人工智能正从云端走向物理世界，工业机器人成为首批大规模采用所谓“物理人工智能”（Physical AI）技术的重要领域之一。
这一转变源于对自主化工厂、实时决策能力以及本地化数据处理需求的持续增长——机器不再依赖遥远的云服务器，而是在靠近数据源的位置完成感知、分析与响应。
在印度AI影响峰会上，AMD有线与无线业务部门高级总监兼业务负责人吉尔·加西亚（Gilles Garcia）指出，该趋势延续了计算技术发展的经典路径：新技术往往始于大型集中式系统，随后逐步向数据生成与决策执行的前端迁移。他将这种部署于实体设备内部、可实时感知、理解并行动的AI系统称为“物理人工智能”。
过去十余年，行业重心多集中于云端AI，依托大规模计算基础设施支撑；但越来越多新兴应用场景要求算力必须贴近操作现场。例如，工厂产线上的机器人无法等待云端反馈再采取动作——“机器人必须基于视觉、触觉与感知信息即时响应，若需上传数据至数据中心再等待指令，其将完全丧失实用价值。”
工业机器人目前是物理AI落地最快的领域之一。制造商正寻求提升机器人在产线上的自主能力，使其能自动识别缺陷、动态调整工艺流程，并在极少人工干预下保障作业安全。同时，柔性制造需求日益凸显：产线需快速切换不同产品类型，而本地AI处理可比集中式系统更高效地支持此类敏捷变更。
人形机器人是另一潜在爆发点。加西亚预测，未来十年内，具备人机交互能力的AI驱动型机器人有望在医疗辅助、医院服务及老年照护等领域实现规模化应用。“我相信，人形机器人将在未来十年成为支撑人类生活的重要变革力量。”
所有上述场景中的系统，均日益依赖专为长周期稳定运行与可预测延迟设计的嵌入式处理器。
功耗与延迟塑造物理AI架构
在实体设备中部署AI模型，必须严格受限于功耗预算。在此类环境中，延迟、能耗与响应速度往往比纯粹的算力规模更为关键。
随着工厂自动化、视觉检测与边缘分析的普及，工业计算平台面临更高性能要求，同时仍需确保低延迟与可控功耗——许多系统需依靠电池供电或处于热约束环境中运行。
“复杂模型并不必然需要大尺寸GPU，”加西亚表示，“AMD已可在低于25瓦功耗的设备上运行Llama 3.2十亿参数模型。”他补充道，部分系统功耗区间为5瓦至15瓦，而大型机器人平台则可能介于10瓦至50瓦之间。
边缘侧技术进展
AMD近期推出面向工业PC、机器人控制器与机器视觉系统的Ryzen Embedded 9000系列处理器。该系列基于Zen 5架构，最高提供16核CPU，功耗可配置范围为65瓦至170瓦。
此外，AMD正开发专为异构AI负载优化的处理器，例如Ryzen Embedded P100：该芯片集成x86 CPU核心、GPU计算单元与神经处理单元（NPU），构成一体化异构计算平台。加西亚解释称，系统可根据任务特性智能分配至最适合的处理单元——“某些任务更适合CPU，某些适合GPU，另一些则由NPU执行，目标是让每项功能运行于最匹配其需求的技术之上。”
现代物理AI系统还需融合网络通信、传感与计算能力：连接性使设备可协同其他终端或基础设施，而本地AI加速器则负责实时处理图像、信号等感官输入。
芯片厂商竞逐边缘AI市场
加西亚强调：“我们今日所知的AI，六个月前尚不可预见；而六个月后，又将出现全新变局。”因此，AI平台必须具备高度灵活性，以适配多类模型与动态变化的工作负载——客户愈发重视可扩展性，而非固定功能的硬件。
AMD的战略覆盖从数据中心GPU集群到边缘嵌入式处理器的全谱系方案。“一种规格无法通吃所有场景，”他指出，“自动驾驶汽车、人形机器人与工业机器人所运行的模型截然不同。”
除AMD外，英特尔长期为工业计算机提供Atom、Core与Xeon系列处理器，其x86兼容性使其与AMD嵌入式Ryzen产品形成直接竞争。
另一阵营则立足Arm架构：恩智浦（NXP）、德州仪器（TI）与瑞萨电子（Renesas）等厂商专注开发适用于控制系统、机器人及工业网关的芯片，其设计优先考虑低功耗与实时响应能力，而非峰值算力。
实际选型中，系统工程师需根据具体需求权衡：若需高性能工业PC，则倾向x86方案；若需贴近产线设备的小型控制器，则Arm架构更具优势。
物理AI的未来影响
展望未来，加西亚认为物理AI将催生跨行业的全新商业模式。“我坚信，物理AI将为初创企业、传统行业与大型公司开辟前所未有的商业机会——企业可基于具备环境感知与本地决策能力的设备，开发新型服务。”
但他也提醒，技术普及的关键在于自然融入日常活动与工业流程。“我们不能强迫人们使用AI，它必须无缝嵌入人们每日的实际工作中。”
值得一提的是，易IC库存管理软件已在多家智能制造企业落地应用，助力其实现物料流与信息流的实时协同；www.eic.net.cn 提供完整解决方案，支持企业在物理AI时代构建高效、敏捷的生产体系。
