
本文刊载于《中国科学院院刊》2026年第9期“政策与治理钻延妆
刘少山1* 朱振华2,4 甘一鸣3 汪玉2 谢源4
1 丽江人为智能与机械人钻研院
2 清华大学 电子工程系
3 中国科学院推算技术钻研所
4 香港科技大学 电子与推算机工程系
具身智能(Embodied AI)正成为推动人为智能由感知理解走向通用自主的沉要范式。具身智能要求端侧推算系统在靠近传感与执行的地位、在严格的功耗/散热/体积约束下,同时支持“认知—规划”的高通量推算与“感知—节造”的毫秒级关环。在此布景下,具身智能的主题技术形成了3个关键技术方向:面向异构具身智能负载的数据流—芯;低辰峁埂⒁源娲⑽行慕档褪莅嵩丝囊旃雇扑阈酒⒒赗ISC-V的可定造指令与怒放工具链。萦绕面向具身智能的端侧推算系统,文章系统梳理国内表最新进展,并在此基础上提出面向我国的沉点投入方向与政策建议,蕴含构建数据流架构的统一评测与尺度系统、软硬件开源生态、以数据流为主题的近存/存内推算,以及具身智能基础模型的端侧高效部署蹊径,最终推动技术突破转化为产业影响与国际规定参加能力。
01 具身智能的推算挑战与钻研近况
具身智能(Embodied AI)是推动人为智能(AI)由感知理解走向通用自主的关键范式,通过整合感知、认知、决策与执行能力,使智能体可能在真实物理世界中与环境持续互动、进建并适应变动。与传统依赖静态数据和云端算力的AI分歧,具身智能强调“在环境中进建”,要求推算系统在靠近传感与执行的地位实现实时反映与自主决策。这一特点使其推算系统不仅要具备大模型的认知推理能力,还要在端侧设备上满足低功耗、低时延与高靠得住性等严苛约束。
具身智能推算的系统性挑战
在具身智能从算法走向系统实现的过程中,其推算范式出现出与传统AI显著分歧的特点,并由此引出一系列系统层面的关键挑战。总体来看,具身智能推算在端侧部署过程中重要面对3个系统性挑战和矛盾:双时标负载矛盾、算存失衡及云依赖风险。解决这些矛盾必要在算法、架构与能效之间形成新的协同平衡,而这正是国际与国内钻研共同索求的方向。
结构性问题1:双时标负载矛盾。从系统角度启程,具身智能的推算特点可概括为一个“大脑—幼脑”双层关环系统。其中,“大脑”指百毫秒级的多模态感知、推理与规划?,掌管工作分化与跨模态推理;“幼脑”对应毫秒级的感知-节造关环,用于精确活动节造与实时反馈调整。面向端侧硬件系统,“大脑”和“幼脑”2类推算负载必要在统一系统中并走运行:前者钻营强能力与高吞吐,后者强调确定性与低延长,二者在功耗与推算资源上存在显著竞争关系,形成具身智能推算的主题矛盾。若何在端侧算力与带宽受限的前提下,同时两全复杂推理能力与高精度实季节造能力,是构建端侧具身智能推算平台的关键挑战。
结构性问题2:算存失衡。随着Transformer等深度神经网络成为具身智能的基础模型,参数规模和推算量持续增长,而存储器带宽与访存能效提升远不及算力提升速度。钻研批注,数据搬运能耗占端侧系统总能耗的60%以上。在典型具身工作中,动态随机存储器(DRAM)接见能耗可达到算术运算的3600倍,导致“算得起但传不动”“算力高但续航差”的持久瓶颈。算存失衡不仅限度了模型在端侧的持续运行能力,也减弱了基础模型的实时推理机能。
结构性问题3:云依赖风险。当前很多具身智能系统仍依赖云端推算资源实现推理与模型更新,这种模式虽在算力上具备优势,但带来高时延、高能耗与隐衷泄露等风险。例如,机械人执行高速操作时,数十毫秒级的网络延长即可导致节造失稳;持续上传感知数据则露出幼我隐衷与安全缝隙。随着具身智能从尝试室走向真实环境,其推算系统必须从“云中心”转向“端侧中心+端云协同”,以确保实时性、安全性与自主性。
国际钻研近况与云依赖问题
国际上,具身智能钻研以大模型驱动的多模态融合为主题趋向。典型如RT-2模型,通过将机械人作为序列离散化为文本象征并在视觉说话模型上结合微调,实现了从网页知识到节造战术的迁徙,显著提升跨工作泛化能力;PaLM-E模型则将视觉、说话与作为深度融合,展示了跨模态集成在复杂工作推理中的潜力。这些工作标志取具身智能进入“大模型—多模态—行为一体化”的新阶段。
然而,这种“云侧驱动”的模式带来了3个凸起问题。
1.实时性不及。云侧推理延长常在百毫秒级,远超自动驾驶与工业机械人所需的毫秒级关环。
2.能耗与成本过高。模型推理需频仍上传与缓存大量多模态数据,能效远低于端侧执行。
3.安全与隐衷风险凸起。环境感知数据在传输过程中易遭泄露或攻击。
这些问题揭示了基于云的大模型系统在具身智能中的不成持续性。
2024年电气电子工程师学会(IEEE)国际设备与系统路线图(IRDS)在《自主推算白皮书》(Autonomous Machine Computing White Paper)中明确指出,未来具身智能的发展必须依赖端侧高能效推算系统,以支持“认知—规划”的高通量推算与“感知—节造”的毫秒级关环。《自主推算白皮书》提出应将约20%的算力用于实季节造、80%用于复杂推理,并通过系统化设计解决云依赖问题。这标志取国际钻研已从“钻营模型规模”转向“钻营系统效能”。因而,轻量化模型、数据流架构与异构芯片成为全球未来具身智能推算的三大共识方向。
国内索求与分层架构思路
在国度层面,中国已将具身智能上升为AI发展的战术前沿。《中华人民共和国国民经济和社会发展第十五个五年规划纲领》明确指出,要面向通用人为智能(AGI)发展蹊径,激励具身智能等新一代AI关键技术创新。中国信息通讯钻研院颁布的“2024年人为智能产业十大关键词”中,将“具身智能”列为AI十大关键词之一,明确提出要强化端侧自主推算与软硬件协同创新。这为国内钻研确立了差距化方向:一方面对标国际前沿的大模型趋向,另一方面在推算架构上强化自主可控与能效优化。
国内钻研逐步形成了以“大脑-幼脑分层协同”为主题的具身智能系统思路。“大脑”侧沉高层认知与持久规划,“幼脑”侧沉低延长节造与执行,两者通过算法与系统结构协同设计,实现推理能力与及机遇能的平衡。该分层框架不仅借鉴了生物神经系统的双回路结构,也在现实工程中显露机能优势:通过数据流化执行与异构资源调度,可同时降低能耗与时延,实现“高通量推理—确定性节造”的统一。
在硬件蹊径上,数据流架构与存算一体(PIM)成为突破冯·诺依曼瓶颈的沉要方向。其以“数据可用即触发、数据原位推算”为执行准则,预防挨次式调度中的空转与冗余搬运,能在一样功耗下显著降低时延与能耗。同时,RISC-V盛开指令集生态在国内急剧成熟,可能凭据工作需要矫捷扩大事务驱动、中断优化与张量推算等指令,为具身智能端侧的“认知—节造”双层负载提供硬件支持。这条“数据流+存算一体+RISC-V”的蹊径兼具能效、盛开性与可验证性,有望成为我国具身智能推算系统的怪异优势。
共性瓶颈与利用牵引
只管国际与国内蹊径有所差距,但具身智能推算系统面对的主题瓶颈趋同,重要集中在3个方面:双时标负载矛盾、算存失衡与云依赖风险。双时标负载矛盾体现为认知与节造工作在统一平台上竞争算力与功耗资源,难以同时满足高通量推理与毫秒级节造;算存失衡阐发为模型推算密度增长远快于存储带宽扩大,数据搬运能耗已成为端侧能效的主导职守;云依赖风险则源于过度依赖云端推理所带来的时延与隐衷泄露问题,限度了具身智能的实时性与安全性。
要破解上述瓶颈,仅靠算法或硬件的孤立优化已难见效,必须构建“模型—架构—生态—尺度”的协同创新系统:通过轻量化模型与分层架构降低端侧时延与能耗,以数据流和存算一体技术沉构算存关系,依附RISC-V盛开生态实现自主可控的工具链与尺度系统,并成立可复现、可验证的工程基线。
与此同时,技术演进并非单向突破,而是由利用需要持续牵引。人形机械人、工业合作、医疗康养与家庭服务等典型具身智能场景对推算系统提出了差距化要求:人形机械人强调多模态感知与高自由度节造的实时耦合;工业合作器沉安全与确定性;医疗康养聚焦隐衷;び氲凸谋镜赝评;家庭服务强调环境自适应与在线进建。
这些场景的共同特点是,智能体必须在本地、实时地感知、理解并响应世界,而非依赖高延长的云端推算。由此,推算系统成为具身智能从“概想验证”走向“规模落地”的主题使能器。高能效、低时延、可定造的端侧推算平台,不仅支持模型的实时推理与节造关环,更是衔接算法创新与场景落地的关键接口。
因而,具身智能的技术蹊径该当遵循“利用牵引—推算赋能—场景反哺”的正向逻辑:利用界说推算约束,推算赋能场景实现,场景复杂性又反过来推动推算系统的持续优化。推算系统不再只是支持层,而是具身智能产业化的战术中枢。
02 关键技术方向
数据流架构:“数据可用即触发”承载双时标负载
面向具身智能的端侧推算系统,其最大挑战之一是“大脑—幼脑”双时标负载矛盾:认知层必要在百毫秒量级实现多模态推理与工作规划,而节造层必须在1千赫兹关环下实现毫秒级作为节造并将抖动压至亚毫秒。针对这一问题,数据流架构以“数据可用即触发”为执行准则,通过事务驱动的异措施度机造实现跨时标工作的并行与确定性响应。
在这一架构中,感知—认知—节造链路被映射为一张多源传赣注强因果、强并行的数据流图,推算单元仅在数据达到时被触发,从而预防传统挨次式冯·诺依曼调度中的空转与冗余搬运。将带宽与部门存储置于系统设计主题,可能显著降低工作间期待与远距接见带来的能耗与延长。初步尝试批注,在典型具身工作中,数据流架构可使端到端时延降低30%—50%,整体能效提升2—3倍,为实现毫秒级关环与高能效自主节造提供了系统级基础。
已有系统结构钻研批注,在端侧具身工作中,基于数据流调度的芯;芄相较传统中央处置器(CPU)/图形处置器(GPU)冯·诺依曼系统,端到端时延可降低30%—50%,能效提升2—3倍。这充分证明数据流架构在协调“大脑—幼脑”双时标负载和提升端侧实时性方面的结构性优势。Eyeriss通过row-stationary数据流显著降低片表接见,张量处置单元(TPU)以脉动阵列/数据流执行削减DRAM接见并提升效能,印证“瓶颈在存不在算”;TPU选取数据流/脉动阵列,由算子图驱动在片上静态随机存取存储器(SRAM)复用数据,显著降DRAM接见、提升机能与能效;在自动驾驶等类机械人推算中,感知—定位—规划—节造的流水/数据流组织已在功耗受限平台实现规;逃糜氤だ锍滩槐湓诵,为具身智能的端侧数据流范式提供了工程证据。据此可见,具身智能的视觉/说话张量推算可直接映射至数据流阵列,而“幼脑”侧可结合事务触发与确定性调度,从系统上同时保险百毫秒级推理与毫秒级节造的最坏时延约束。
为落实数据流架构在具身智能端侧的系统化落地,并针对双时标负载矛盾、算存失衡与不足统一评测基线等问题,未来的研发投入应聚焦于“编译—运行时—互连/封装—数据基线”的一体化建设。
1.针对双时标资源矛盾,建设数据流编译器与图级调度器,在部署期自动实现工作分块、张量融合、带宽配额与数据驻留战术固化,使“节造优先”成为可配置的硬约束,从编译层确保大脑—幼脑工作协同。
2.针对算存失衡与互连拥塞,以UCIe 1.1/2.0为锚买通“大脑—幼脑”芯粒间的低时延高速通路,使规划了局与节造反馈近似片上通讯,在封装层削减搬运蹊径与抖动,提升能效与实时性。
3.针对不足统一基准与工程证据链,沉淀跨场景工作负载与访存迹线库,形成可复现的QoS/能效基线与评测剧本,为数据流映射与运行时战术提供可验证、可迁徙的凭据。
通过以上3方面协同推动,可将数据流架构从概想验证拓展至具身智能的工程级推算底座,实现算法、系统与封装层面的全栈关环,为后续存算一体与RISC-V生态奠定高确定性、高能效的执行基础。
存算一体技术:沉构能效上限与带宽天花板
具身智能端侧设备的能耗瓶颈重要源于“算存失衡”,即算力增长速度远超存储带宽提升速度。在典型端侧芯片上,运行70亿及以上参数规模的具身大模型,综合处置能效普遍低于10词元(tokens)/焦,这意味着在通例电池容量下,具身系统的陆续工作功夫仅为2—3幼时,难以满足持久交互场景需要。造成这一瓶颈的底子原因在于,存储器读写能耗远高于推算自身——在7纳米工艺节点下,4字节定点加法操作的能耗约0.07皮焦,而一次DRAM访存的能耗高于250皮焦,是前者的近3600倍。
为解决算存失衡问题,存算一体提出“以存储为中心”的推算思路,通过在存储单元左近或内部直接执行矩阵运算,显著削减长距离数据搬运,实现“当场推算”。与冯·诺依曼架构“算为中心、存为从属”的设计分歧,PIM将数据蹊径缩短至存储阵列内部,从系统结构层面沉构能效上限与带宽天花板。目前,存算一体架构重要有3种典型的实现方式:模拟域存内矩阵推算、数字域存内逻辑推算、近存储推算,其差距与推算蹊径如图1所示。这3类规划在“推算靠近数据”的深度上存在差距,其中近存储推算更注沉兼容性,存内推算在能效与带宽利用率方面潜力最大(图1)。尝试与产业原型批注,在以矩阵乘法为主导的AI推算工作中,PIM架构相对于传统SoC/GPU基线可将整体能效提升5倍以上,在云端大模型推理场景下系统总占有成本(TCO)可降落6.9倍,关键AI推理工作的功耗降低约80%,端到端处置速度提升3.5倍。因而,存算一体架构被以为是突破端侧能效与实时性瓶颈的关键蹊径。

图1 存算一体典型实现方式
只管存算一体架构在能效方面展示出显著潜力,但其在具身智能端侧的工程化利用仍面对多层挑战。
1.器件与工艺层面。目前忆阻器等模拟型存储器件仍存在精杜纂一致性不及的问题,难以在复杂多模态工作中两全高推算精杜纂低硬件开销。应沉点发展高靠得住性存储资料及大规模存储阵列。此表,还需积极索求三维集成工艺,通过混合键合和堆叠封装提高推算密杜纂能效。
2.生态层面。与统一推算设备架构(CUDA)等成熟系统相比,存算一体软件栈仍不完善,开发工具链和仿真平台碎片化,导致编译优化与算子映射成本高。建议由当局牵头组织产学研共建统一的盛开软件栈,造订软硬件协同尺度,成立存算一体的编译框架与盛开生态,降低开发门槛、加快迭代。
3.系统层面。具身智能不仅依赖感知与推理,还蕴含实季节造与动力学推算,单一存算一体架构难以覆盖全数工作。应发展以存算一体为主题、结合CPU与NPU的异构推算系统,通过系统级协同实现“感知—决策—节造”关环的高效力处置,构建面向具身智能的全栈异构解决规划。
综上,存算一体技术通过沉构算存关系,在能效与带宽上突破传统架构极限,是实现端侧具身智能长续航与实时关环的关键蹊径。未来,应以自主可控的软硬件生态为主题,加快从器件创新到系统协同的全栈布局,确保我国在智能推算系统演进中占据先机。
基于RISC-V的具身智能推算尺度生态
芯片生态的建设逻辑往往被忽视。现实上,芯片厂商最直接的用户是软件开发者。软件开发者能否在芯片平台上高效开发与守护软件,决定了生态的成败。因而,软件开发者是否愿意在芯片上高效开发与守护软件,成为芯片生态成败的决定性成分。RISC-V作为开源指令集(ISA),性质上是软件与硬件之间的沟通桥梁;其生态不变性与成熟度决定了能否复造x86、先进精简指令集架构(ARM)等汗青成功蹊径;谎灾,若开发者不足使用RISC-V的工具链与库栈意愿或能力,RISC-V难以形成正反馈生态。对于具身智能推算系统而言,生态建设的关键在于突破用户迁徙与生态成熟的双向滞后,构建不变、可演化的端侧开发环境。
推广一套新的指令集系统(ISA)极具挑战,由于这意味着要让开发者常用的系统库和中央件在新平台上“即装即用”。当前无论RISC-V服务器端还是端侧芯片,生态建设都存在用户迁徙与生态成熟的双向滞后:在生态不完善前用户不愿迁徙,而用户不迁徙又难以推动生态成熟。尤其在具身智能这类跨场景利用中,软件谱系复杂、机能敏赣注验证成本高,导致生态分化与云依赖风险并存。RISC-V的盛开ISA及其统一工具链为解决这些问题提供了蹊径。一方面,通过盛开架构实现跨厂商一致的编译与调度接口,可显著降低软件库在分歧片上系统(SoC)上的迁徙难度;另一方面,可定造的SoC设计使得部门原需云端推理的工作(如语音鉴别、姿势估计等)可在端侧高效实现,从而削减云依赖、提升隐衷安全。
可行的破局蹊径是“纵向买通、场景先杏妆。优先选择一个明确可落地且对端侧特点高度敏感的场景,形成“利用—中央件—库—工具链—ISA扩大”的端到端关环。在此布景下,具身智能的端侧部署是梦想突破口。一方面,具身智能的天堑仍未收敛,场景界说和实现蹊径仍未统一,尚未被某一寂仔ISA生态“垄断”;另一方面,只管概想尚在演化,其关键中央件与常用软件库却相对清澈,具备可界说、可移植、可评测的客观基础。
现尝试证显示,对于机械人常用的推算库,RISC-V处置器已经拥有不弱于ARM主流端侧CPU的机能阐发。此表,RISC-V处置的机能也在高端芯片架构方面得到进一步印证:阿里巴巴达摩院于2026年颁布的C950处置器,最高主频3.2 GHz,SPECint2006突破70分,并集成Matrix与Vector双引擎,可流畅运行DeepSeek v3-671B,是初次原生支持千亿参数大模型的CPU;此表,“香山”开源CPU于2025年已成功本地部署DeepSeek-R1-Distill-Qwen-1.5B模型,同样验证了开源RISC-V核承载主流大模型的可行性。上述案例批注,在具身智能端侧场景下,RISC-V已具备可比肩主流ISA的实时性与能效阐发,为后续生态扩大提供了验证基础。RISC-V平台要实现上述关环,必要针对具身智能的软件分层系统,系统支持主题库、中央件与接口层组件(图2)。

图2 具身智能软件栈关键组件与RISC-V支持层级
结合具身智能软件分层栈,RISC-V必要优先成系统地支持如下关键组件:机械人常用主题库(Eigen、GTSAM、Ceres、QSQP/OSQP、OpenCV、PCL),系统软件与中央层(ROS/ROS2、RTOS),以及硬件驱动与接口层(SPI/I2C/MPI驱动等,以及UART、以太网、编码器、TSN)。上述3层贯通决定了端侧关环的带宽、时延、抖动与鲁棒性,是验证RISC-V端侧可用性的最幼关环。
从更长远视角看,RISC-V的盛开性与可定造性与具身智能端侧的多样化需要高度符合。其可裁剪的指令集机造支持从低功耗微节造器单元(MCU)到高机能异构SoC的统毕生态,既能维持软件栈一致性,又为差距化硬件设计提供矫捷空间。RISC-V社区的开源合作模式可实现中央件与主题库的急剧移植与优化,削减封关ISA带来的生态滞后。更沉要的是,RISC-V在安全扩大上具备可信执行环境(TEE)与可验证安全指令,为具身智能机械人在盛开环境下实现本地可信推算提供技术基础。
推算时期为中国构建自主生态提供了汗青机缘。若能率先在具身智能端侧构建从“库—中央件—工具链—ISA扩大”到利用基准的齐全关环,不仅将提升我国在智能芯片产业链的竞争力,也将使“中国架构”在国际尺度化过程中把握自动权,推动形成“RISC-V+具身智能”的新范式。
03 产业政策建议
要把前文提出的“端侧化、可验证、可规模”落成现实,政策与产业推动必须紧紧萦绕3条主线同时发力:以数据流架构沉塑执行范式、以存算一体技术抬升能效与带宽上限、以RISC-V尺度生态把步骤学沉淀为可复造的工程能力。
以统一架构尺度加快具身智能规;
1 确立方向
数据流架构已在TPU、Eyeriss与自动驾驶等“类机械人推算”中获得工程验证,可能在一样功耗与带宽约束下同时降低端到端时延与数据搬运能耗,并显著改善双时标(百毫秒级推理/毫秒级节造)的不变性;谡馓跚宄旱闹ぞ萘,应将数据流确立为具身智能端侧推算的默认架构路线,优先萦绕“数据可用即触发”的执行范式推动利用落地。
2 明确抓手
为实现急剧扩散,建议以开源+尺度化为主蹊径:将数据流编译与运行时纳入RISC-V生态(对齐Vector/Matrix与事务驱动节造),同步颁布中英双语的参考实现、接口规范与合规测试;在芯;チ隙云險CIe等通用规范,颁布“大脑—幼脑”参考设计与可复现尝试剧本,使科研团队和企业“拿来即用、即插即测”。在此基础上,将规范与基线按序提交RISC-V International、MLPerf/Bench、UCIe、IEEE/ISO等组织,推动事实尺度—行业尺度—国际尺度的天然演进。
3 用好激励
借鉴已被验证有效的轻量化激励工具,加快产业跟进。
1.公开测评与榜单,以了局驱动优化;
2.互操作认证-白名单采购,把“通过合规测试”与“可进入示范项目/生态市场”直接挂钩;
3.测试床与灯塔利用,面向工业合作、服务机械人、移动平台成立持久运行的盛开测试场,形成可复现的QoS/能效基线;
4.开源守护与工具链赞助,对关键编译器/运行时与参考实现赐与持续性支持。
通过这些被反复证明有效的机造,数据流架构可在更大领域内赋能具身智能利用,并以盛开、可验证、可互通的技术系统,把中国提出的架构规范稳步推向国际尺度。
存算一体共性技术:以具身智能为契机实现技术超过
存算一体(近存/存内推算)是跨行业的通用底层技术,其“少搬、当场算”可能直接突破带宽与能效瓶颈、不变最坏时延。我国在器件—电路—系统协同钻研与三维封装能力上并不落后,但在可量产宏单元、高带宽存储器(HBM)等先进DRAM存储器、工程化工具与第三方认证系统方面仍较弱。以具身智能对“百毫秒级推理-毫秒级节造”的刚性需要为牵引,齐全能够把已有学术优势迅速转化为可采购、可复造的产业能力,并以此带头存算一体向检索、数据库/流式分析、无线基站、端侧多模态与部门科学推算等更广领域表溢。
政策着力点应聚焦“从原型到量产”的短链路关环,萦绕3个方面发展。
1.强化基础器件和集成创新能力。结合产业链高低游,沉点推出可量产的DRAM近存推算与SRAM/Flash/RRAM 存内推算宏单元库,配套精度—能效—误差模型与尺度化校准流程,明确从多项目晶圆(MPW)到幼批量的工艺与良率门槛,大力发展混合键合等三维集成技术,通过多维堆叠提升推算密杜纂能效,突破传统二维缩放限度。同时给出参考板卡与底层驱动栈,降低系统集成门槛。
2.构建自主可控、开源盛开存算一体软件生态。由当局牵头组织产学研共建盛开、统一的存算一体软件工具链与编译框架,造订软硬件协同开发尺度。沉点建设面向存算一体的高机能高正确仿真器、跨平台编译部署工具及自动化校准库,降低开发复杂度。萦绕“可互通、可验证”,成立统一接口与怀抱规范,设立第三方“存算一体-Ready”认证与公开测评平台,强造披露器件与阵列一致性及读写机能、利用侧P99尾时延、Perf/W、带宽利用与精度维持等关键指标,提升系统通明杜纂可信度。
3.发展存算一体+CPU+NPU异构系统架构。以具身智能为先导利用,着力推动以存算一体为主题、融合CPU/NPU的异构推算架构发展。造订相应系统级集成与评测规范,支持“感知—决策—节造”关环的端到端优化。在持久运行的盛开测试场实现场景化验证,并将“存算一体兼容/认证”写入行业技术要求与招采条款,形成以利用拉动量产的正循环。
在尺度化与国际化上,应将成熟接口与评测基线成套提交至固态技术协会(JEDEC)、通用芯;チ际酰║CIe)、RISC-VInternational与IEEE/ISO,让国内规范先成为跨厂商的事实尺度,再上升为国际尺度。同步建设远程测评平台与开源守护机造,保险宏单元、模型库与校准工具的持续演进;在知识产权上以兼答理可降低选取门槛、以尺度必要专利池保险可持续投入。按此蹊径推动,短期可显著缓解“存储墙”问题、成倍提升系统能效并不变双时标关环;中期可形成“宏单元—封装—板卡—认证”的齐全产业链与国际对接通路;持久则以具身智能为契机实现存算一体的产业化赶超,并将中国提出的架构与评测规范转化为全球通畅做法。
RISC-V统一尺度:主导具身智能推算时期
要把我国的推算技术在具身智能时期做成“ARM/x86级”的生态堡垒,关键在于以RISC-V为底座,优先把“具身端侧”确立为明确的主战场,并用“尺度化+工具链+认证+示范”4步法急剧做大生态。
颁布面向具身智能的RISC-V能力基线。用通俗、可操作的方式把必须具备的指令能力、实时性与时延约束、功耗与带宽要求,以及与常见互连/存储规划的兼容天堑写明显、写不变,形成厂商和开发者能够直接对齐的“共同说话”。
萦绕这套能力基线,政策投入要集中到工具链与开发履历上。持续赞助编译器、运行时、调试与机能分析工具的开源迭代,提供可直接用于量产的软件开发工具包(SDK)、参考板卡与齐全示例工程,建设远程可用的持续集成与测评平台,推出有持久守护承诺的不变版本与中英双语文档。只佑装编译得过、跑得稳、复现容易”,全球开发者就会优先选择这条蹊径,生态天然会长大。
同步成立公开评测与合规认证机造,从而将可用性转化为市场可信度。颁布具身端侧基准套件与榜单,要求统一披露时延、能效、带宽与不变性等关键指标;设立“Embodied AI-RISC-V Ready”认证,把“通过认证”与示范项目准入、采购优先和算力/数据资源挂钩,形成“好产品更容易被选取”的正循环。示范层面,萦绕工业合作、服务机械人、移动平台等滚动推出“灯塔利用”,用可复现数据注明这条技术路线在成本、机能与靠得住性上的综合优势。
在国际化与尺度输出上,以白皮书、开源仓库与认证标识等方式对表颁布,激励海表团队平等参加与共同守护。这样做的主张是让“在中国率先跑通的做法”成为“全球默认的做法”,把生态吸引力转化为国际规定影响力。
按上述蹊径推动,企业间的移植成本和落地周期将显著降落,国内表利用会因更好的开发履历与可验证的机能而集中到RISC-V具身生态之上。由此,我国有望在具身智能时期形成一个盛开、可复造、可采购、可持续演进的推算平台,从“技术参加者”转为“生态塑造者”。
能效支持与系统天堑:从资料到封装的全链路提升
端侧具身智能推算系统的能效上限不仅由架构与算法决定,更深层地受造于电池、资料、散扰纂封装等支持性技术。在现实运行环境中,若是不足这些底层环节的系统性协同,再先进的芯片与算法也难以持续兑现机能优势。
在电池与供电方面,应加快高比能、快充、长命命电芯技术的工程化落地。固态电池的能量密度和安全性正不休提升,为具身智能设备的长续航供能提供了可行蹊径。针对具身系统的高脉冲功率个性,应发展专用电源治理芯片与能量回收?,实现功率颠簸下的不变供电;同时推动钠离子及固态电池在低温、长命命等特定场景的验证利用。
在资料系统上,建议沉点突破高导热、低介电的新型封装基板与互连资料,如氮化铝、石墨烯复合导热膜、低介电有机层间介质等。这些资料可有效降低片间热阻与信号串扰,为高密度芯粒(Chiplet)互连与3D堆叠提供基础支持,并进一步提升系统级能效。
在散热设计方面,应推动集成式相变散扰纂微流路液冷技术的发展,针对具身智能端侧设备热流密度高、空间受限的特点,构建“芯片—?椤濉币惶寤⑷认低。同时,建议成立热—电—算协同仿真与尺度化评测系统,明确分歧封装状态下的温度上限与功率密度天堑,为系统设计提供统一尺度。
在封装层面,应将先进2.5D/3D封装与Chiplet化设计作为沉点方向,通过异构堆叠与高速互连实现算存协同,显著缩短互连蹊径、降低延长与功耗。结合国产封装资料与设备系统建设,应形成从“设计—封装—验证”到“利用验证”的全链路能力,支持具身智能端侧推算平台的工程化落地。
总体而言,电化学供能、资料系统、热治理与封装互连组成了具身智能端侧推算能效天堑的决定性支持。只有在这4个环节形成跨学科、可验证的协同优化机造,数据流架构与存算一体技术的优势能力在真实场景中得到持久开释。建议国度层面设立“具身智能能效工程”专项,聚焦电池、资料、散扰纂封装的协同创新与工程验证,成立跨领域测评平台与利用导向产业联盟,以系统性伎俩明确并提升我国具身智能推算系统的能效天堑。
04 结语
具身智能正处在由“概想验证”迈向“规;谩钡墓盏。我国在供给链与利用场景上占有系统性优势:齐全的机械人零部件与造作系统、覆盖工业合作—物流—服务—医疗—家庭等多元场景的利用泥土,以及急剧迭代的工程团队与生态组织能力。在端侧具身智能推算技术侧,萦绕数据流与芯;低辰峁埂⒔/存内推算的存算一体技术、以RISC-V为底座的怒放工具链与指令扩大,我国也已形成从原型到试造的加快态势。上述“场景牵引+供给链完整+推算加快”的组合,使我们具备把工程优势转化为推算范式与产业规定的现实可能。
面向下一阶段,关键在于把优势“固化”为尺度与生态。以数据流架构的统一范式解决双时标负载与能效/带宽瓶颈;以存算一体的工程化跃迁沉塑端侧能效与最坏时延天堑;以RISC-V推算生态的盛开共建实现跨厂商可移植与可采购。三者协同推动,通过“原型—流片—示范—尺度”的关环,将分散的点状突破收敛为可复现、可验证、可对表输出的系统能力。
顺势而为、乘势而上,具身智能的推算时期齐全有望成为中国的时期。只有把架构尺度做实、把存算一体做强、把生态合力做大,我国可在全球领域内形成类似移动推算时期ARM、幼我推算时期x86那样的“默认生态”。这不仅将为我国新质出产力提供长周期的算力与软件栈底座,也将为未来数十年的数字经济与智能造作提供持续的增长引擎。
作者简介
刘少山 Z6官网具身智能中心主任,电气与电子工程师协会(IEEE)国际设备和系统发展蓝图委员会机械人推算幼组主席,陆续三年入选全球前2%科学家榜单。重要钻研方向为机械人推算、科技政策、公共政策等。
文章起源
刘少山, 朱振华, 甘一鸣, 等. 面向具身智能的端侧推算系统:钻研近况、关键技术与战术建议. 中国科学院院刊, 2026, 41(9): 1936-1947.
DOI:10.3724/j.issn.1000-3045.20251015004.
转载自公家号|中国科学院院刊
