过去几年，AI产业的主线始终围绕大模型、训练集群和云端算力展开。无论是资本市场的叙事中心，还是产业链的资源投入，焦点都更多落在“模型规模能做多大、训练效率能提升到什么水平、算力集群能扩展到多大规模”这些问题上。但到了2026年，一个更具体、也更难回答的问题被越来越多地推到台前：当AI不再只是生成文本、图像和代码，而是开始进入汽车、机器人、无人机和工业设备，直接参与感知、决策与执行，计算平台究竟该如何重构？

这也是Arm在近日物理AI（Physical AI）媒体交流会上试图回答的核心问题。据悉，Arm是在今年年初才把汽车与机器人相关能力统一纳入Physical AI业务线，此举看似只是组织调整，实则释放了一个更明确的信号：下一阶段AI竞争，决定胜负的未必只是模型能力，而是整套计算底座能否支撑真实世界里的感知、推理、控制和执行。换句话说，当AI真正开始驱动车轮与机械臂，行业比拼的对象，正在从“谁更会训练模型”，逐步转向“谁更能让AI在现实世界稳定运行”。

图片来源： Arm

从行业节奏看，这一判断并不突兀。国际机器人联合会发布的《World Robotics 2025》显示，2024年全球工业机器人新增装机量达到54.2万台，连续第四年超过50万台；专业服务机器人销量接近20万台，同比增长9%。与此同时，麦肯锡在2025年末发布的研究中预计，到2030年，仅美国市场，AI智能体与机器人就可能释放约2.9万亿美元的年度经济价值。它未必会按最乐观的速度兑现，但足以说明，物理AI不再只是实验室概念，而是在加速进入产业竞争的中心区域。

物理AI来了，改的不是形态，而是规则

Arm在官方材料中这样对物理AI进行定义：它面向的是多变、不可预测且安全关键的真实场景，系统需要在物理世界中完成感知、推理与控制的闭环，而不是只在数字环境中输出内容。也就是说，它的输出不再是文本、图像或语音，而是动作本身。这个差别看起来只是“输出形式不同”，但背后对应的约束条件完全不同。

在现场，Arm物理AI事业部执行副总裁Drew Henry也用一个更直白的方式概括这一点：“简单来说，就是把AI嵌入具备执行能力的机器里。”

在生成式AI场景中，如果AI给出的回答不够理想，很多时候还只是体验层面的问题；可在物理AI场景里，一次误判可能直接对应误刹车、误转向、误抓取，甚至突破整套系统的安全边界。这里的评价标准不是“参数有多大”或者“跑分有多高”，而是系统能否在严格时延、有限功耗和高安全要求下，把感知到的世界快速、正确地转化为动作。

因此，物理AI最难的地方，并不是模型本身，而是模型如何在现实世界中被稳定执行。

在交流会上，Drew Henry反复强调一个核心指标：“从感知信号到执行动作的时延，是物理AI最关键的指标之一。”系统追求的，不是抽象意义上的“更强计算”，而是“更快、更确定的动作闭环”。无论是车辆的转向与制动，还是机械臂的抓取、无人机的路径修正，最终决定体验与安全性的，都是这一闭环效率。

沿着这一逻辑继续拆分，物理AI平台并不是一个平面结构，而更像是多层计算体系叠加出来的复杂系统。按照Henry在现场的说法，它至少包括四个层面：自主决策层，负责感知环境并做出实时判断；交互层，面向乘员或使用者提供信息反馈与互动；驱动与执行层，把复杂部件协调起来真正完成动作；最底层则是云端协同，承担模型训练、数据回流与设备群协作。四层彼此不同，却必须在同一套平台中协同运转。正因为如此，物理AI并不是“边缘AI再升级一点”，而是在倒逼整个产业重写平台定义：芯片如何分工，算力如何调度，安全如何验证，软件如何持续升级，系统如何跨设备、跨场景扩展。

某种意义上，物理AI真正改写的，不是某个产品类别，而是下一代计算平台的约束条件。

为什么是现在？Arm把分散能力重新收拢

2026年1月，Arm高管在2026年国际消费电子展（CES 2026）期间‌向媒体确认正式成立物理AI（Physical AI）事业部。

在交流会后的采访环节，当被问及为何在这一时间点单独设立物理AI事业部时，Henry的回答反复提到“长期积累”。他表示，Arm在相关领域的投入已经持续了10到20年，“这并不是一条全新的赛道，而是我们一直在做的事情”。如今把这些能力归拢到物理AI框架下，与其说是切入一个新方向，不如说是Arm判断，这些原本分散在不同赛道里的技术积累，已经到了需要被放进同一张产业图谱中重新定义的时候。

这种说法并不难理解。过去很长一段时间里，汽车和机器人是两条相对独立的赛道，前者更强调功能安全、量产体系和供应链稳定性，后者则更强调运动控制、环境适应和任务泛化能力。

但到了近两年，两者在底层架构上的趋同性越来越明显：中央计算平台加分布式控制节点，正在成为越来越多系统的共同选择；传感器融合、实时决策、功能安全、持续OTA和云边协同，也逐渐成为两条赛道共享的技术命题。Arm把汽车和机器人放进同一业务线，本质上就是对这种技术收敛趋势的回应。

更重要的是，Arm在相关领域已经有多年的积累。从其披露的数据看，如今全球所有联网用户每天都会与Arm技术发生交互；其生态累计已出货超过3250亿颗芯片，全球超过2200万开发者基于Arm平台进行全栈软件开发。这些芯片分布在物联网、智能家居、智能手机、汽车、机器人平台，以及大型云计算中心和AI数据中心之中。仅过去12个月，Arm生态面向汽车、自动驾驶和机器人平台就出货了20亿颗设备。

换句话说，Arm如今强调物理AI，是试图把自己长期嵌入汽车、机器人及相关计算体系之中、却分散在不同赛道的能力，重新组织成一套更完整的叙事。

从更宏观的维度看，这种押注也不是没有外部支撑。据VoxEU预测，未来十年，AI有望推动全球GDP增长4%。Barclays Research也预计，到2035年人形机器人市场规模就将达400亿美元。摩根士丹利则称，到2050年机器人半导体市场规模有望实现约800倍增长。而Henry坚信，物理AI将进一步加速这一增长。

当AI进入物理世界，计算竞争开始换赛道

随着物理AI逐步升温，一个行业共识也在形成：AI计算的价值坐标正在变化。

在2026年GTC上，黄仁勋明确提出，AI早已不只是训练问题，“推理的拐点已经到来”。这一判断迅速影响了市场对下一阶段算力结构的理解，因为它意味着，随着终端部署数量增加，推理侧会从“模型之后的一环”变成新的需求中心。

在物理AI媒体交流会上，盖世汽车也把类似问题抛给了Arm。Henry并没有认同“从训练转向推理”的简单划分，而是指出，推理本身一直存在于物理AI系统中，“传感器数据进入后，系统做出判断的过程，本身就是推理”。

在他看来，训练和推理并不是替代关系，而是始终共存：系统需要实时推理来做出动作，同时也依赖持续训练来提升能力。真正发生变化的，是随着机器人和自动驾驶系统数量增加，推理侧的总计算量会因为部署规模扩大而快速放大。

图片来源： Arm

这个回答的关键，不是去否定黄仁勋的判断，而是把问题重新放回端云协同的系统视角里。换句话说，在Arm的视角中，推理并不是一个阶段性“替代”，而是始终嵌在系统运行中的一部分。

如果从芯片产业的角度理解，这实际上是在修正一个旧坐标系——芯片不再只是提供算力资源，而是开始承担起系统实时响应、控制协同与安全执行的关键角色。

过去几年，AI芯片竞争围绕训练效率、推理吞吐和带宽展开，Tensor算力几乎成为核心指标。谁的张量性能更强，谁的互联更高效，谁更能支撑更大规模的模型训练，往往就更容易掌握市场话语权。但到了物理AI阶段，这一逻辑开始不够用了。原因并不复杂：系统面对的不再是离线数据，而是持续流入的多模态传感器信息，需要在极短时间内完成融合、判断和动作输出。

因此，关键在于如何“算得及时”。

Henry在回答芯片范式变化时提到，物理AI平台追求的并不是最高峰值性能，甚至也不只是更高带宽，而是在微秒级或毫秒级时间窗口里，实现最快、最有效率的执行。

这个判断背后的含义非常明确：未来物理AI芯片不会只是把云端计算平台缩小后搬到边缘，也不会简单沿着通用GPU那种不断堆叠张量能力的路线继续线性外推，而更可能走向更强的异构化、更强调控制平面、更重视软硬件协同的方向。

这会直接带来芯片逻辑上的变化。

过去在很多AI叙事里，最受关注的是模型和加速器，而控制器、实时处理器、安全岛、低功耗管理单元这些模块，往往更像配套部件。但在物理AI系统中，它们的重要性会被明显抬升。因为系统能不能在高负载或异常状态下保持稳定，很多时候不取决于峰值算力，而取决于控制链路是否足够确定，安全边界是否足够清晰。

也正因此，Henry才会反复强调，Arm既有实时处理器，也有高性能CPU，还能与不同加速器协同工作。它强调的重点不是替代加速器，而是把整条执行链路组织得更可预测。

这种变化也会延伸到软件层。对物理AI来说，软件栈连续性往往比短期跑分更重要。汽车行业已经给出了一个比较成熟的参照：一辆车的硬件生命周期可能长达数年，但ADAS、座舱和控制策略会持续OTA更新。机器人系统同样如此，尤其是物流、制造、巡检等场景中的设备，寿命往往很长，可感知模型和决策策略却要不断迭代。问题在于，这种迭代不能每次都推翻整套安全验证过程，更不能破坏实时控制和安全边界。

Arm在公开博客中就把这一点列为物理AI平台的重要要求：它既要支撑云端训练、边缘推理和设备端实时执行，又要在硬件迭代过程中保持软件连续性。

再往前走一步，跨行业复用会成为物理AI降低成本的一条关键路径。

Henry在采访中提到一个很有意思的观察：传统汽车正在向自动驾驶演进，传统固定功能机器人也在向自主机器人演进，而在这个过程中，两者在自主层面对计算的需求正越来越接近。对Arm来说，机会恰恰在于帮助客户以相对统一的平台覆盖自主决策、交互、驱动执行和云端协同这些层级，进而简化软件栈、提升研发效率。这并不意味着汽车芯片和机器人芯片会完全合流，但至少说明，在底座架构、工具链和部分控制系统上，复用空间正在被打开。

说到底，物理AI对芯片行业提出的新要求，并不只是更强AI算力，而是更完整的系统能力：实时、可预测、安全、可升级，而且最好还能跨场景复用。

Arm的优势，不止于芯片，更在整个平台

如果沿着这一逻辑继续看，Arm在物理AI里的定位其实很清楚：它的优势，并不只在于推出一颗“最强单芯片”，更在于提供一个足够稳定、足够广覆盖的基础平台。

图片来源： Arm

这种优势首先来自平台连续性。物理AI系统从训练到部署再到运行与升级，本来就是一个完整链条。如果底层架构割裂，软件迁移和系统验证成本会迅速放大。Arm试图提供的，是一个从云到边、从高性能计算到实时控制都能协同的统一基础。

其次，是其在混合关键任务系统中的长期经验。以自动驾驶平台为例，一套系统往往同时包含高性能AI计算、实时控制、安全机制和低功耗管理。

按照Arm新闻稿中的表述，Tensor的L4自动驾驶平台单车集成了433个基于Arm架构的核心，覆盖Neoverse AE、Cortex-X、Cortex-A、Cortex-R和Cortex-M等不同系列，分别承担高吞吐AI处理、座舱与峰值性能控制、线控与通用计算、实时安全关键控制以及低功耗子系统管理等任务，并与NVIDIA加速计算协同运行。

这个案例说明：在真实的物理AI系统里，Arm的价值往往不在于独占所有AI算力，而在于它能够渗透到从主计算域到最小控制节点的各个层面，把感知、控制、安全和系统管理编织进同一套底座。

这种角色也解释了为什么Arm在沟通中一直强调“灵活”。

在Henry的表述里，客户既可以采用合作伙伴提供的技术，也可以基于Arm搭建自己的差异化平台。它不是强行推一种封闭式方案，而是把自己放在一个开放底座的位置上。这种姿态在今天的物理AI阶段尤其重要，因为无论是具身模型、世界模型，还是自动驾驶和机器人平台的架构，整体上都还远未收敛。行业现在最需要的，不是一个唯一标准答案，而是一套能容纳不同路径演进的基础平台。

热度不缺，难的是把物理AI真正跑起来

当前物理AI的市场关注度已明显走高，但其产业成熟度尚未与之匹配。确实，从自动驾驶到人形机器人，从工业系统到服务机器人，几乎所有科技公司都在强化“AI进入现实世界”的叙事。机器人已经成为展会与资本市场中的高频词，模型、仿真、端侧推理和世界模型也在迅速升温。物理AI的概念，至少在舆论层面，已经进入加速期。

但真正的问题，并不在于概念是否成立，而在于它能否规模化落地。

技术路线仍在快速变化，模型形态尚未收敛；商业模式仍在探索，规模部署与成本控制尚未完全匹配；更重要的是，安全与责任体系的复杂度远高于生成式AI。物理AI不能容忍太高的试错成本，一旦进入现实环境，就必须面对功能安全、冗余设计和监管验证等问题。也正因如此，Arm反复强调“安全、确定性和系统稳定性”。

回到最初的问题，当AI开始驱动车轮与机械臂，计算逻辑究竟发生了什么变化？

答案或许可以总结为一句话：AI不再只是追求更强的计算能力，而是需要在真实世界中实现可控、可靠的决策与执行。

对Arm而言，成立Physical AI业务线只是一个起点。真正的挑战，是能否在这场从云端走向现实世界的产业重构中，把自身的底座能力，转化为下一代计算平台的核心影响力。