人形机器人，需要多少算力？

作者 | 山竹

出品 | 锌产业

作为人形机器人的铁粉，黄仁勋这两天又放了一个大招：

算力高达2070TFLOPS的端侧算力Jetson T5000，专为人形机器人打造。

至此，造芯片的黄仁勋，又将人形机器人的端侧算力拉升到了一个新高度。

一个在不依赖云计算情况下，可以在本地执行更多AI推理计算和多模态传感器数据实时工作处理的高度。

这意味着，模型侧和传感器上的最新产研成果，在人形机器人上有了更快落地的可能。

这是我们看到的，2000多T的端侧算力，能为人形机器人产业带来的好处。

当然，这更多类似数学推导公式，是理论上的可行。

那么，实际上，现在的人形机器人又需要多大的算力？

01无人不喜机器人

作为几乎所有科技产品的终极形态，机器人，尤其是人形机器人，在科技领域的地位是绝无仅有，也让很多科技大佬神往。

这其中，有两位科技大佬对人形机器人的推崇，直接让原本处于边缘地带的人形机器人，飙升到了如今科技领域的头牌。

一位是科技狂人马斯克，那个成功发射了商业运载火箭、搞出了卫星互联网、研发了自动驾驶汽车，同时还在搞脑机接口的“造物主”。

在2021年的首届AI Day上官宣要进入人形机器人领域后，仅用一年就造出了人形机器人原型机。

由于马斯克创造了太多奇迹，做成了太多大家想都不敢想的事，当他官宣要造人形机器人时，直接将人形机器人这一经历过诸多坎坷的概念，重新拉回到了历史舞台中央。

另一位则是掌管着全球第一家4万亿美元市值公司英伟达的创始人，黄仁勋。

黄仁勋是一个铁腕管理者，同样也是一位对技术极为敏感的企业家，在英伟达的企业发展史上，黄仁勋在技术萌芽期相信过两个重要技术趋势：

一个是人工智能，在深度学习还没成为潮流的2014年，黄仁勋就关注到了人工智能，并相信人工智能就是未来。

于是，英伟达设计的GPU在随后几年里成了那些美国老教授训练神经网络的利器，黄仁勋甚至在GTC 2015上直接喊话，“我们不是硬件公司，我们是AI公司。”

人工智能就此被写入了英伟达的企业战略。

另一个正是机器人，英伟达面向机器人领域研发的Jetson系列计算平台，远早于这波人形机器人浪潮。

英伟达第一代Jetson系列计算平台，是2014年发布的Jetson TK1，作为Jetson系列计算平台首款产品，Jetson TK1的发布成了英伟达面向嵌入式AI和机器人领域战略转型的起点。

在这之后的十年里，我们看到，英伟达Jetson系列平台持续演进，从最初不到1TFLOPS算力的Jetson TK1，一直演进到了如今拥有2070 FP4 TFLOPS算力的Jetson AGX Thor。

在此过程中，Xavier、Orin、Thor又成了英伟达在机器人产业中浓墨重彩的三代计算平台。

以Jetson AGX Xavier为例，京东和美团就曾基于这一产品打造了自家的物流配送机器人，主流工业机器人厂商如发那科这样的企业，同样有采用这款产品打造工业机械臂。

随后，拥有100 TFLOPS算力的Orin系列产品，更是成了如今国内诸如智元、宇树等企业人形机器人明星产品背后的AI算力平台。

从某种意义上来看，如果说马斯克让全世界看到了人形机器人的商业价值，那么，黄仁勋则是一步步拔高了机器人算力平台的性能，让人形机器人在端侧有了越来越强的算力平台可用。

不过，即便是对机器人如此偏爱的黄仁勋，也依然觉得机器人这个概念不够性感，至少在现在来看已经不够独特，所以，黄仁勋造了一个新概念——物理AI（Physical AI）。

相较于英伟达现在在虚拟世界里的绝对霸主地位，物理AI也体现了黄仁勋更大的野心。

02既要大算力，也要小模型

人形机器人需要多少端侧算力？

这是我在过去这几个月和行业里专家聊天时，都会提到的一个问题，当然，也是一个注定不会有统一答案的问题。

从目前市面上人形机器人搭载的端侧算力来看，大都是在100-200T。

这倒不是因为100T的算力是人形机器人的顶配，而是这样的算力对于现在的人形机器人而言，已经完全够用。

关于人形机器人的技能，现在倒是有一个共识，那就是，人形机器人依然停留在执行抓取、分拣这样的简单动作，在具身模型加持下，正在不断突破长程任务的执行。

训练、执行这样的任务，100T的算力做AI推理已经基本够用。

如果要涉及更复杂的多传感器数据处理与融合计算，以及更大参数规模的端到端模型的运行，100T算力就显得有些捉襟见肘，而以往的方法是启用云端算力。

当然，还有另一个思路，一个必然是未来主流技术路径的思路——将端侧模型做得更小。

就在前不久，机器人界的网红波士顿动力在网上公布了Atlas的近况视频，采用端到端LBM模型的Atlas已经能够在加入各种干扰情况下，很好地执行抓取、分拣、折叠等任务。

据波士顿动力官方透露，此次LBM模型采用的是基于Transformer架构的4.5亿参数规模的模型，结合流匹配目标，就可以将包括30Hz图像、人体感觉、语言指令等输入信息转化为控制Atlas运动的动作指令。

相较于动辄十亿、百亿参数规模的大模型，4.5亿参数规模只能算是小模型，而这样的小模型在计算负载上带来的减压，让人形机器人有更多算力用于实时数据采集和处理。

实际上，不只是波士顿动力，即便是不断在提升计算平台算力上限的英伟达，也在积极主张端侧小模型这条路子。

英伟达研究员在近期发布的一篇标题为《小模型是智能体的未来》的论文中就指出，小模型通过优化硬件资源和智能体规划设计，可以更高效地执行智能体任务。

在大部分智能体执行任务时，智能体需要大模型进行工具调用、任务拆解、流程控制、推理规划等操作，而其执行任务时，往往并不需要大模型来执行简单重复的任务，而是为每个子任务选择合适的工具。

英伟达研究员认为，与其用通用大模型处理这些任务，还不如将多个经过专业微调的小模型执行每个特定任务。

这样的方法自然也适用于当下对算力有着独特需求的人形机器人领域。

这样的思路听上去也很“波士顿动力”，好似又回到了程序化的“定式”里，但却是大模型范式下的“程序化定式”。

而在推理调度不断优化、大模型推理系统持续模块化发展的未来，这一范式也不失为未来十年，人形机器人产业化落地一条必不可少的先导路径。