机器人量产元年，Arm面向“泛化”能力打造计算底座

2026年，机器人产业正经历从“会跳舞”到“能干活”的关键转折。据工信部数据，2026年上半年国内人形机器人整机产量已超4万台，预计全年将突破10万台大关，行业也将这一年定义为人形机器人的“量产元年”。

8月19日至23日，以“人机共生 产需共融”为主题的2026世界机器人大会在北京亦庄举办，300余家企业携超3000件展品亮相，央企展团首次集中进场，行业竞争焦点从运动能力展示转向真实场景落地。在这股机器人产业化浪潮中，算力底座作为支撑机器人智能化的核心基础设施，正成为产业突破的关键命题。

近日，Arm举办物理AI机器人技术媒体沟通会。Arm物理AI机器人技术研究全球负责人Federico Pecora围绕机器人领域AI技术的前沿挑战、Arm的技术优势与生态布局进行了深度分享。在Arm看来，机器人实现规模化落地的最大突破点在于“泛化”能力，而支撑这一能力的下一代计算架构，正是Arm正在重点攻克的核心方向。

泛化能力：机器人规模化的关键突破

当机器人从展台表演走向工厂产线、从固定场景走向开放环境，行业面临的核心问题已不再是单项技能能否实现，而是机器人能否将已掌握的技能灵活迁移到陌生场景中。Arm正是从这个产业痛点出发，提出了对机器人技术演进路径的系统性思考。

Federico Pecora指出，AI领域的最新进展已使开发具备跨物体泛化能力的机器人平台成为可能，尤其是人形机器人。

从产业发展趋势来看，机器人能力演进正在经历三个阶段：第一阶段是跨对象泛化，机器人能够在同一任务流程中处理不同类型的对象而无需重新训练；第二阶段是多任务智能，统一智能平台支持多种任务执行；第三阶段则是系统级自适应，机器人能够根据环境变化自主完成能力调整。

“泛化能力的商业价值在于显著降低机器人适配和部署到新场景、新流程及新任务的成本与复杂性。因此，泛化能力被视为推动机器人技术实现规模化落地的关键能力，而如何以高效计算支撑这种能力，也成为Arm重点聚焦的核心挑战之一。”Federico Pecora表示。

因此，一个真正具备自适应能力的机器人，不仅需要适应不同的物体，更需要适应不同的使用场景和任务类型，而实现这一“泛化”能力的目标靠的绝不仅仅是一个更大的模型，或者说并非单一技术挑战，而是由多个关键问题共同决定的系统性能力。

四大核心挑战：泛化能力不是“更大的模型”

围绕上述泛化能力，Arm将其归结为四个相互关联的系统性关键因素：

第一，能力如何实现。机器人无法依靠单一模型完成所有任务，需要为不同环节匹配合适的模型、策略、规划器和控制器。视觉语言动作模型可用于生成试探性动作，视觉语言模型用于识别可操作对象，大语言模型辅助生成控制器逻辑，而参数化控制器则负责输出安全可靠的动作。这些模块需要共驻运行、共享内存与带宽资源，并协同生成最终行为。

第二，能力如何协同。真实世界中的机器人工作负载具有不同时间尺度：碰撞检查必须即时响应，导航和操控需要持续更新，而高层推理往往以突发、异步的方式出现。如果缺乏明确的时序结构和优先级调度，这些能力就可能相互争抢计算资源，导致响应延迟，甚至带来安全风险。

第三，能力如何映射到计算资源。在没有预先构建环境地图的情况下，机器人需要依靠本地智能完成感知、场景理解和路径规划。虽然边缘和云计算能提供补充，但真实世界中的机器人不能依赖周边基础设施始终在线。响应能力、自主决策和安全性要求大量智能计算在机器人本地完成，这带来了如何在CPU、专用加速器、内存和通信链路之间合理划分计算任务的重要系统架构挑战。

第四，能力如何受到约束和管控。随着机器人具备更强自适应能力，行业需要关注的不再只是碰撞规避、速度限制等基础安全问题，还包括空间与时间规则、任务偏好以及特定场景下的行为规范等更高层次约束。安全屏障、运行时保障、控制问题建模和备用控制器必须能够随系统变化保持有效。

行业缺口：一个待补的 “智能层”

上述四大挑战勾勒出机器人泛化能力的全貌。为直观说明这一概念，Federico Pecora以人形机器人在超市购物为例进行了介绍：

用户指令机器人推购物车跟随、自主前往取一袋10公斤大米、最终在乳制品区会合。这个场景中，涉及实时训练推车技能、测绘超市地图、调整制动与路径规划等等（均在未预训练的情况下）。

但Federico Pecora强调，当前机器人完成上述全流程自适应任务的基础工具、通用常识体系已成熟。也就是说，每一项单独的技能本身，以当前的技术水平看，都不难实现，难点在于，如何将这些技能组合起来，特别是如何让机器人自主地完成这种组合，而无需为每项新任务进行预编程或大量人工配置，无需针对每个新场景专门预训练。

因此，这种系统性的协同能力，如何将其整合为能够持续感知、决策和行动的物理AI系统，仍是行业需要攻克的重要挑战。

此外，Federico Pecora还指出，当前机器人实现规模化应用面临的挑战，还来自创新侧重点与产业需求之间的落差。

产业各方基于各自诉求往往“各自为政”，比如，学术界聚焦机器人系统细分组件和单项技能优化，以论文和实证验证为核心目标，并不会优先考量端到端机器人系统层面的难题。产业界则围绕特定产品或工作流开展系统集成，更关注产品落地与商业价值验证，对支撑长期规模化发展的底层系统能力关注相对较少。

在Arm看来，当前行业存在一个关键缺口：缺少一个能够对多样化的机器人能力进行动态组装、调度、部署以及管控的智能层。而如何以高效计算支撑这种能力，构建承载这类智能的基础算力基础设施，也成为Arm重点聚焦的核心挑战之一。

Arm为何能做物理AI的底座？

面对上述行业缺口与技术挑战，什么样的计算平台才能承载物理AI时代的需求？Federico Pecora在沟通会中从多个维度阐述了Arm的独特优势，这些优势并非凭空而来，而是源于Arm三十余年在高能效计算领域的深厚积淀。

首先是高能效计算与实时响应能力。Arm在安全关键型系统方面拥有深厚积累，特别是安全隔离技术，已在汽车领域得到充分验证，同样适用于各类物理AI应用场景。机器人需要处理形态各异的物体并执行各种不同任务，计算架构必须能够应对额外自由度，支持更多并行运行的感知与规划模型。

其次是跨层级的软件可移植性。Arm通过提供ISA一致性等能力，让开发者能够在云端完成开发和训练，再将软件直接迁移到边缘侧和终端机器人平台，无需大规模重构或重新适配。Federico Pecora强调这是Arm计算平台最重要的优势之一。它能够帮助整个机器人生态实现从云到边缘、从开发到部署的持续一致性，并显著降低创新和规模化落地的门槛。

第三是灵活扩展而不碎片化。Federico Pecora指出，未来机器人计算平台需要在CPU、加速器、内存和带宽等多个维度上实现灵活扩展，但底层技术基础仍应保持统一。

“具备灵活扩展能力是关键，在统一的平台基础上实现从小到大、从简单到复杂的灵活伸缩能力，这也是Arm一贯坚持的理念。”Federico Pecora说。

此外，Arm的生态规模也同样不容忽视。2025年，Arm生态合作伙伴针对汽车、自动驾驶、机器人平台出货的芯片已达20亿颗。Arm携手软硬件领域的众多合作伙伴，依托全球超2200万开发者的生态系统，覆盖从工厂车间固定环境中的机器到真实环境中运行的人形机器人等各类场景。

从四足到人形机器人全覆盖

凭借“高能效、高可靠、高适配”的技术优势，Arm 架构解决方案，包括 CPU、加速器及 MCU，提供丰富的算力配置，卓越的安全功能，包括安全相关的推理、优化与控制进行有效隔离，已广泛应用于各类机器人产品。

在今年4月北京亦庄人形机器人半程马拉松上，荣耀自研“闪电”机器人包揽冠亚季军，其腿部关节控制单元搭载了多颗兆易创新的高性能MCU GD32H7，内置600MHz Cortex-M7内核，可大幅缩短控制运算周期，具备高算力、低延迟响应和超高稳定性等优势，为机器人出色运动表现提供核心支撑。

在8月22日即将举行的2026第二届世界人形机器人运动会上，荣耀自研机器人“闪电”以及“元气仔”也将亮相并向冠军发起冲击。其中，“闪电”将参与100米、400米、1500米等竞速类项目。“元气仔”定位偏向中小型人形机器人，将参与对应组别多类赛项，重点测试小型人形机器人的运动稳定性、环境感知以及任务执行能力。

此外，今年云深处科技的四足机器人基于搭载Arm架构的瑞芯微RK3588 SoC构建，在实现高性能运动控制的同时功耗仅10瓦出头，是传统x86系统功耗的三分之一。这一能效飞跃使机器人得以配备更小电池、更简化的散热系统并实现更长续航。目前云深处科技正将腿部运动控制方面的专业知识延伸至AI人形机器人开发。

今年7月，智元（AGIBOT）在伦敦合作伙伴大会上展示了从早期演示阶段发展到工业环境部署的转型速度。Arm为其提供了覆盖云端开发、边缘AI和实时机器人系统的统一计算平台，支撑机器人在真实世界中实现感知、移动、交互与规模化部署。

Arm与NVIDIA的合作同样值得关注。基于Arm Neoverse V3AE CPU打造的NVIDIA Jetson Thor专为实时、多模态AI工作流打造，可支持机器人同步实现感知、推理与行动，在FP4精度下性能高达2000 TFLOPS，相较Jetson Orin计算性能提升至7.5倍，能效提升至3.5倍。

结语：Arm的整合者角色和价值

如Federico Pecora所言，泛化能力的商业价值在于显著降低机器人适配和部署到新场景、新流程及新任务的成本与复杂性。当产业从“能做什么”转向“如何规模化落地”的关键节点，Arm的角色定位也愈发清晰——不仅是计算平台的提供者，更是连接学术界与产业界的整合者。

展望未来五年，Federico Pecora表示，四大核心问题彼此紧密关联，Arm将作为整体同步推进解决。

为此，Arm将持续推进相关工作：一方面持续开展研究并积极对外分享成果；另一方面与半导体、传感器和执行器等领域的生态伙伴紧密合作，同时携手全球学术界共同推动前沿研究。Federico Pecora表示，Arm希望发挥整合者的作用，将来自产业界和学术界的创新成果汇聚起来，并在各类商用平台上进行验证和落地，最终推动构建具备系统级智能的机器人系统。