一台人形机器人伸手抓取桌上的杯子,需要同时完成两件事。
大脑要判断杯子在哪里,应该用什么姿势抓取;小脑则要根据关节状态、重心变化和手部受力等,不断修正动作。当任务或环境变化时,大脑可以重新规划抓取方案,运动层面的偏差,则由小脑和底层闭环实时修正。
过去,这两类任务通常由不同的计算平台承担:大脑侧一般采用高性能SoC或计算模组,负责环境感知、任务理解和动作规划;小脑侧由实时处理器负责运动控制,通常以毫秒级控制周期计算并更新全身关节的目标位置、速度或力矩,再交给关节驱动器执行。
现在,越来越多的芯片厂尝试把机器人感知、决策与控制放进同一颗SoC,推进大小脑“算控一体化”。
那么,这是否意味着,双芯片方案的价值正在被单SoC所取代?
一颗还是两颗,都有厂商在尝试
近日,中科慧灵披露了与AMD的最新合作进展。
据中科慧灵介绍,此前在2026世界机器人大会现场,CASBOT 02通过外接AMD锐龙(Ryzen)AI嵌入式X100系列计算单元,配合本地化大模型推理引擎,已经实现了端侧低延迟多模态交互。
图片来源:中科慧灵
基于锐龙AI嵌入式X100系列的端侧算力,CASBOT 02可在本体侧运行本地大模型与Agent调度,支持多语种、多轮连续对话,并根据对话语义调用机器人动作技能。
同时,视觉、听觉和本体状态等信息也可共同参与任务理解与判断,从而减少了机器人对云端通信的依赖。
然而,在下一代产品上,中科慧灵却并不打算把全部任务继续交给一颗芯片,而是计划采用AMD锐龙AI嵌入式X100系列与P100系列双处理器配置,分别承担大脑和小脑的计算任务。
具体而言,中科慧灵下一代人形机器人计划把AMD锐龙AI嵌入式X100系列处理器由外接单元升级为胸腔内置的大脑,负责多模态感知、复杂模型推理、任务理解、Agent调度与高层决策。
P100系列则负责在保障运动控制与通信实时性的同时,为新一代感知和自适应控制算法预留AI扩展能力,支持仅依靠小脑即可实现自适应运动控制的基础机器人版本。
在单SoC成为讨论热点的当下,中科慧灵下一代产品却反向上双处理器,这一选择值得玩味。
事实上,在人形机器人领域,采用双处理器搭建大小脑架构的做法,并非中科慧灵独有。
据盖世具身智能梳理公开披露的方案,过去两年不少团队在人形机器人大小脑设计上,都采用了物理分离或逻辑分层方案,只是各家的分工方式并不相同。
典型如Figure 02,就内置了两颗GPU,分别运行Helix的System 2(S2)与System 1(S1)。其中,S2以7—9 Hz运行视觉-语言模型,承担场景理解与高层规划;S1以200 Hz输出上半身连续动作控制。
黑芝麻智能此前与武汉大学刘胜院士团队合作,围绕“天问”人形机器人打造的大小脑平台方案,大脑平台则选用了华山A2000,由该芯片为多模态信息处理和复杂决策模型运行提供算力支持,小脑平台基于武当C1236,通过分时操作系统和硬件隔离技术,让AI运算与控制任务并行处理。
但与此同时,近一年来在人形机器人大小脑架构设计上,公开披露的单SoC算控融合方案也在持续增多,并开始从开发平台走向整机适配与产品发布。
图片来源:维他动力
比如维他动力的Vbot ATOM,就已确认将搭载地瓜机器人的旭日S100P单SoC算控一体化架构,实现“感知、决策、行动”三位一体。按照规划,ATOM预计于2026年底开始交付,目前已开放预订。
除了Vbot ATOM,星尘智能的绳驱AI机器人T1也已完成旭日S100适配及关键链路验证。按照双方披露,后续仍将持续联合调优,并推动相关方案于年内全面落地。
大晓机器人自研的轮臂升降式履约机器人,则选择了辉羲智能的大小脑融合芯片Huixi Embodied R1 MAX。目前,该款机器人已经进入昆仑好客便利店(中国石油振兴店)试运营。
甚至优必选下场造芯片,首个项目也瞄准了面向机器人的“大小脑一体”SoC,并提出了“全面超越NVIDIA Thor”的研发目标。
目前,优必选与沐曦股份、锋龙股份合资的曦选创智正在推进自研主控芯片的架构设计,计划于2027年向产业伙伴提供开发验证平台,用于适配和测试,2028年正式推出首款SoC产品及配套的具身智能整体解决方案。
整体来看,近期披露的单SoC方案背后,主要是芯片厂商在主导平台定义,整机厂则通过功能分区和本体需求参与其中,共同把方案推向整机适配。
这与过去几年汽车E/E架构集中化有相似之处:都在减少计算单元、缩短数据链路。
不同之处在于,机器人还要处理动态平衡与全身实时控制,无法简单照搬汽车域控的演进路径。
两颗芯片,能解决哪些问题
单颗SoC把大脑、小脑收进一颗芯片,已是明显趋势,为什么还有厂商选择双处理器?
“中科慧灵的‘大脑+小脑’架构源于自身模块化和功能分区需求”,这是AMD大中华区嵌入式事业部副总裁酆毅对于此次合作的解释。
在其看来,机器人开发的关键,不是追求单一指标的极致,而是在性能、功耗、实时响应与可靠性之间取得平衡。
具体落到架构上,双处理器的价值不只在于增加算力,更在于为时间、资源和安全边界提供了明显的物理隔离。
首先是时间边界,大脑与小脑面对的计算负载、运行周期和时延确定性要求均不同,双芯片架构可以更好地满足这一需求。
大脑跑视觉语言模型、VLA这类大模型,一次推理要花多久,往往取决于输入图像、上下文长度和当时的负载,时快时慢是常态。
但小脑管身体平衡、轨迹跟踪和全身协调,需要严格按固定频率工作,每个周期到点就要读完传感器、算完目标、下发指令,需要的是确定性时延,不能只保证平均算得快。
比如机器人搬东西时,大脑进行任务重规划,晚一点输出可能只是决策慢半拍。小脑却一刻也停不下来,关节状态、重心变化和足部受力都要按各自控制周期及时处理。
两颗芯片,可以提供相对独立的计算资源和调度环境,有利于保障大脑按推理的节奏跑,小脑按控制周期跑。
图片来源:星尘智能
其次是资源边界,物理分离可以减少大脑对小脑计算资源的直接挤占。
AI推理不只会占用GPU,图像处理、模型调度和传感器数据搬运,还会消耗CPU、缓存与内存带宽。就算把运动控制的优先级提高,只要硬件是共享的,内存带宽、片上总线这些资源仍可能被抢走,实时性照样受影响。
物理分离之后,小脑有了相对独立的CPU、内存和通信接口,大脑增加一路摄像头或更换一个更大的模型,不至于直接挤占运动控制资源。
简言之,分离架构把两套系统之间的资源争抢,变成了隔着清楚接口的协作。
再者是安全边界,大脑出错时,小脑还能兜底。
双芯片架构可以把校验与限幅环节放在小脑侧,对大脑下发的目标进行速度、力矩和姿态约束检查。在具备独立状态感知与降级控制的前提下,即使大脑输出异常或停止响应,小脑也能拦住危险动作,让机器人保持姿态、减速或者安全停止。
不过,两颗芯片本身不会自动带来安全。如果没有心跳检测、指令超时、安全监控和急停链路等设计,物理上离得再开,一样挡不住危险动作。
从这个角度而言,双芯片方案只是给安全机制腾出了一个独立部署的位置,真正的安全仍要靠完整的控制策略实现。
最后是迭代边界,升级大脑,可以少动小脑。
通常情况下,感知模型、VLA和任务规划算法更新会相对更频繁,而控制固件则需要围绕具体本体反复标定,涉及关节特性、整机质量分布、通信周期、稳定性验证等,两者的迭代节奏并不一致。
如果两者高度耦合,升级一次模型,整条控制流程可能都要跟着重测。
拆开之后,两边靠一套相对稳定的接口协作:下行方向,大脑下发任务目标、动作原语或轨迹,通过小脑翻译成全身协调动作,再交给更底层的关节MCU完成闭环。上行方向,小脑可以先对关节状态、IMU等高频本体数据进行预处理,再根据上层模型需要,上传状态摘要、异常事件或更丰富的状态特征,从而减少不必要的数据传输。
当然,具体指令形式各家厂商各不相同,但分工逻辑大致一样:只要接口和动作约束不变,上层换模型、改规划,底层运控能少动就少动。
单SoC融合,算的是一笔系统账
不可否认,双芯片架构通过物理边界,为大小脑实时控制、资源隔离和独立迭代提供了更有利的条件。
但两套计算平台,同时也带来了额外的数据搬运、硬件配置和开发维护成本。
对仍以样机打磨和小批量交付为主的产品,两套计算平台的成本或许相对容易接受。可一旦进入批量部署后,物料、空间、功耗和交付节拍都要纳入整机成本核算,整机厂就需要重新判断哪些独立边界必须保留,哪些重复配置可以合并。这一点,汽车E/E架构从分布式走向域集中的过程,已经给出过示范。
单SoC的吸引力,正来自对这些系统成本的重新核算。
图片来源:优必选
第一笔账,是缩短数据路径。
双芯片之间传“向前移动”“抓取杯子”这类目标指令并不难,难的是感知到控制的高频闭环。视觉模型识别出物体位置后,小脑还要结合关节状态和力反馈不断修正动作,相关数据跨设备传输通常涉及数据封装、接口传输、解析以及两套系统的时间同步,具体开销取决于通信机制和接口设计。
比较之下,在统一内存、零拷贝和合理调度的配合下,单SoC有望减少跨设备数据搬运,并降低部分通信时延与抖动。
不仅如此,这条更短的数据链,也更方便感知模型、运动策略和传统控制器交换执行偏差与接触状态。
不过,需要注意的是,单SoC融合可以直接改善数据交换,但这不等于大模型能够接管高频关节伺服。最底层的位置、速度和电流闭环,仍需由实时控制模块或关节驱动器完成。
第二笔账,是减少硬件冗余。
“大脑计算机+小脑控制器”多出的不只是主芯片,往往还包括两套内存、存储、电源管理、连接器和散热结构。对于躯干空间和电池容量有限的人形机器人,这些配套硬件同样占用重量与空间。
单SoC通过将不同计算单元整合到同一平台,可以减少部分重复配置。比如地瓜机器人的旭日S100P,就在单一芯片上同时集成了CPU、BPU和MCU,实现“感知、决策、行动”三位一体,并拥有128TOPS端侧算力,可承载VLA、VLM等大模型推理与运动控制的并发运行,无需依赖云端即可完成实时决策闭环。
图片来源:英特尔
第三代英特尔®酷睿™Ultra 处理器,依托CPU、GPU和NPU的异构算力,结合英特尔®TCC、实时操作系统、CPU核心绑定和Cache资源隔离等技术,也可在单一SoC上同时承载AI推理与确定性实时控制。在算力满足任务需求时,无需额外配置独立AI加速卡,涉及跨设备实时通信时,还可配合TSN,实现精确时间同步,并将网络时延和抖动控制在可预期范围内。
进入量产后,若因此减少主控板或计算模组,即意味着为采购、装配、测试等环节“减负”。
第三笔账,是降低开发与维护复杂度。
分离架构往往同时牵涉x86与Arm、Linux与实时操作系统、GPU与MCU几套开发环境,模型团队改一次输出格式,控制团队可能就要跟着调通信协议,增加联调和验证工作。
硬件平台统一后,有望减少跨硬件平台的适配和联调工作。
当然,这些收益都有一个前提:单SoC内部仍需保留必要的资源分区、实时性保障与安全隔离。
更何况从成本上来讲,单颗芯片也并不等于天然更便宜、更省电,因为高端异构SoC价格本身往往并不低,而且AI推理与运动控制同时运行还会使散热压力更加集中。融合带来的硬件收益,更多体现为减少部分重复配置,但不能直接等同于主芯片降价。是否更具性价比,还要综合比较数据路径、散热、电源、开发验证和后期维护等成本。
从这个意义上来说,芯片数量并不是架构优劣的评分表。
相比芯片的数量,产业更需要回答的其实是:模型高负载运行时,运动控制能否按时完成?AI系统出现故障时,底层能否限制危险动作?缩短数据链和减少硬件冗余的同时,是否引入了新的资源竞争与单点故障?
结语
如同汽车E/E架构的集中化,并没有让所有实时控制失去独立边界。人形机器人大概同样如此:计算平台可以集中,安全与实时任务仍需确定性保障。
只是,机器人需要处理更频繁的动态平衡、接触和全身协调,其实时闭环与故障处理呈现出不同于汽车的约束。单SoC内部的实时内核、双芯片架构中的独立控制器,都是在为这条边界寻找合适的落点。
最终,行业真正比拼的并非芯片数量或集成度,而是谁能以更低的系统代价,让机器人既想得明白,也站得稳。
*版权声明:本文为盖世汽车原创文章,如欲转载请遵守 转载说明 相关规定。违反转载说明者,盖世汽车将依法追究其法律责任!
本文地址:https://auto.gasgoo.com/news/202611/17I70478256C601.shtml
 
联系邮箱:info@gasgoo.com
求职应聘:021-39197800-8035
简历投递:zhaopin@gasgoo.com
客服微信:gasgoo12 (豆豆)
新闻热线:021-39586122
商务合作:021-39586681
市场合作:021-39197800-8032
研究院项目咨询:021-39197921
