从“回答问题的 AI”迈向“采取行动的 AI”

AI 的首次重大突破发生在云端，而下一个阶段将在现实世界中展开。

AI 热潮从云端 AI 转向物理 AI，促使企业重新审视以往对性能的认知。当 AI 必须感知环境、进行推理，并控制在人类周围运行的机器时，为训练和推理而设定的指标只能反映部分情况。在这类系统中，性能已成为系统级问题，并将重塑机器人的衡量方式、设计方法，以及最终为其提供动力的计算架构。

二十年来，AMD 技术已广泛应用于工业机械臂、自主移动机器人、手术系统和航空航天平台，在机器人领域积累了深厚经验。我们为这些系统提供了机器视觉、传感器融合、确定性电机控制和功能安全能力，而 AI 正是在这一基础上继续发展的。

不断演变的性能定义

物理 AI 系统不只是给出答案，还会采取行动。因此，真正重要的因素也随之改变：响应能力、可预测性、功耗、安全性，以及在现实环境中可靠运行的能力。时序是贯穿这一切的核心。

控制决策如果未能及时到达，就不只是性能问题，而是一种故障状态，可能导致碰撞、系统不稳定或不安全行为。

在人形机器人领域，这一点尤为明显。它们进入工业场景的速度比大多数人预期得更快，而且正越来越多地在人类附近工作。

在我与机器人 OEM 的交流中，最常听到的需求并不是峰值算力，而是让先进 AI 模型与确定性的实时控制并行运行，在系统层面将智能与有明确时间边界、可预测的响应结合起来。在物理世界中，错过时序窗口并不只是延迟，而可能带来不安全的后果。

衡量指标选错了

行业仍在围绕错误的数字进行优化。对于物理 AI 而言，TOPS（每秒万亿次运算）并不是完整的衡量指标。它能够说明系统可调用多少算力，却无法说明系统能否在规定的时间窗口内感知事件、作出决策并采取正确行动。

这要求计算引擎、内存、网络、传感器和软件作为一个协调一致的系统协同工作，并具备足够的内存带宽，确保数据能够在需要的时间传输到需要的位置。如果数据传输、调度或其他环节导致错过截止时间，那么单个处理器上运行速度再快的模型，也无法造就一个快速的系统。

因此，物理 AI 必须从传感器输入到物理动作进行端到端衡量。仅看平均延迟远远不够。尾延迟和抖动同样关键，因为一次延迟峰值就可能使控制回路失稳。

模型基准测试也存在同样的局限。无论规划多么周密，如果机器人错过了采取行动的窗口，规划质量就失去了意义。真正经常耗尽时序预算的并不是模型本身，而是各阶段之间的所有环节，包括排队、调度、内存复制和数据传输。

一台机器，多种工作负载

物理 AI 并非单一工作负载。感知和推理以吞吐量为导向，非常适合映射至 GPU 和 NPU；实时控制由截止时间驱动，需要确定性执行，而 FPGA 和自适应 SoC 在这方面表现出色；CPU 则负责系统协调，确保各部分保持同步。

从“身体”到“大脑”，这些工作负载同时运行，但解决的是本质不同的问题，因此需要不同的计算架构。

如果让所有传感器数据流和控制决策都经过同一个处理器，就会在带宽、能耗和延迟方面形成瓶颈。这些都是系统级限制。

像构建人体一样构建系统

为不同工作负载配置恰当的计算资源，并让计算尽可能靠近数据和动作发生的位置。

在实践中，这意味着像描述人体一样构建机器人：由“大脑”负责感知、推理与规划；由“脊柱”承载整个系统中对时序敏感的通信；由“关节”以确定性方式执行动作；由“双手”完成复杂而灵巧的操作；并在边缘部署传感器。

最终形成的是一个由多个协调节点组成的分布式实时系统，而非单一处理单元。

安全是系统的固有属性

无论这些功能采用集中式还是分布式部署，安全性都取决于整个系统的行为方式，更重要的是，取决于系统在发生故障时如何响应。

这从一开始就会改变设计决策，包括在何处作出决策、如何隔离故障，以及哪些功能必须在严格的实时期限内作出响应。

冗余、平稳降级，以及全局约束下的本地决策。这些能力可帮助系统保持受控行为、进入安全状态，并在许多情况下，即使主要 AI 计算发生故障也能继续运行。

这是一个横跨机器人、汽车和工业自动化领域的行业挑战，需要硬件、软件与系统架构协同配合。安全并不是附加在系统之上的功能，而是决定系统如何构建的基本原则。

AMD 助力设计人员基于自适应 SoC 和 x86 平台构建这类架构。自适应 SoC 提供专用的锁步实时处理和可编程逻辑，可实现确定性的监测与控制，并由符合 IEC 61508、ISO 26262 和 ISO 13849 的安全认证芯片及认证设计流程提供支持。ISO/CD 25785-1 等新兴标准工作也凸显出业界日益重视动态稳定工业机器人的系统级安全。这些系统要求感知、计算、控制和故障响应均具备可预测的行为，因此系统架构从一开始就是一项基础性的安全决策。

在 AMD x86 平台上，Xen 作为一种可隔离不同工作负载的轻量级虚拟机监控程序，可通过分离具有不同安全要求的工作负载，并围绕内存、设备和共享计算资源建立受控边界，为混合关键性架构提供支持。

AMD 正与 Xen 社区携手推进 Xen 在 AMD x86 和 Arm 平台上的安全认证。这些工作不仅涉及隔离，还涵盖支持认证所需的要求、测试、故障注入和证据。安全概念审批现已完成，相关工作正在向最终认证阶段推进。

我们的构建成果

正是这种系统级视角塑造了面向机器人的 AMD Kria™ AI 解决方案，并形成了一系列可扩展的系统级模块产品组合：

• Kria AI SOM 和机器人载板，由 AMD Ryzen™ AI Embedded X100 系列处理器提供支持。
• AMD Kria™ AI 机器人开发者平台，一款融合 CPU、GPU、NPU 和 FPGA 计算能力的开放式集成平台。
• AMD 机器人软件套件，以及开放的 AMD 机器人合作伙伴网络。

“大脑”采用 Kria AI，“脊柱”采用 AMD Versal™ 自适应 SoC，“关节”和“双手”采用 AMD Zynq™ SoC，传感器端则采用 AMD Spartan™ FPGA。Foundation Robotics 和 Generative Bionics 如今正在基于这些产品开展构建。

在机器人领域，“开放”不能只停留在纸面标准。AMD 机器人软件套件是基于 AMD ROCm™ 平台和 ROS 2 操作系统构建的开放、可移植软件栈，并支持 PyTorch、ONNX 和 MoveIt。Kria 开发者平台的硬件规格同样开放，使客户能够灵活选择 ODM 合作伙伴，并围绕 AMD 芯片按产品所需的外形规格进行构建，而不会被供应商锁定。

峰值算力固然重要，却只能反映部分情况。只有对整个系统进行优化，并将每种工作负载映射到合适计算引擎的开发者，才能打造在关键场景中可靠运行的机器人。峰值算力可以成就令人惊叹的演示，而系统级性能才能真正将演示转化为产品。