等级描述的是某项驾驶功能所启用的自动化程度，而不是为整辆车赋予一个永久不变的智能评分。

公众讨论往往会抹平这种细微差别。更高的数字会成为技术成熟度、安全性或商业化准备程度更高的代名词。

IEEE 技术与社会社区发表的研究详细讨论了这一问题。其 对等级体系的批评 认为，编号类别可能暗示了一条通往完全自动化的简单路径。

该批评还指出，处于同一驾驶等级的系统可以在截然不同的环境中运行。一辆在限定区域内运行的接驳车和一辆道路车辆，尽管面临不同约束，仍可能获得相似标签。

机器人技术让这一问题进一步放大。机器在移动能力、操作能力、感知、规划、通信以及人机交互等方面存在差异。

一个系统可以在某一维度表现出色，却在另一维度表现不佳。一台仓库机械臂或许能精确操作物体，却始终固定在受防护的工作单元内。

一台移动机器人或许能在繁忙场地中导航，却只能搬运简单货物。用一个数字描述其中任何一种机器，都可能掩盖的信息多于揭示的信息。

RL5 还带来另一项风险，因为 Arm 用自我改进来描述这一类别。在它能够支持工程或采购决策之前，这一术语需要明确边界。

买家需要了解哪些内容会变化、学习发生在何处，以及由谁批准更新后的行为。他们还需要回滚程序，以及新行为仍能保障安全的证据。

能够调整路径规划的机器人，与在人类附近改变操作策略的机器人并不相同。按照宽泛定义，两者都可能被视为具备自我改进能力。

因此，Arm 的实体 AI 框架应将能力等级视作由详细档案支撑的摘要。档案必须明确任务、环境、故障处理方式和人类责任。

独立评估同样重要。供应商不应仅凭自身声明就获得具有商业价值的标签。

该框架还需要治理规则。Arm 尚未说明谁将维护定义、解决争议或认证一致性。

目前仍不清楚，该倡议最终会成为由 Arm 管理的规范、行业联盟，还是提交给正式标准化流程的一项提案。

这种不确定性并不意味着这项工作毫无意义。早期框架往往始于一群面对共同问题的公司之间的工作协议。

不过，采用不应与验证混为一谈。超过 80 家参与组织表明其对协作感兴趣，并不意味着它们已就最终技术标准达成一致。

同样的区别也适用于 Arm 的市场预测。庞大的预期计算机会并不能证明哪些机器人能够实现盈利部署。

实体系统还面临维护、责任、能源、耐久性和工作场所集成成本，而这些是软件基准测试很少能捕捉到的。

Arm 可以减少部分工程摩擦，但无法取代针对特定应用的安全分析或现实世界测试。

当该框架能够阐明这些边界，而不是将其压缩为一个吸引人的数字时，它才会赢得可信度。

三个信号将显示 Arm 的押注是否奏效

下一阶段取决于参考系统、可衡量的能力定义，以及客户能否更快部署多供应商机器人的证据。

第一个信号是一组可运行的参考设计。Arm 需要更多类似其虚拟汽车座舱项目的案例，但应直接聚焦机器人技术。

一套有价值的参考系统应连接传感器、实时控制、AI 推理、安全功能、固件和仿真，并说明每一层由哪些合作伙伴提供。

开发者应能复现该设计，或无需私下进行集成工作即可加以调整。公开的性能结果将使这项协作更易于评估。

这一信号将强化 Arm 的论点，因为它能将合作伙伴身份转化为可用的工程路径。延迟发布或仅进行闭门演示则会削弱这一论点。

第二个信号是详细的 Robotics Capability Framework。最终定义应明确任务、运行环境、人工监督、时间限制和故障行为。

Arm 还应说明 RL0 至 RL5 是否构成严格的渐进体系。对于复杂机器，多维能力档案或许比单一总体评分更合适。

治理同样重要。市场需要了解由谁更新该框架，以及独立机构能否测试一致性。

一份具备广泛技术参与的透明规范将增强该提案的说服力。若标签主要通过 Arm 的营销渠道控制，其权威性将受到限制。

第三个信号是来自生产部署的证据。客户应报告更短的集成周期、更少的兼容性故障，或从仿真到成品硬件之间减少的重新设计工作。

这些结果比合作伙伴数量更难衡量，但也更贴近 Arm 所称正在解决的问题。

分析师 Larry Dignan 指出，Arm 正在将其历经数年构建的实体 AI 布局正式化。他的 生态系统分析 将该倡议视为 Arm 连接云端、边缘和实体系统努力的一部分。

这一战略为 Arm 提供了可信的起点。软件可以在云端开发，通过虚拟平台测试，再部署到基于 Arm 的边缘硬件上。

然而，架构覆盖范围并不能保证一致的开发者体验。机器人团队将通过文档、工具、调试流程，以及组件同时发生故障时获得的支持来评判该计划。

Nvidia 的回应将提供有益背景，但并非唯一衡量标准。机器人制造商可以同时使用两种生态系统，许多企业也会为不同子系统选择不同技术栈。

更有力的检验在于，Arm 是否能让多供应商开发显得有意为之，而非临时拼凑。这需要在整个技术栈中建立稳定的接口和清晰的责任归属。

开发者应关注可下载的参考实现、公开基准测试和具体的验证方法。买家则应询问能力等级如何映射到自身的运行环境。

他们还应将公司预估与实际部署结果区分开来。无论是预期计算需求还是庞大的合作伙伴名单，都无法保证机器具备可靠性。

Arm 的实体 AI 框架指出了一个真实问题。机器人技术确实需要在模型、软件、传感器、芯片、控制系统和安全流程之间实现更好的协调。

其解决方案仍是一项正在构建中的提案。Arm Total Design 提供联盟基础，而 Robotics Capability Framework 则提供一种可能的共享语言。

未来几个月，最有价值的问题不是又有哪家公司加入，而是参与企业是否会发布工程团队能够构建、测试并信赖的成果。

如果你开发或采购自主系统，应密切研究首批参考设计。它们是否揭示了可衡量的权衡，还是仅仅连接了合作伙伴产品？

然后，应根据实际运行条件审视能力定义。一个有用的框架应让采购和风险决策更加准确。

Arm 已向行业开放了这一过程。最终决定机器人行业是否采用这些规范的，将是规范本身的质量，而非发布公告的规模。