Physical AI系统设计，困难重重

（本文编译自Semiconductor Engineering）

物理人工智能（Physical AI）有望使从机器人到各类移动边缘设备的一切变得更具交互性和实用性，但它将显著改变系统的设计、验证和监控方式。

物理AI系统既需独立运行，也需协同工作。它们需要具备快速在本地做出决策的能力，通常比其他类型的人工智能耗能更少，并且比目前许多大型AI系统更加专注。同时，它们还需要能够在必要时利用云端几乎无限的处理能力，并根据可能不足的数据实时做出概率选择。此外，当与代理AI结合时，这些设备需要能够使用并非总是精确的自然语言和手势指令与人类进行交互。

过去，这些领域在很大程度上是相互独立的，而衔接这些不同领域将给芯片设计团队带来一系列新的挑战。他们需要全面了解从必须融入物理设计流程的人工智能算法，到芯片架构所面临的独特需求等方方面面的内容。他们还需要了解如何利用AI驱动的工具进行优化、布局和布线，以满足更严格的功耗、性能和面积约束，并处理极端的MAC计算、大规模并行计算以及多种类型存储器的集成。

Cadence高级产品营销部总监Mick Posner表示：“过去几年，我们听到了很多关于AI的讨论，但大多集中在数据中心方面，我们知道AI分为两个方面，即训练和推理两部分。物理AI将AI处理转移到边缘和终端设备，而物理AI的定义，在于你与AI的交互。这类场景对延迟敏感，需要AI快速做出决策。因此数据处理必须在终端设备、在边缘端完成。”

实现物理AI需要许多技术支撑。其中之一就是自然语言处理。“你对机器人说‘我想让你帮我拿一杯牛奶。’它需要准确理解这句话的含义，这就要求终端运行大语言模型，”Posner表示，“而物理AI的‘物理属性’体现在行动执行上——也就是机器人‘从冰箱里取出牛奶’的具体操作。类似地，在航空航天与国防领域，目标检测、目标捕获等任务也需要实时完成数据处理，才能满足应用需求。”

图1：物理AI系统横跨多个市场。

（图源：Cadence）

对于物理AI硬件，存在AI视角和通用硬件视角。“物理AI硬件可以从两个角度来思考，”新思科技移动、汽车和消费IP产品管理执行总监Hezi Saar指出，“首先是适应AI算法或AI机器变化的能力。这包括设备上可能需要进行的所有学习，例如流水线如何工作、如何预处理数据、如何以最佳方式利用资源以及系统如何高效运行且不崩溃。所有这些都需要深思熟虑，这非常困难，因此留出足够的余地并采用多种方法来适应变化非常重要。”

物理AI通常被视为边缘计算的一个子集，但二者存在本质区别。Saar表示：“与人类或环境的直接交互是物理AI的独特之处。”边缘AI连接到云端，且部署于终端设备。物理AI同样位于终端设备上，拥有超越常规边缘AI的独特功能。以通用人工智能（AGI）为例，初期在手机等设备中以AI助手形式存在时，其交互主要依赖软件功能——我们可以通过语音或文本向助手发出指令，获取所需反馈。但当提及‘物理’属性，物理AI可关联多种应用场景，它包含实体组件，能够接收环境信息或对环境产生影响。在物理领域，自动驾驶出租车就是典型案例，机器人与无人机也具备类似特性，能够接收环境输入或通过输出作用于环境。我们创建的AI智能体多为软件形态，而物理AI智能体则是实体存在，能够为人类完成具体工作。未来的关键转变在于社会层面的接纳度——整个社会将如何融入这一技术，人们又将如何接受这类实体智能体。”

物理AI最初应用于工业应用场景。“以工厂为例，假设有多台熔炉需要定期维护和监控，”西门子EDA芯片验证与EDA人工智能产品负责人Sathishkumar Balasubramanian介绍道，“过去，工作人员需要亲自爬上梯子检查设备状态。而借助物理AI，我们可以在故障发生前进行预测，或基于强化学习、过往经验以及传感器监测到的各类数据，预判维护周期。通过分析数千种参数组合，我们能够确定特定配置下可能导致故障的因素，或判断预防性维护的最佳时机。物理AI能够实时监控并获取数据。几乎所有潜在问题都能通过物理AI提前预判。物理AI的核心目标是提升人类的生活体验，既包括终端产品的使用体验，也包括使用者的工作体验。在工业场景中，这意味着确保工厂的预防性维护工作顺利开展，减少高风险岗位的人力投入，无需工作人员冒险排查故障或实时监控设备。物理AI本质上是工业物联网与边缘端工业人工智能的融合产物。”

系统级物理AI

物理AI也需要考虑系统级因素，因为它需要进行更多本地化的边缘计算和通信。Arteris首席营销官Michal Siwinski表示：“这不仅包含与数据中心之间的往返交，这一点与其他边缘设备并无差异，仍需妥善处理。但这些系统将会交织在一起。处理这类场景时，相当于硬件版本的智能体AI，它们不再孤立存在，而是位于边缘的自有系统的一部分，可以自主运行和通信。这需要巨大的带宽支撑海量数据传输，还涉及各类不同的计算任务。物理AI基本上意味着系统具备智能，相当于在其中构建了一台庞大的超级计算机，且需要实现更多分布式计算的同步。”

物理AI涉及实体运动，需要传感器、MEMS器件以及模拟/混合信号系统支持。“这意味着我们现在必须关注混合电平信号，并理清信息是如何流动的，”Siwinski表示，除此之外，还需对所有这些组件进行协调管理。系统可能是分布式或非分布式的，但由于存在众多异构子系统，必须具备一个集中式‘大脑’。”

从本质上看，物理AI是AI与物理世界的融合。“过去，AI局限于数字领域，”德州仪器高性能处理器总经理Artem Aginskiy表示，“它收集信息、处理数据并输出答案，但无法在物理世界中推理或采取行动。有了物理AI，过去主要在远程服务器上进行的数据处理现在可以在本地进行，并转化为现实世界中的具体动作。与边缘AI的概念类似，边缘AI是指网络边缘应用程序能够通过嵌入式处理器（如MCU和MPU）和软件在本地使用AI。两者的关键区别在于，物理AI不仅是感知和处理，还指这些应用程序采取的行动。物理AI和边缘AI都将更多的智能和自动化带到它们能够发挥最大影响的场景中。”

物理AI将AI直接应用于现实世界，机器必须在与人类共享的环境中感知、解读和行动，因此融合多模态感知、边缘计算和持续学习，使机器人、车辆或基础设施资产能够自主、安全地行动。

BrightAI创始人兼首席执行官Alex Hawkinson表示：“当大多数AI系统都面临新数据枯竭的困境，而物理AI才刚起步，它正在从物理世界中挖掘数十亿个此前未曾开发的信号，并将其转化为切实可行的洞察。物理AI是物理世界的实时操作系统，使管道和电线杆等物理资产完全可观察并由数据驱动。”

不同的数据，不同的处理

用于边缘AI和物理/终端AI所使用的数据是不同的，对这些数据的处理方式与需求也各不相同。

Ambiq人工智能副总裁Carlos Morales表示：“在在边缘端部署人工智能，能实现极低的延迟，这意味着数据传输速率大幅降低，无需回传海量数据。从功耗角度来看，由于射频传输，功耗也会降低。这方面的优化空间已较为有限，但通过本地预计算，可大幅减少传输的数据量。”

物理AI开发者渴望能够利用现实世界的数据。“我们看到，边缘计算领域非常注重功耗和节能设计，以便监控数据，因为物理AI依赖于与现实世界和电子设备的交互，”西门子EDA的Balasubramanian表示，“这实际上取决于特定的用例场景。例如，工业机器人可能有不同的场景需求，但核心在于是否能够高效地利用现实世界的数据并快速做出决策，在物理AI中，它需要快速自主地做出决策，这意味着边缘端、终端设备及物理AI机器人系统中，需要搭载高效的特定领域模型和精简代码，确保行为与功能无延迟。”

延迟是关键。“现在物理AI机器人的每个关节上都装有传感器，”Ambiq的Morales表示，AI被部署在这些传感器端，形成控制回路。这不像章鱼的运作方式——章鱼的每条触手都有一个小型‘大脑’，而非依赖中央大脑统一控制。你肯定不希望一个脑袋拖慢整个系统的速度。因此，在传感器端直接进行物理驱动控制（如异常检测）至关重要。此外，根据不同事件动态切换模型也很关键。”

业内人士预计，现实世界中将涌现出大量执行AI驱动的感知、规划和控制的机器人。ChipAgents首席执行官William Wang表示：“芯片公司面临着对异构、确定性边缘SoC（CPU/GPU/NPU/DSP）的需求，这些SoC需要在严格的功率和安全限制下，满足传感器融合、策略和驱动的端到端严格期限。前端设计与验证优先级转向：(1)延迟受限的数据流（暂存器、DMA、QoS、中断延迟）；(2)混合关键性隔离（安全岛、锁步、ECC）；(3)RTL的实时属性（截止期限/吞吐量断言、WCET式检查）；(4)机器学习在环验证，其中感知错误与控制器逻辑一起建模。EDA必须通过物理/数字孪生仿真、基于场景的刺激生成、控制不变量的形式化检查，以及涵盖极端情况环境和RTL状态的验证方法，实现硬件、软件与机器学习的协同设计。”

ChipAgents等公司的Agentic AI工具可用于协调这些需求。它们可以在加速器和软件之间自动划分感知与控制，合成遵循周期精确延迟预算的RTL，并生成从模拟器（如动态遮挡、滑移、延迟）到压力接口和安全路径的场景套件。它们还可以持续在PPA与闭环稳定性/吞吐量之间进行权衡，从而缩短机器人芯片的迭代测试修复周期。

物理AI将一些验证环节从实验室转移到了实际应用场景中。“模型和硬件不仅要在模拟环境中进行验证，还要在天气、磨损和人为错误等现实条件下进行验证，”BrightAI的Hawkinson表示，“这需要新的设计流程和持续的验证。这意味着要确保传感器、芯片和AI模型作为一个集成系统协同工作，并在最少的人为监督下运行。”

物理AI的众多需求之一是隐私，尤其是在具备监听功能的设备中。“它这类设备可能不会记录你所说的内容，也不会真正理解你的话语，但能通过你的说话方式和语音模式，检测出早期痴呆症的迹象，”Ambiq的Morales表示，“隐私和安全性都很重要。开发人员也重视低延迟，以实现即时响应和节能。”

结语

即将到来的物理AI设计热潮，将以海量且多样化的设计启动为显著特征。“需求越来越多，而且各不相同，因此重点将放在基于不同垂直领域的定制芯片开发上，”西门子EDA的Balasubramanian表示，“终端需求与运行环境都会有所不同，因为一旦进入物理AI领域，芯片面临的外部环境影响远超过普通芯片。它们不再处于受控环境中，因此设计出稳健可靠的产品、充分理解终端产品的应用场景需求，将成为关键。芯片与系统架构师需要全面考量，明确PPA的约束范围，同时兼顾运行环境要求。这在一定程度上由软件栈决定，并将指导该特定芯片或系统的整体开发过程。物理AI的成功之道不在于试图面面俱到，而应聚焦自身优势领域，再将成熟的应用场景复制到更多类似场景中。”

挑战还会更大。Cadence的Posner表示：“把它看作是它自己的单片设计。如果只是做简单的目标检测，单一芯片就足够了。但随着功能复杂度提升，需要配套的AI加速器、CPU，以及一个或多个特定领域处理器。”

为此，EDA工具、验证和仿真都需要实现指数级升级，因为单芯片的设计管理已颇具难度，多个芯片的协同设计更是难上加难。工工程师们需要实时追踪所有设计细节，找到“分而治之”的解决方案，确保设计出的系统既能对不同传感器输入做出最优响应，又能在整个生命周期中持续学习与迭代进化。