一、引言

在全球機器人產(chǎn)業(yè)加速演進的背景下，一個越來越清晰的共識正在形成：機器人真正走向真實世界，依賴的不只是更高的算力或更復雜的算法，而是一套能夠長期穩(wěn)定運行、持續(xù)演進、并且可被產(chǎn)業(yè)廣泛采用的智能計算基礎。

過去十年，機器人經(jīng)歷了從“可編程執(zhí)行”到“感知驅動控制”的階段演進，視覺、定位與運動控制逐步成熟。但隨著深度學習和 Transformer 架構進入機器人領域，機器人開始承擔更復雜的理解、決策與協(xié)作任務，系統(tǒng)復雜度呈指數(shù)級上升。真實世界中不斷變化的光照、環(huán)境、人類行為和任務目標，使得傳統(tǒng)“模塊割裂、靜態(tài)部署”的機器人架構逐漸暴露出瓶頸。

在這一背景下，黑芝麻智能推出 SesameX 多維具身智能計算平臺。SesameX 的目標并非構建一個封閉的全棧系統(tǒng)，而是面向產(chǎn)業(yè)伙伴提供一套開放、可擴展、可量產(chǎn)的機器人智能計算底座，幫助機器人從“可運行”走向“可成長”，從單點能力展示邁向長期商業(yè)化落地。

二、SesameX 多維具身智能計算平臺：讓機器人真正從“可運行”，走向“可成長”

SesameX 在平臺設計的早期階段，就將“可成長性”作為核心目標之一。所謂成長，并非簡單依賴模型規(guī)模擴大，而是系統(tǒng)能夠在真實環(huán)境中持續(xù)穩(wěn)定運行，并在反饋中逐步優(yōu)化行為表現(xiàn)。

傳統(tǒng)機器人系統(tǒng)往往以任務為中心進行設計，感知、規(guī)劃、控制彼此分離，模型部署完成即進入長期靜態(tài)運行狀態(tài)。一旦環(huán)境變化或任務復雜度提升，系統(tǒng)需要重新設計、重新標定，難以支撐規(guī)模化落地。

SesameX 通過在平臺層面引入統(tǒng)一的計算結構、任務表達方式和執(zhí)行調度機制，使機器人在架構上具備持續(xù)演進的基礎條件。不同來源的感知模型、規(guī)劃算法和控制策略可以在同一平臺內協(xié)同運行，并在系統(tǒng)運行過程中形成穩(wěn)定的閉環(huán)反饋，從而支持機器人能力隨時間逐步提升。這種設計，使機器人首次在工程層面具備了從“任務執(zhí)行型”向“認知理解型”再向“全腦協(xié)同型”演進的現(xiàn)實路徑。

1.如何實現(xiàn)全腦智能？

黑芝麻智能提出“全腦智能（Whole-Brain Intelligence）”作為機器人計算平臺的長期設計目標。該理念并非強調單一模型或算力的突破，而是借鑒人類大腦多區(qū)域協(xié)同工作的方式，將語言理解、空間感知、決策推理和運動控制等能力，在系統(tǒng)層面進行統(tǒng)一組織和協(xié)同調度。

在 SesameX 平臺中，全腦智能并不是通過某一個“超級模型”實現(xiàn)，而是通過以下幾個層面的協(xié)同：

在計算層面，通過異構算力單元（CPU、NPU、DSP、MCU 等）的統(tǒng)一調度，使不同類型的任務在合適的計算資源上高效執(zhí)行；

在系統(tǒng)層面，通過統(tǒng)一的任務表達和執(zhí)行機制，使感知、規(guī)劃與控制之間不再依賴人工拼接，而是形成連續(xù)的信息流；

在模型層面，通過多模態(tài)模型與原子化能力組合，使來自不同算法體系和生態(tài)伙伴的模型能夠自然協(xié)同。

通過這種方式，SesameX 將原本分散在多個子系統(tǒng)中的智能能力重新組織為一個持續(xù)協(xié)作的整體，使機器人在復雜環(huán)境中能夠形成穩(wěn)定、一致的跨模態(tài)理解與行為輸出，而非碎片化響應。

2.如何面對機器人安全挑戰(zhàn)？

與汽車等高度結構化場景不同，機器人通常與人類共享空間，安全不只是防止硬件故障，更是一種系統(tǒng)級能力。安全意味著行為可預測、狀態(tài)可解釋、異?？苫謴停⒃跇O端情況下仍能最大程度保護人類。

SesameX 并未將安全視為某一個獨立模塊，而是將安全理念貫穿于整個平臺架構之中。從感知輸入、算力調度、任務執(zhí)行到控制輸出，每一層都引入明確的安全約束和兜底機制。

平臺通過L0～L5多層級安全體系，使機器人在傳感器異常、模型輸出異常、資源爭搶或任務沖突等情況下，能夠自動進入受控狀態(tài)，包括限速、重規(guī)劃或安全停機。這種系統(tǒng)級安全設計，使機器人不再依賴單點正確性，而是具備整體可控、可預測的運行特性，為商業(yè)化部署提供必要前提。

3.機器人“如何行動、如何保護人類”？

為了在真實環(huán)境中實現(xiàn)安全與自主并存，SesameX 將復雜的安全需求抽象為六層安全機制，從物理行為一直延伸到數(shù)據(jù)與系統(tǒng)安全，形成由下而上的整體防護結構。

在執(zhí)行過程中，系統(tǒng)會持續(xù)監(jiān)測傳感器狀態(tài)、運動趨勢、人機距離以及決策穩(wěn)定性。一旦檢測到潛在風險，平臺可在不同層級采取干預措施，從動作約束到策略降級，確保行為不越界。

在最高層的數(shù)據(jù)安全層，平臺通過本地推理、加密傳輸和系統(tǒng)完整性保護機制，防止數(shù)據(jù)泄露和系統(tǒng)被篡改。這一設計使機器人不僅在物理層面安全可控，在數(shù)字層面同樣具備可信基礎。

4.感知、算力和智力如何融合成完整有機體？

在真實世界中，機器人往往面臨這樣一種矛盾：傳感器“看得很清楚”，算力“也足夠強”，但整體行為卻依然遲緩、割裂，甚至在復雜場景下出現(xiàn)不穩(wěn)定的動作和判斷。這種現(xiàn)象并非源于單一模塊能力不足，而是系統(tǒng)層面缺乏統(tǒng)一的協(xié)同機制。

以典型的服務或巡檢機器人為例，當機器人在人員密集環(huán)境中行進時，需要同時完成多項任務：視覺系統(tǒng)持續(xù)識別行人和障礙物，定位系統(tǒng)更新自身位姿，規(guī)劃模塊實時調整路徑，控制系統(tǒng)保證運動平穩(wěn)；與此同時，上層任務邏輯可能還在接收新的目標或指令。如果這些能力分別運行在相互獨立的子系統(tǒng)中，數(shù)據(jù)在多次拷貝與異步調度中流轉，系統(tǒng)就容易出現(xiàn)延遲累積、決策滯后或行為不連貫的問題。

SesameX 的設計出發(fā)點，正是將這些原本分散的能力重新組織為一個統(tǒng)一協(xié)同的整體。平臺在計算層面通過異構算力融合，使感知、推理和控制不再是“各自為戰(zhàn)”的計算單元，而是接入同一算力網(wǎng)絡，由統(tǒng)一調度機制進行管理。不同任務根據(jù)實時性和安全等級，被分配到最合適的計算資源上執(zhí)行，從而避免關鍵控制任務被高負載推理任務干擾。

在系統(tǒng)層面，SesameX 通過統(tǒng)一的數(shù)據(jù)通路和任務表達方式，將感知結果、決策邏輯和控制指令納入同一執(zhí)行鏈路。來自攝像頭、激光雷達或其他傳感器的數(shù)據(jù)，可以在最少的中間拷貝下直接進入推理和規(guī)劃環(huán)節(jié)，縮短從“看到”到“行動”的反應路徑。這種端到端一致的數(shù)據(jù)流，使機器人在動態(tài)環(huán)境中能夠更快地響應突發(fā)變化。

在智能表達層面，平臺通過原子模型與任務圖的組合方式，把復雜行為拆解為可復用、可組合的智能單元。例如，在倉儲、商服或巡檢場景中，避障、跟隨、定位、交互等能力可以根據(jù)實時環(huán)境被動態(tài)組合，而不再依賴固定流程。這種“積木式”智能結構，使機器人在面對不同場景時能夠靈活調整行為策略，而不是被限定在預設路徑中。

通過上述多層協(xié)同，SesameX 讓機器人從“多個模塊拼裝的系統(tǒng)”轉變?yōu)橐粋€具備統(tǒng)一感知、統(tǒng)一決策和統(tǒng)一行動邏輯的有機整體。機器人不再只是執(zhí)行單點任務，而是能夠在復雜環(huán)境中形成連貫、穩(wěn)定、可預測的行為表現(xiàn)，為真實世界應用提供必要的系統(tǒng)可靠性。

5.如何實現(xiàn)閉環(huán)進化？

真實世界永遠比實驗環(huán)境更復雜。光照變化、環(huán)境反射、人流密度、地面材質、設備老化等因素，都會在長期運行中不斷影響機器人性能。許多機器人在初期測試中表現(xiàn)良好，但隨著部署時間延長，定位漂移、識別準確率下降、動作變得保守或不穩(wěn)定，最終需要頻繁人工介入。

SesameX 在平臺設計中引入“閉環(huán)進化”的理念，目的是讓機器人在真實運行中持續(xù)積累經(jīng)驗，而不是在部署完成后停止成長。這一閉環(huán)并不局限于某一種訓練框架或工具鏈，而是通過標準化的數(shù)據(jù)與接口，將機器人運行過程自然納入持續(xù)優(yōu)化鏈路。

在實際場景中，機器人在執(zhí)行任務的同時，會對關鍵運行指標進行持續(xù)記錄，包括感知穩(wěn)定性、模型推理延遲、任務成功率以及異常觸發(fā)情況。這些信息不會簡單堆積為日志，而是經(jīng)過結構化整理，用于判斷系統(tǒng)在不同場景下的表現(xiàn)差異。

當機器人在新環(huán)境中遇到性能下降或異常行為時，平臺可以通過對比歷史運行數(shù)據(jù)，定位問題來源：是感知模型對特定光照不敏感，還是規(guī)劃策略在擁擠環(huán)境中過于保守，或是算力資源分配不合理導致延遲波動。這種基于運行數(shù)據(jù)的分析，為后續(xù)優(yōu)化提供了明確方向。

在優(yōu)化階段，SesameX 并不強制限定模型更新方式。合作伙伴可以選擇在本地進行模型微調，也可以在云端結合仿真環(huán)境進行再訓練。平臺通過統(tǒng)一接口支持模型更新、參數(shù)調整和策略回滾，使優(yōu)化過程對現(xiàn)場運行影響最小。

當新的模型或策略被部署回機器人后，系統(tǒng)會在受控條件下逐步驗證其效果，并繼續(xù)進入下一輪反饋。這種漸進式的迭代方式，使機器人能力在長期運行中穩(wěn)步提升，而不會因一次更新帶來不可控風險。

通過這一閉環(huán)機制，機器人不再是一次性交付的產(chǎn)品，而是具備持續(xù)演進能力的系統(tǒng)。隨著部署規(guī)模擴大，來自不同場景的數(shù)據(jù)還可以反向促進算法和系統(tǒng)設計的優(yōu)化，形成技術與應用相互推動的良性循環(huán)，為商業(yè)化落地提供長期價值。

三、SesameX 多維具身智能計算平臺：一套“從端側模組到全腦智能的體系化計算的全棧自研平臺”

SesameX 多維具身智能計算平臺提供了一套從硬件模組到系統(tǒng)軟件的完整計算體系，其目標并非替代行業(yè)生態(tài)，而是為機器人廠商和算法伙伴提供一個可靠、可擴展的基礎平臺。平臺通過模塊化設計、統(tǒng)一接口和兼容主流生態(tài)的方式，幫助合作伙伴降低系統(tǒng)集成復雜度，加速產(chǎn)品從研發(fā)走向量產(chǎn)。

1.計算平臺層 Module

SesameX 的計算系統(tǒng)由我們自主研發(fā)的三款計算模塊 Kalos、Aura 和 Liora 構成，分別面向不同類型與復雜度的機器人算力需求。在計算平臺這一層，我們提供的不僅是三款單獨的模組，而是一套完整的計算平臺體系。模組內部已高度集成 SoC、內存、電源、電源管理與時鐘等復雜設計，并可兼容主流底板接口，支持豐富的 I/O，包括 MIPI、CAN-FD、以太網(wǎng)、USB、SPI與I2C 等，從而讓開發(fā)者可以直接面向系統(tǒng)級方案進行設計。

平臺具備從實時控制到大模型推理均能穩(wěn)定輸出的可靠性能，同時 Kalos 與 Aura 擁有緊湊小巧的體積（分別為69×55mm與82×54mm），非常適合部署于敏感空間或移動場景。借助這一平臺化設計，開發(fā)者只需進行底板設計即可完成整機規(guī)劃，大幅降低研發(fā)門檻。

整體而言，這一層的價值在于為機器人提供可量產(chǎn)級的堅實硬件基礎，幫助不同形態(tài)的機器人以最低成本快速進入功能調試與商業(yè)測試階段。

2.計算平臺層 Network

SesameX Network 作為系統(tǒng)級通信與數(shù)據(jù)編排層，負責在機器人內部將不同計算模組、異構算力單元以及各類外設構建為一個統(tǒng)一的實時協(xié)同體系，并同時支撐機器人與邊緣節(jié)點、云端之間的穩(wěn)健無線互聯(lián)。

在該層中，網(wǎng)絡子系統(tǒng)基于確定性以太網(wǎng)（TSN）構建內部主干，使感知→算力→控制鏈路具備可預測的端到端延遲與帶寬保障；通過集成多路高帶寬數(shù)據(jù)通道，可同時承載高分辨率 MIPI 視頻流、10GbE 數(shù)據(jù)交換以及跨單元共享 SRAM 的高速訪存，實現(xiàn)視覺、SLAM 與推理任務的并行數(shù)據(jù)供給。

系統(tǒng)還實現(xiàn)了面向 WiFi7/5G 的低時延無線協(xié)同協(xié)議，使機器人在與邊側節(jié)點進行分布式推理、任務共享時維持毫秒級鏈路抖動。底層數(shù)據(jù)管線采用 Zero-copy 通路設計，使來自 ISP/DSP 的感知流可直接進入 NPU/CPU 的推理路徑，避免多級緩存拷貝帶來的額外延遲與功耗開銷。借助上述通信機制，SesameX Network 為機器人構建起可擴展的實時協(xié)同計算結構，使其能夠在單機、集群與邊云協(xié)同環(huán)境下保持一致的實時性和數(shù)據(jù)一致性。

3.計算平臺層 OS

在操作系統(tǒng)層，SesameX 計算平臺提供了統(tǒng)一的軟件運行環(huán)境，支持 Ubuntu、ROS 2 以及自研的 SesameX-RTOS，從而在通用開發(fā)生態(tài)與實時控制需求之間實現(xiàn)兼容與平衡。平臺原生集成 ROS 2，能夠與行業(yè)主流算法框架無縫對接；同時通過 RTOS 與 Linux 的協(xié)同調度機制，使高頻控制環(huán)與大模型推理任務之間具備確定性時間片分配與干擾隔離能力。系統(tǒng)級安全隔離能力支持不同任務、不同權限在內核與用戶態(tài)之間實現(xiàn)強隔離，確保運行安全性與可驗證性。

此外，OS 層提供統(tǒng)一的軟件抽象，使 Kalos、Aura 和 Liora 等多款模組可在同一套系統(tǒng)架構中保持一致運行體驗。作為機器人系統(tǒng)的“基礎生命層”，這一層決定了整機的可靠性、實時性與可擴展性，是支撐上層感知、規(guī)劃與控制能力的根本。

4.中間件層

SesameX 中間件層由調度引擎、工具鏈和 Runtime 三大核心模塊構成，共同形成機器人系統(tǒng)的“中樞神經(jīng)網(wǎng)絡”。其中，SesameX 調度引擎負責跨模型、跨任務及跨算力單元的協(xié)同調度，通過優(yōu)先級機制與任務隔離確保關鍵任務不被資源爭搶，安全域任務在系統(tǒng)中獲得最高級別的實時執(zhí)行權。工具鏈組件提供并行編譯、混合精度加速、Transformer 結構優(yōu)化、自動量化與算子級優(yōu)化等能力，使模型在 Kalos、Aura、Liora 等不同模組上都能獲得最優(yōu)延遲與算力利用率。SesameX Runtime 則對 CPU、DSP、NPU 與 MCU 進行異構融合調度，通過模型沙箱化、實時自調優(yōu)和故障隔離，實現(xiàn)多模型并行執(zhí)行與多單元算力的動態(tài)分配。

借助中間件層的統(tǒng)一抽象和調度體系，機器人智能從“分散式算力塊”演進為“統(tǒng)一調度的大腦結構”，從而獲得更平滑的動作生成、更低抖動的實時響應與更高的系統(tǒng)魯棒性。

5.原子應用層

SesameX 原子應用層通過將復雜任務分解為最小可復用的原子技能（Atom Skills），并進一步抽象為可組合的原子模型（Atom Models），構建出可動態(tài)編排的智能行為體系。該層基于任務模型（Task Model）實現(xiàn)運行時的技能組合，使機器人能夠在無需硬編碼流程的情況下，根據(jù)環(huán)境與目標在線生成行為序列。核心能力包括：

覆蓋視覺、定位、融合、規(guī)劃、控制、語言與多模態(tài)等多類別的原子技能庫；基于 Skill Graph 的任務圖生成機制，通過結構化圖模型而非傳統(tǒng)代碼邏輯驅動機器人行為；跨機器人平臺的模型復用能力，使不同機器人可共享如 VSLAM、目標檢測、軌跡生成等原子模型；以及支持實時任務編排的動態(tài)行為組合，使機器人能夠根據(jù)情境變換重構任務執(zhí)行鏈路。借助這一層，機器人首次具備類似“思維積木”的智能能力，智能行為從固定邏輯轉變?yōu)榭山M合、可擴展、可實時演化的任務體系。

6.系統(tǒng)安全層

系統(tǒng)安全層構建的是一個“由下而上、多級聯(lián)動”的安全體系，從物理行為開始守護，一直向上延伸到?jīng)Q策安全、主動預警和數(shù)據(jù)安全。這種設計保證了只要系統(tǒng)啟動，安全就始終在線，貫穿機器人生命周期的全部環(huán)節(jié)。

L0｜本能反射層：最底層的機械與電氣保護。安全從最根部開始：電機斷電、STO、限位、限扭、急停等機制構成機器人的“本能反射”，確保即使在最極端的情況下也不會造成物理傷害。這是所有安全的地基。

L1｜動作審查層：實時運動安全約束。再往上一層，是由 MCU/R5F 等實時控制單元構建的動作審查系統(tǒng)。它以毫秒級速度監(jiān)測速度、加速度、力矩和關節(jié)狀態(tài)，阻止任何不合理動作的發(fā)生。安全開始從“物理兜底”進入“實時保護”。

L2｜安全軌跡層：計劃級的行為兜底。在控制安全之上，是規(guī)劃與軌跡層的安全機制。即使決策模型輸出異常，也會自動降級為“安全軌跡”，防止機器人進入風險區(qū)域。AI 出錯≠執(zhí)行危險動作。

L3｜策略防護層：約束高層意圖，避免錯誤策略落地。再向上，是高層行為與策略的安全約束。所有任務、計劃和策略在下發(fā)前都要經(jīng)過校驗，確保不會突破安全邊界。決策層面具備“自我約束能力”。

L4｜主動預警層：提前100ms的危險預測能力。在此之上，是由多模態(tài)感知驅動的主動預警系統(tǒng)。人機距離、接觸風險、速度趨勢、傳感器健康狀況等都會實時監(jiān)測，一旦判斷有風險，會主動觸發(fā)限速、減速、停機。機器人第一次具備“第六感”。

L5｜數(shù)據(jù)安全層：大腦與隱私的最高級守護。安全的最頂層來自數(shù)字世界：隱私保護、防攻擊、防入侵。本地推理、數(shù)據(jù)不上云、端到端加密、NOC 防火墻與安全啟動機制共同構建機器人“大腦的護城河”。不僅動作安全、決策安全，也保障數(shù)據(jù)與模型的完整性。從最底部的 “不傷人”，到中層的 “不做錯、不想錯”，再到最高層的 “不泄漏、不被攻破”。

系統(tǒng)安全層建立起一個完整的安全金字塔：

底層 → 身體安全（物理行為層）

中層 → 意圖安全（規(guī)劃與決策層）

頂層 → 大腦安全（隱私與系統(tǒng)完整性）

這種自底向上的安全架構，是機器人從“小規(guī)模示范走向大規(guī)模落地”的根本前提，也是 SesameX 平臺區(qū)別于業(yè)界的核心價值。

綜上所述，SesameX 多維具身智能計算平臺的核心價值不在于單一算力的提升，而在于提供了一套從端側模組到全腦智能、從硬件到底層軟件、從模型到安全的完整系統(tǒng)體系。平臺通過六層架構實現(xiàn)了行業(yè)首次的全鏈路統(tǒng)一：

硬件層統(tǒng)一 ：模組化、高集成、跨形態(tài)適配，覆蓋從移動到操作、從服務到人形的完整場景；

通信層統(tǒng)一 ： TSN、萬兆以太網(wǎng)與 WiFi7/5G 組成實時神經(jīng)網(wǎng)，支撐感知、推理與控制的確定性協(xié)同；

OS 層統(tǒng)一 ：Ubuntu+ROS 2+RTOS 的組合既保證生態(tài)兼容，又滿足工業(yè)級實時性；

中間件層統(tǒng)一 ：調度引擎、工具鏈與 Runtime 構成異構算力協(xié)調的“大腦操作系統(tǒng)”；

智能層統(tǒng)一 ： 原子模型+任務模型+Skill Graph 讓機器人智能像積木一樣擴展、復用與重組；

安全層統(tǒng)一：六層安全體系自底向上守護，從物理行為、規(guī)劃、策略到隱私與防攻擊全面覆蓋。

這種高度一體化的系統(tǒng)結構，讓 SesameX 多維具身智能計算平臺成為一款真正意義上的 “機器人全棧智能底座”：它讓機器人不僅能穩(wěn)定運行，更能隨環(huán)境變化持續(xù)成長；不僅能執(zhí)行任務，更能具備理解能力；不僅能處理感知與控制，更能實現(xiàn)全腦協(xié)同的認知智能。

SesameX 多維具身智能計算平臺的意義不僅在于讓機器人“動得好、看得懂”，更在于建立起一條從感知到智能、從安全到進化的系統(tǒng)級高速路，為機器人規(guī)?；涞靥峁┝饲八从械慕y(tǒng)一基礎。這正是 SesameX 的獨特價值：它不是一塊芯片，而是一套讓機器人真正邁向未來的系統(tǒng)智能架構。

四、結語：卓越的機器人商業(yè)落地合作伙伴

SesameX 多維具身智能計算平臺從 Kalos、Aura 到 Liora，覆蓋了不同復雜度與形態(tài)的機器人需求。這些平臺并非孤立產(chǎn)品，而是構成一套可協(xié)同、可擴展的機器人智能階梯。

黑芝麻智能希望通過 SesameX，與機器人整機廠商、算法公司、系統(tǒng)集成商共同構建開放生態(tài)，讓機器人在真實世界中具備長期穩(wěn)定運行與持續(xù)成長的能力。真正的具身智能，不只屬于算法或算力，而屬于一個能夠被產(chǎn)業(yè)廣泛采用、不斷演進的系統(tǒng)基礎。SesameX 正是為此而生。

黑芝麻智能的 SesameX 多維具身智能計算平臺，讓機器人能夠有“可信任的安全”，從“可運行”走向“可成長”，從“可演示”走向“量產(chǎn)落地”。讓我們一起推動機器人安全和智能的進化，讓機器人早日成為我們的助手和伙伴。