物理 AI 不缺大模型，缺的是分层神经系统

事件核心：发生了什么

这不是一条产品发布新闻，而是一篇来自芯片厂商高管的行业观点文章。Sotomayor 借用体育类比：顶级运动员的强项不是想得更快，而是任务执行到了极致，梅西的很多动作快到来不及思考，靠的是本能。他认为物理 AI 也需要同样的能力。

文章重申了机器人领域的一个经典反差：解方程、逻辑推理、记忆事实这类被视为高智力的事情，机器最容易做；幼儿都会的抓杯子、保持站立、跨越障碍，却困扰了工程师几十年。原因在于，目前大部分智能放在云端，可以慢慢想；而无人机修正阵风、车辆避让突然走上马路的孩子、机器人接住掉落的零件，都不允许往返服务器的延迟，必须在事件现场以毫秒级完成。软件答错可以修正，物理世界的碰撞和摔倒无法回滚，延迟、能效与可靠性由此变成生存条件。

他给出的方案是「神经轴」式的分布式架构，仿照大脑分工：大脑皮层负责推理，小脑负责运动控制与平衡，脊髓负责反射。对应到机器上，就是三个相互独立又高度协同的层：较慢的推理层、居中的协调层，以及部署在边缘的超高速反射层。以人形机器人在仓库搬运包裹为例，推理层设定目的地，协调层维持行走稳定，当货架上的物品砸中机械臂时，反射层必须在几毫秒内重新平衡、调整抓握并保住包裹。

为什么重要

这篇观点点出了一个容易被大模型叙事掩盖的现实：云端大模型的参数规模和推理能力，并不自动转化为物理世界中的可靠动作。对芯片和边缘计算厂商而言，这意味着竞争重点会从单纯的算力堆叠，转向推理、协调、反射三类计算资源在设备端的分工与协同。谁能在低功耗、低延迟条件下提供完整的边缘计算方案，谁就更有机会进入机器人和自动驾驶的供应链。

对用户/开发者/创作者的影响

对开发者来说，这意味着物理 AI 应用的设计不能只盯着「调用哪个大模型」，而要区分哪些任务放云端、哪些必须留在端侧。实时控制回路、异常处理和安全兜底逻辑，可能需要运行在算力有限但确定性更高的边缘硬件上，对软件架构和调试方式都是新的要求。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对企业采购方而言，评估机器人或自动驾驶方案时，除了模型能力，还要追问延迟指标、断网时的行为、以及安全关键路径由哪一层承担。对普通用户来说，目前公开信息显示这还只是行业观点，短期内看不到直接可用的产品变化。

值得关注的后续

1. NXP 是否会把这一「神经轴」分层理念落到具体的边缘 AI 芯片或参考设计中，并给出可量化的延迟数据。

2. 机器人、无人机厂商是否会在架构层面跟进分层设计，而不是继续单纯追求端侧运行更大的模型。

3. 云端推理与端侧反射之间的分工边界如何划分，是否会形成新的接口标准或开发工具链。

来源：TechRadar