（本文編譯自Semiconductor Engineering）

物理人工智能（Physical AI）有望使從機(jī)器人到各類移動(dòng)邊緣設(shè)備的一切變得更具交互性和實(shí)用性，但它將顯著改變系統(tǒng)的設(shè)計(jì)、驗(yàn)證和監(jiān)控方式。

物理AI系統(tǒng)既需獨(dú)立運(yùn)行，也需協(xié)同工作。它們需要具備快速在本地做出決策的能力，通常比其他類型的人工智能耗能更少，并且比目前許多大型AI系統(tǒng)更加專注。同時(shí)，它們還需要能夠在必要時(shí)利用云端幾乎無(wú)限的處理能力，并根據(jù)可能不足的數(shù)據(jù)實(shí)時(shí)做出概率選擇。此外，當(dāng)與代理AI結(jié)合時(shí)，這些設(shè)備需要能夠使用并非總是精確的自然語(yǔ)言和手勢(shì)指令與人類進(jìn)行交互。

過(guò)去，這些領(lǐng)域在很大程度上是相互獨(dú)立的，而銜接這些不同領(lǐng)域?qū)⒔o芯片設(shè)計(jì)團(tuán)隊(duì)帶來(lái)一系列新的挑戰(zhàn)。他們需要全面了解從必須融入物理設(shè)計(jì)流程的人工智能算法，到芯片架構(gòu)所面臨的獨(dú)特需求等方方面面的內(nèi)容。他們還需要了解如何利用AI驅(qū)動(dòng)的工具進(jìn)行優(yōu)化、布局和布線，以滿足更嚴(yán)格的功耗、性能和面積約束，并處理極端的MAC計(jì)算、大規(guī)模并行計(jì)算以及多種類型存儲(chǔ)器的集成。

Cadence高級(jí)產(chǎn)品營(yíng)銷部總監(jiān)Mick Posner表示：“過(guò)去幾年，我們聽(tīng)到了很多關(guān)于AI的討論，但大多集中在數(shù)據(jù)中心方面，我們知道AI分為兩個(gè)方面，即訓(xùn)練和推理兩部分。物理AI將AI處理轉(zhuǎn)移到邊緣和終端設(shè)備，而物理AI的定義，在于你與AI的交互。這類場(chǎng)景對(duì)延遲敏感，需要AI快速做出決策。因此數(shù)據(jù)處理必須在終端設(shè)備、在邊緣端完成?！?/p>

實(shí)現(xiàn)物理AI需要許多技術(shù)支撐。其中之一就是自然語(yǔ)言處理?！澳銓?duì)機(jī)器人說(shuō)‘我想讓你幫我拿一杯牛奶?！枰獪?zhǔn)確理解這句話的含義，這就要求終端運(yùn)行大語(yǔ)言模型，”Posner表示，“而物理AI的‘物理屬性’體現(xiàn)在行動(dòng)執(zhí)行上——也就是機(jī)器人‘從冰箱里取出牛奶’的具體操作。類似地，在航空航天與國(guó)防領(lǐng)域，目標(biāo)檢測(cè)、目標(biāo)捕獲等任務(wù)也需要實(shí)時(shí)完成數(shù)據(jù)處理，才能滿足應(yīng)用需求?！?/p>

圖1：物理AI系統(tǒng)橫跨多個(gè)市場(chǎng)。

（圖源：Cadence）

對(duì)于物理AI硬件，存在AI視角和通用硬件視角?！拔锢鞟I硬件可以從兩個(gè)角度來(lái)思考，”新思科技移動(dòng)、汽車和消費(fèi)IP產(chǎn)品管理執(zhí)行總監(jiān)Hezi Saar指出，“首先是適應(yīng)AI算法或AI機(jī)器變化的能力。這包括設(shè)備上可能需要進(jìn)行的所有學(xué)習(xí)，例如流水線如何工作、如何預(yù)處理數(shù)據(jù)、如何以最佳方式利用資源以及系統(tǒng)如何高效運(yùn)行且不崩潰。所有這些都需要深思熟慮，這非常困難，因此留出足夠的余地并采用多種方法來(lái)適應(yīng)變化非常重要?！?/p>

物理AI通常被視為邊緣計(jì)算的一個(gè)子集，但二者存在本質(zhì)區(qū)別。Saar表示：“與人類或環(huán)境的直接交互是物理AI的獨(dú)特之處。”邊緣AI連接到云端，且部署于終端設(shè)備。物理AI同樣位于終端設(shè)備上，擁有超越常規(guī)邊緣AI的獨(dú)特功能。以通用人工智能（AGI）為例，初期在手機(jī)等設(shè)備中以AI助手形式存在時(shí)，其交互主要依賴軟件功能——我們可以通過(guò)語(yǔ)音或文本向助手發(fā)出指令，獲取所需反饋。但當(dāng)提及‘物理’屬性，物理AI可關(guān)聯(lián)多種應(yīng)用場(chǎng)景，它包含實(shí)體組件，能夠接收環(huán)境信息或?qū)Νh(huán)境產(chǎn)生影響。在物理領(lǐng)域，自動(dòng)駕駛出租車就是典型案例，機(jī)器人與無(wú)人機(jī)也具備類似特性，能夠接收環(huán)境輸入或通過(guò)輸出作用于環(huán)境。我們創(chuàng)建的AI智能體多為軟件形態(tài)，而物理AI智能體則是實(shí)體存在，能夠?yàn)槿祟愅瓿删唧w工作。未來(lái)的關(guān)鍵轉(zhuǎn)變?cè)谟谏鐣?huì)層面的接納度——整個(gè)社會(huì)將如何融入這一技術(shù)，人們又將如何接受這類實(shí)體智能體?！?/p>

物理AI最初應(yīng)用于工業(yè)應(yīng)用場(chǎng)景?！耙怨S為例，假設(shè)有多臺(tái)熔爐需要定期維護(hù)和監(jiān)控，”西門子EDA芯片驗(yàn)證與EDA人工智能產(chǎn)品負(fù)責(zé)人Sathishkumar Balasubramanian介紹道，“過(guò)去，工作人員需要親自爬上梯子檢查設(shè)備狀態(tài)。而借助物理AI，我們可以在故障發(fā)生前進(jìn)行預(yù)測(cè)，或基于強(qiáng)化學(xué)習(xí)、過(guò)往經(jīng)驗(yàn)以及傳感器監(jiān)測(cè)到的各類數(shù)據(jù)，預(yù)判維護(hù)周期。通過(guò)分析數(shù)千種參數(shù)組合，我們能夠確定特定配置下可能導(dǎo)致故障的因素，或判斷預(yù)防性維護(hù)的最佳時(shí)機(jī)。物理AI能夠?qū)崟r(shí)監(jiān)控并獲取數(shù)據(jù)。幾乎所有潛在問(wèn)題都能通過(guò)物理AI提前預(yù)判。物理AI的核心目標(biāo)是提升人類的生活體驗(yàn)，既包括終端產(chǎn)品的使用體驗(yàn)，也包括使用者的工作體驗(yàn)。在工業(yè)場(chǎng)景中，這意味著確保工廠的預(yù)防性維護(hù)工作順利開展，減少高風(fēng)險(xiǎn)崗位的人力投入，無(wú)需工作人員冒險(xiǎn)排查故障或?qū)崟r(shí)監(jiān)控設(shè)備。物理AI本質(zhì)上是工業(yè)物聯(lián)網(wǎng)與邊緣端工業(yè)人工智能的融合產(chǎn)物。”

系統(tǒng)級(jí)物理AI

物理AI也需要考慮系統(tǒng)級(jí)因素，因?yàn)樗枰M(jìn)行更多本地化的邊緣計(jì)算和通信。Arteris首席營(yíng)銷官M(fèi)ichal Siwinski表示：“這不僅包含與數(shù)據(jù)中心之間的往返交，這一點(diǎn)與其他邊緣設(shè)備并無(wú)差異，仍需妥善處理。但這些系統(tǒng)將會(huì)交織在一起。處理這類場(chǎng)景時(shí)，相當(dāng)于硬件版本的智能體AI，它們不再孤立存在，而是位于邊緣的自有系統(tǒng)的一部分，可以自主運(yùn)行和通信。這需要巨大的帶寬支撐海量數(shù)據(jù)傳輸，還涉及各類不同的計(jì)算任務(wù)。物理AI基本上意味著系統(tǒng)具備智能，相當(dāng)于在其中構(gòu)建了一臺(tái)龐大的超級(jí)計(jì)算機(jī)，且需要實(shí)現(xiàn)更多分布式計(jì)算的同步?！?/p>

物理AI涉及實(shí)體運(yùn)動(dòng)，需要傳感器、MEMS器件以及模擬/混合信號(hào)系統(tǒng)支持?！斑@意味著我們現(xiàn)在必須關(guān)注混合電平信號(hào)，并理清信息是如何流動(dòng)的，”Siwinski表示，除此之外，還需對(duì)所有這些組件進(jìn)行協(xié)調(diào)管理。系統(tǒng)可能是分布式或非分布式的，但由于存在眾多異構(gòu)子系統(tǒng)，必須具備一個(gè)集中式‘大腦’?！?/p>

從本質(zhì)上看，物理AI是AI與物理世界的融合?！斑^(guò)去，AI局限于數(shù)字領(lǐng)域，”德州儀器高性能處理器總經(jīng)理Artem Aginskiy表示，“它收集信息、處理數(shù)據(jù)并輸出答案，但無(wú)法在物理世界中推理或采取行動(dòng)。有了物理AI，過(guò)去主要在遠(yuǎn)程服務(wù)器上進(jìn)行的數(shù)據(jù)處理現(xiàn)在可以在本地進(jìn)行，并轉(zhuǎn)化為現(xiàn)實(shí)世界中的具體動(dòng)作。與邊緣AI的概念類似，邊緣AI是指網(wǎng)絡(luò)邊緣應(yīng)用程序能夠通過(guò)嵌入式處理器（如MCU和MPU）和軟件在本地使用AI。兩者的關(guān)鍵區(qū)別在于，物理AI不僅是感知和處理，還指這些應(yīng)用程序采取的行動(dòng)。物理AI和邊緣AI都將更多的智能和自動(dòng)化帶到它們能夠發(fā)揮最大影響的場(chǎng)景中?！?/p>

物理AI將AI直接應(yīng)用于現(xiàn)實(shí)世界，機(jī)器必須在與人類共享的環(huán)境中感知、解讀和行動(dòng)，因此融合多模態(tài)感知、邊緣計(jì)算和持續(xù)學(xué)習(xí)，使機(jī)器人、車輛或基礎(chǔ)設(shè)施資產(chǎn)能夠自主、安全地行動(dòng)。

BrightAI創(chuàng)始人兼首席執(zhí)行官Alex Hawkinson表示：“當(dāng)大多數(shù)AI系統(tǒng)都面臨新數(shù)據(jù)枯竭的困境，而物理AI才剛起步，它正在從物理世界中挖掘數(shù)十億個(gè)此前未曾開發(fā)的信號(hào)，并將其轉(zhuǎn)化為切實(shí)可行的洞察。物理AI是物理世界的實(shí)時(shí)操作系統(tǒng)，使管道和電線桿等物理資產(chǎn)完全可觀察并由數(shù)據(jù)驅(qū)動(dòng)?！?/p>

不同的數(shù)據(jù)，不同的處理

用于邊緣AI和物理/終端AI所使用的數(shù)據(jù)是不同的，對(duì)這些數(shù)據(jù)的處理方式與需求也各不相同。

Ambiq人工智能副總裁Carlos Morales表示：“在在邊緣端部署人工智能，能實(shí)現(xiàn)極低的延遲，這意味著數(shù)據(jù)傳輸速率大幅降低，無(wú)需回傳海量數(shù)據(jù)。從功耗角度來(lái)看，由于射頻傳輸，功耗也會(huì)降低。這方面的優(yōu)化空間已較為有限，但通過(guò)本地預(yù)計(jì)算，可大幅減少傳輸?shù)臄?shù)據(jù)量。”

物理AI開發(fā)者渴望能夠利用現(xiàn)實(shí)世界的數(shù)據(jù)?！拔覀兛吹?，邊緣計(jì)算領(lǐng)域非常注重功耗和節(jié)能設(shè)計(jì)，以便監(jiān)控?cái)?shù)據(jù)，因?yàn)槲锢鞟I依賴于與現(xiàn)實(shí)世界和電子設(shè)備的交互，”西門子EDA的Balasubramanian表示，“這實(shí)際上取決于特定的用例場(chǎng)景。例如，工業(yè)機(jī)器人可能有不同的場(chǎng)景需求，但核心在于是否能夠高效地利用現(xiàn)實(shí)世界的數(shù)據(jù)并快速做出決策，在物理AI中，它需要快速自主地做出決策，這意味著邊緣端、終端設(shè)備及物理AI機(jī)器人系統(tǒng)中，需要搭載高效的特定領(lǐng)域模型和精簡(jiǎn)代碼，確保行為與功能無(wú)延遲。”

延遲是關(guān)鍵。“現(xiàn)在物理AI機(jī)器人的每個(gè)關(guān)節(jié)上都裝有傳感器，”Ambiq的Morales表示，AI被部署在這些傳感器端，形成控制回路。這不像章魚的運(yùn)作方式——章魚的每條觸手都有一個(gè)小型‘大腦’，而非依賴中央大腦統(tǒng)一控制。你肯定不希望一個(gè)腦袋拖慢整個(gè)系統(tǒng)的速度。因此，在傳感器端直接進(jìn)行物理驅(qū)動(dòng)控制（如異常檢測(cè)）至關(guān)重要。此外，根據(jù)不同事件動(dòng)態(tài)切換模型也很關(guān)鍵?！?/p>

業(yè)內(nèi)人士預(yù)計(jì)，現(xiàn)實(shí)世界中將涌現(xiàn)出大量執(zhí)行AI驅(qū)動(dòng)的感知、規(guī)劃和控制的機(jī)器人。ChipAgents首席執(zhí)行官William Wang表示：“芯片公司面臨著對(duì)異構(gòu)、確定性邊緣SoC（CPU/GPU/NPU/DSP）的需求，這些SoC需要在嚴(yán)格的功率和安全限制下，滿足傳感器融合、策略和驅(qū)動(dòng)的端到端嚴(yán)格期限。前端設(shè)計(jì)與驗(yàn)證優(yōu)先級(jí)轉(zhuǎn)向：(1)延遲受限的數(shù)據(jù)流（暫存器、DMA、QoS、中斷延遲）；(2)混合關(guān)鍵性隔離（安全島、鎖步、ECC）；(3)RTL的實(shí)時(shí)屬性（截止期限/吞吐量斷言、WCET式檢查）；(4)機(jī)器學(xué)習(xí)在環(huán)驗(yàn)證，其中感知錯(cuò)誤與控制器邏輯一起建模。EDA必須通過(guò)物理/數(shù)字孿生仿真、基于場(chǎng)景的刺激生成、控制不變量的形式化檢查，以及涵蓋極端情況環(huán)境和RTL狀態(tài)的驗(yàn)證方法，實(shí)現(xiàn)硬件、軟件與機(jī)器學(xué)習(xí)的協(xié)同設(shè)計(jì)?！?/p>

ChipAgents等公司的Agentic AI工具可用于協(xié)調(diào)這些需求。它們可以在加速器和軟件之間自動(dòng)劃分感知與控制，合成遵循周期精確延遲預(yù)算的RTL，并生成從模擬器（如動(dòng)態(tài)遮擋、滑移、延遲）到壓力接口和安全路徑的場(chǎng)景套件。它們還可以持續(xù)在PPA與閉環(huán)穩(wěn)定性/吞吐量之間進(jìn)行權(quán)衡，從而縮短機(jī)器人芯片的迭代測(cè)試修復(fù)周期。

物理AI將一些驗(yàn)證環(huán)節(jié)從實(shí)驗(yàn)室轉(zhuǎn)移到了實(shí)際應(yīng)用場(chǎng)景中?！澳Ｐ秃陀布粌H要在模擬環(huán)境中進(jìn)行驗(yàn)證，還要在天氣、磨損和人為錯(cuò)誤等現(xiàn)實(shí)條件下進(jìn)行驗(yàn)證，”BrightAI的Hawkinson表示，“這需要新的設(shè)計(jì)流程和持續(xù)的驗(yàn)證。這意味著要確保傳感器、芯片和AI模型作為一個(gè)集成系統(tǒng)協(xié)同工作，并在最少的人為監(jiān)督下運(yùn)行?！?/p>

物理AI的眾多需求之一是隱私，尤其是在具備監(jiān)聽(tīng)功能的設(shè)備中?！八@類設(shè)備可能不會(huì)記錄你所說(shuō)的內(nèi)容，也不會(huì)真正理解你的話語(yǔ)，但能通過(guò)你的說(shuō)話方式和語(yǔ)音模式，檢測(cè)出早期癡呆癥的跡象，”Ambiq的Morales表示，“隱私和安全性都很重要。開發(fā)人員也重視低延遲，以實(shí)現(xiàn)即時(shí)響應(yīng)和節(jié)能?！?/p>

結(jié)語(yǔ)

即將到來(lái)的物理AI設(shè)計(jì)熱潮，將以海量且多樣化的設(shè)計(jì)啟動(dòng)為顯著特征?！靶枨笤絹?lái)越多，而且各不相同，因此重點(diǎn)將放在基于不同垂直領(lǐng)域的定制芯片開發(fā)上，”西門子EDA的Balasubramanian表示，“終端需求與運(yùn)行環(huán)境都會(huì)有所不同，因?yàn)橐坏┻M(jìn)入物理AI領(lǐng)域，芯片面臨的外部環(huán)境影響遠(yuǎn)超過(guò)普通芯片。它們不再處于受控環(huán)境中，因此設(shè)計(jì)出穩(wěn)健可靠的產(chǎn)品、充分理解終端產(chǎn)品的應(yīng)用場(chǎng)景需求，將成為關(guān)鍵。芯片與系統(tǒng)架構(gòu)師需要全面考量，明確PPA的約束范圍，同時(shí)兼顧運(yùn)行環(huán)境要求。這在一定程度上由軟件棧決定，并將指導(dǎo)該特定芯片或系統(tǒng)的整體開發(fā)過(guò)程。物理AI的成功之道不在于試圖面面俱到，而應(yīng)聚焦自身優(yōu)勢(shì)領(lǐng)域，再將成熟的應(yīng)用場(chǎng)景復(fù)制到更多類似場(chǎng)景中?！?/p>

挑戰(zhàn)還會(huì)更大。Cadence的Posner表示：“把它看作是它自己的單片設(shè)計(jì)。如果只是做簡(jiǎn)單的目標(biāo)檢測(cè)，單一芯片就足夠了。但隨著功能復(fù)雜度提升，需要配套的AI加速器、CPU，以及一個(gè)或多個(gè)特定領(lǐng)域處理器。”

為此，EDA工具、驗(yàn)證和仿真都需要實(shí)現(xiàn)指數(shù)級(jí)升級(jí)，因?yàn)閱涡酒脑O(shè)計(jì)管理已頗具難度，多個(gè)芯片的協(xié)同設(shè)計(jì)更是難上加難。工工程師們需要實(shí)時(shí)追蹤所有設(shè)計(jì)細(xì)節(jié)，找到“分而治之”的解決方案，確保設(shè)計(jì)出的系統(tǒng)既能對(duì)不同傳感器輸入做出最優(yōu)響應(yīng)，又能在整個(gè)生命周期中持續(xù)學(xué)習(xí)與迭代進(jìn)化。