「物理 AI（Physical AI）是科技領域最艱巨的挑戰之一。而實現這一級別的智能，需要一套全棧式解決方案。」在今年的CES大會上，AMD 董事長兼CEO 蘇姿豐（Lisa Su）博士的這番判斷，點出了未來十年AI產業發展的一條重要主線。
過去幾年，生成式AI的突破主要發生在數字世界中。以大語言模型為代表的 AI大模型，已經能夠處理文本、圖像、代碼和數據。
不過，其主要處理對象仍是數字資訊，而不是現實環境。
而當下，隨著AI能力不斷向物理世界延伸，產業正在進入物理AI的新階段。此時，AI不再只是處理數字資訊，而是需要理解真實環境，並對現實世界產生影響。
與運行在數字空間中的生成式AI不同，物理AI面向的是動態、複雜且不可完全預測的現實場景。系統不僅需要通過攝影機、雷達、傳感器等多源數據感知環境，還需要基於實時狀態完成判斷、規劃和執行，讓機器人和自動化設備能夠自主完成任務。
AI的能力邊界正在從「認知」走向「行動」，而機器人、工業設備、醫療器械，以及智慧城市基礎設施，正在成為AI進入物理世界的重要載體。
不過，隨著物理AI的計算需求從雲端訓練進一步延伸至邊緣推理、實時控制、傳感器處理，以及設備協同等多個環節。其計算平台就要同時具備模型推理能力、高頻寬數據處理能力，以及穩定、可預測的實時響應能力。
而如何在同一套架構中平衡算力、實時性、能效、散熱、尺寸和軟體兼容性，成為物理AI規模化落地必須解決的問題。
這也體現在產業一線的真實需求中，AMD對全球150多位機器人開發者進行了調研。結果顯示，當前物理AI從實驗驗證走向規模部署，主要面臨三類關鍵挑戰：
其中，首要問題便是如何保證系統具備確定性的響應時延。
一家人形機器人OEM聯合創始人在調研中表示：「可預測的時序與峰值算力同等重要。」
事實上，傳統機器人通常採用分離式計算架構，視覺感知、AI推理、運動規劃和實時控制往往運行在不同計算單元上，數據需要在CPU、GPU、AI加速器，以及控制器之間頻繁傳輸。而每一次數據傳輸、接口轉換和跨域通信，都會引入額外的延遲。
這一延遲便是「每周期損失時間（Time lost every cycle）」。對於機器人而言，其需要在微秒甚至毫秒級的時間窗口內完成姿態調整、力矩控制和安全響應，因此，延遲表現和整體時序穩定性，比單純的平均性能更加關鍵。
其二，在於開放架構與長期可擴展能力。
無疑，機器人並非是一次性交付的產品，其需要隨著應用場景變化持續疊代系統。但這樣，企業不僅需要適配不同型號的傳感器、電機和控制器，還需要持續升級模型、作業系統、中間件，以及開發工具。因此，計算平台需要具備更強的開放性和兼容能力，以支持長期演進。
「企業希望避免在長期研發過程中受到過多限制，且能夠根據需求靈活選擇硬體組件，並持續優化軟體系統。」一位倉儲機器人企業高管指出，如果計算平台缺乏開放接口和可遷移的軟體環境，後續硬體替換、系統升級以及算法遷移的複雜度都會增加。
因此，開發者越來越關注開放的編程環境、標準化接口，以及可移植的軟體工具，希望同一套算法能夠在不同算力平台和產品形態之間復用，降低長期開發和維護成本。
第三類問題，來自物理AI對計算平台「SWaP-C」的要求。
SWaP-C 指的是尺寸（Size）、重量（Weight）、功耗（Power）和成本（Cost）。對於機器人而言，這些因素會直接影響設備續航、有效載荷、散熱設計、機身結構，以及最終的商業化成本。
某通用機器人開發者在調研中指出，脫離功耗、散熱和實時性，單純討論理論算力，並不能反映機器人的性能。在實際部署中，不能只看實驗室環境中的峰值指標，還需要關注在有限空間、功耗和成本條件下，能夠長期穩定運行的「可用性能」。
具體來說，一顆晶片即使具備較高的峰值算力，但散熱系統複雜，或者在持續運行過程中因功耗壓力頻繁降頻，也很難滿足人形機器人、移動機器人，以及緊湊型工業設備的應用需求。
這也意味著，物理AI的發展需要從單純提升晶片性能，轉向構建更加緊湊、高效的統一計算平台，進而在有限的尺寸、功耗和成本條件下，實現感知、推理與控制能力的協同運行。
換句話說，物理AI時代的競爭，已經不只是單顆晶片之間的算力競技賽，而是圍繞「從感知到行動」的完整計算鏈路展開。
面向物理AI落地過程中的實時性、集成度和開發靈活性挑戰，AMD最近在Advancing AI 2026大會上推出了銳龍 AI 嵌入式 X100系列處理器（下文簡稱「X100」）和Kria AI機器人開發者平台（下文簡稱「Kria AI平台」）。
兩項產品分別覆蓋機器人計算系統中的處理與控制環節，通過處理器、板級平台，以及軟體工具鏈的協同，幫助開發者構建更加統一、高效的物理AI計算架構。
01 最高16核Zen 5+128GB統一內存，X100破解物理AI實時性難題
不同物理AI應用面對的計算負載並不相同。輕量級邊緣設備更關注低功耗運行和持續推理能力，而工業機器人、人形機器人，以及複雜視覺系統，則需要更強的CPU處理能力、更大的並行計算資源，以及更高的AI推理性能。
面向更高計算需求的物理AI場景，X100系列提供覆蓋了不同性能檔位的產品矩陣：
其中，X168與X168i面向主流邊緣智能負載，配備8核「Zen 5」CPU，最高頻率達到5.0GHz，同時集成32個RDNA3.5 GPU計算單元和最高50TOPS的XDNA™ 2 NPU，可滿足工業視覺、輕型機器人、智能終端以及邊緣推理等場景需求。
X188與X188i的CPU規模為12核，最高頻率同樣達到5.0GHz，並保持32個RDNA 3.5 GPU計算單元和最高50 TOPS AI推理性能的NPU配置，適用於需要同時處理更多傳感器輸入、運行多個AI模型，以及承擔更多後台計算任務的複雜邊緣設備。
作為X100系列中的旗艦級型號產品，X199與X199i配備16核32線程的「Zen 5」CPU，最高加速頻率達到5.1GHz；在Kria AI機器人開發者平台中的FP16計算性能可達60 TFLOPS，可用於多攝影機視覺處理、三維重建、SLAM、圖像增強和部分AI模型推理。
更大的CPU和GPU資源，使其能夠承載多傳感器感知、AI推理、複雜運動規劃，以及多任務並發等高負載物理AI工作負載。
值得注意的是，X168、X188和X199還分別提供帶「i」後綴的擴展工業溫度版本。標準型號的結溫範圍為0°C至105°C，「i」型號則擴展至-40°C至105°C。兩類版本均支持45W至120W可配置TDP，設備廠商可以根據散熱條件、功耗限制和性能需求進行配置。
面向邊緣智能場景，AMD此前也發布了其銳龍AI嵌入式P100系列，主要包含P121、P132、P164、P174、P185等多個型號，計算能力從4核CPU與2個計算單元（CU）逐步擴展至12核CPU與16個計算單元，覆蓋從基礎感知設備到複雜邊緣計算終端的需求。
由此，P100與X100形成了更完整的產品梯度，使設備廠商可以根據模型規模、傳感器數量、控制複雜度和功耗預算選擇相應的計算平台。
不過，支撐物理AI系統的運行，中間還需要解決另一個關鍵問題，那就是如何讓這些計算資源在有限功耗和空間條件下高效協同。
事實上，在傳統分離式架構中，CPU和GPU通常擁有各自的內存空間。傳感器數據需要在系統內存、獨立顯存和不同計算單元之間多次複製，既占用總線頻寬，也會讓計算單元陷入同步等待導致訪問延遲。
往往，當GPU滿負載運行模型時，內存和總線資源會被集中占用，進而影響CPU側實時控制任務的響應時間。對於高速機械臂、移動機器人等設備，這類延遲抖動將帶來軌跡偏差、控制不穩定，甚至是安全風險。
所以，針對物理AI系統中的數據流轉瓶頸，X100系列的統一內存架構（Unified Memory），最高支持128GB LPDDR5X統一內存，頻寬最高達到273GB/s。通過讓CPU、GPU和NPU共享同一內存空間，降低數據搬運帶來的延遲和能耗。
場景上，基於統一內存架構的數據訪問機制，傳感器採集的數據寫入統一內存後，可由CPU、GPU或NPU根據任務需求直接調用處理，無需頻繁經過PCIe總線進行跨設備傳輸，從而提升物理AI系統從感知、推理到決策執行的整體響應效率。
不過，減少數據複製還不足以保證任務的實時穩定性。
在多個工作負載並發情況下，CPU、GPU和NPU共享內存資源後，仍會爭用緩存、內存頻寬和處理器時間。所以，X100系列進一步通過實時Linux、資源服務質量控制和虛擬化隔離，對任務能夠獲得的底層資源進行劃分。
在作業系統層面，AMD引入了帶有 PREEMPT_RT 補丁的實時 Linux，並在底層構建了面向實時計算的QoS 控制機制，通過緩存預留（Cache Reservation）和內存頻寬分配（DDR Bandwidth Allocation），為關鍵任務劃定穩定的資源保障邊界。這意味著，即使GPU在運行複雜的視覺模型推理任務，運動控制等實時任務仍可獲得確定性的計算資源。
對於安全要求更高的工業控制場景，X100系列還支持Xen Hypervisor虛擬化和緩存著色（Cache Coloring）。開發人員可以將指定的CPU核心、物理緩存區域和實時作業系統綁定，使實時控制任務與運行在Ubuntu等通用作業系統中的視覺、推理和交互應用保持資源隔離。
比如，系統可以將CPU核心固定分配給RTOS處理電機控制和安全檢測，其餘核心交給Linux運行感知模型、任務規劃和用戶界面。緩存著色通過限制不同工作負載使用的緩存區域，減少多個系統共享末級緩存時產生的相互干擾，使關鍵任務的執行時間保持在可預測範圍內。
在資源訪問和實時執行得到保障後，X100系列的CPU、GPU和NPU還需要按照各自擅長的負載進行分工。
其中，Zen 5核心的 CPU主要負責系統控制、任務調度以及多軟體模組之間的協同運行。更多CPU核心能夠提供更充足的並發資源，減少不同任務之間的資源競爭，為實時控制提供更加穩定的計算環境。
RDNA 3.5 GPU計算單元則承擔高吞吐量的並行計算任務，可提供最高約60TFLOPS的FP16計算性能，適用於多攝影機視覺處理、三維重建、SLAM、圖像增強，以及部分AI模型推理等負載。
相比CPU和GPU承擔的複雜計算任務，XDNA 2 NPU主要面向持續運行、功耗敏感的AI推理負載。其最高能提供50 TOPS 的AI推理能力，可以承擔語音喚醒、異常聲音檢測、目標跟蹤以及設備狀態識別等常駐AI任務。
統一內存架構打通數據流轉，資源隔離機制保障實時任務執行，再結合CPU、GPU和NPU各自承擔控制計算、並行處理和AI推理等不同負載，X100系列能夠在有限功耗和設備空間內，實現感知、推理、規劃與控制的協同運行。
02 Kria全棧平台：借FPGA構築從感知到控制的計算閉環
當CPU、GPU和NPU能夠在晶片內部協同運行後，如何把算力接入攝影機、雷射雷達、電機、工業總線和實時控制器，並將感知、推理與執行整合到一套可部署的系統中，成為物理AI需要解決的下一個工程問題。
圍繞這一需求，AMD推出了Kria AI SOM和Kria AI Robotics Developer Platform。其中，Kria AI SOM基於X100系列處理器打造，採用符合COM-HPC行業標準的模組化設計，在一塊緊湊型板卡上集成CPU、GPU、NPU以及統一內存，為物理AI應用提供核心計算能力。
在此基礎上，Kria AI Robotics Developer Platform進一步擴展系統能力，在Kria AI SOM之外，增加了Spartan UltraScale+ FPGA的載板，並集成了豐富的傳感器、工業網路，以及通信接口，以滿足機器人在實時控制、數據採集和設備互聯等方面的需求。
但需要注意的是，CPU、GPU、NPU與FPGA並非全部集成於同一顆晶片或同一塊SOM之中。更準確地說，該平台採用的是「X100系列SOM + FPGA載板 + 接口系統 + 散熱外殼」的系統級架構，通過不同計算單元的協同，實現從感知、推理到控制的完整閉環。
這也是AMD首個面向自主機器人的開放式、完整集成的開發平台，可用於工廠機器人、自主移動機器人（AMR）、移動操作機器人（MoR）以及人形機器人等多類物理AI系統。
為了驗證X100系列在實際機器人負載下的表現，AMD也分別針對實時控制、VLA推理以及視覺分類任務進行了測試。
在CPU側的實時控制能力方面，在X100系列上運行Bosch Rexroth控制器，測得實時控制循環延遲為125μs，相當於每秒可執行約8000次控制周期。從結果來看，X100系列能夠滿足機器人底層控制對於高頻、低抖動計算的需求。
125μs衡量的是CPU執行控制循環的響應時間，對於高速SMT貼片機、多軸機械臂等精密設備而言，這一指標的意義在於控制系統可以更高頻率地更新位置、速度和軌跡指令，在快速運動過程中保持更穩定的控制精度。
在更高層的機器人智能決策環節，GPU承擔的是VLA模型推理任務。在「π0.5模型」（機器33億參數的VLA機器人基礎模型）的測試中，推理延遲低於100 ms(公開材料中的具體結果約為92 ms)。從測試結果來看，X100系列已經具備在百毫秒級時間窗口運行VLA模型的能力。
相比需要根據環境變化實時決策的VLA任務，NPU更適合承擔持續運行的輕量AI計算。在視覺分類測試中，X100系列的NPU推理延遲低於0.4 ms。這意味著，對於零部件識別、狀態檢測、缺陷篩查等需要長期在線運行的任務而言，NPU能夠以更低功耗提供持續推理能力，同時減少CPU和GPU的負載壓力。
AMD銳龍AI嵌入式X100系列SOM提供了機器人「大腦」的核心計算能力，而Kria AI Robotics Developer Platform在SOM之外加入搭載Spartan UltraScale+ FPGA的載板。
為什麼需要集成FPGA？
核心原因在於，物理AI系統需要同時接入LiDAR、雷達、多路4K攝影機等多種傳感器，而這些設備通常採用GMSL1/2/3、MIPI、LVDS等不同接口協議，其數據流在幀率、採樣周期、時鐘域和數據格式上存在差異。
Spartan UltraScale+ FPGA通過可編程邏輯實現不同傳感器接口的靈活適配，並在確定性硬體時序下完成時間戳處理、幀同步、格式轉換以及數據預處理（Data Conditioning）。
經過整理後的多模態數據再進入Kria AI SOM的計算架構，部分固定流程和實時數據處理能前置到FPGA，系統就可以減少CPU在協議解析、數據搬運和同步處理上的負擔，同時降低原始傳感器數據對內存頻寬的占用，為機器人建立更穩定的數據通路。
進一步的，AMD將機器人整體架構劃分為傳感器（Sensing）、關節（Joints）、脊柱（Spine）和大腦（Brain）四個層級，並針對不同層級的實時性、算力和接口需求，配置相應的處理器、FPGA以及自適應SoC產品。
其中，Kria AI平台主要面向機器人的「大腦」層，承擔高層決策、自適應工作負載調度，以及面向吞吐量和精度優化的感知與AI推理任務。連接「大腦」與「關節」的「脊柱」層，可採用第二代Versal AI Edge和Zynq UltraScale+等產品。位於執行端的「關節」層，需要滿足多軸運動控制、高實時性和低延遲響應要求，可採用Zynq UltraScale+或Zynq 7000系列。而最靠近外部環境的「傳感器」層，則聚焦於多類型傳感器接入、數據預處理和實時融合，對應Zynq UltraScale+、Spartan UltraScale+等器件。
通過這種分層設計，AMD將通用計算、AI推理、實時控制和接口處理能力分布到整個機器人系統中。
03 打通「身腦」迴路：Kria AI平台與ROCm生態的「軟硬一體化全棧藍圖」
硬體平台提供的是計算基礎，而軟體生態則決定了開發者能否快速將算力轉化為實際應用。對於開發者而言，算法工具和已有代碼資產的復用能力，同樣決定著平台的落地效率。
基於這一需求，AMD推出 AMD Robotics Software Suite（機器人軟體套件），圍繞機器人開發流程提供軟體支持。
該套件包括ROS 2、Gazebo仿真器，以及Nav2導航棧等主流機器人開發框架。同時結合ROCm 軟體棧和HIPIFY自動化移植工具，可幫助開發者更加高效地將已有計算代碼和算法應用部署到AMD平台。
這其中，HIPIFY主要解決的是底層計算代碼適配問題。對於已經存在的大量GPU計算程序，開發者無需完全重新編寫代碼，可以通過自動化工具完成部分接口轉換。例如，內存管理等常用計算接口可以自動映射到對應實現，從而減少人工修改工作量。
除了代碼轉換工具，AMD也提供了覆蓋基礎計算任務的高性能數學庫，包括矩陣計算、稀疏計算和快速傅里葉變換等算法，分別對應rocBLAS、rocSparse和rocFFT等軟體組件。根據測試，在包含warp reduction、SpMV等計算任務的驗證代碼遷移過程中，部分場景可以保留較高比例的原有源代碼，進一步降低軟體遷移成本。
對於機器人開發者而言，這意味著已有的SLAM算法、3D點雲處理流程，以及AI推理應用，可以更加快速地適配AMD計算平台。同時，結合ROCm生態，開發者也能夠運行視覺模型、多模態模型，以及機器人基礎模型，加速物理AI應用從算法驗證走向實際部署。
軟體工具鏈解決的是「如何開發」的問題，而機器人規模化落地還需要產業鏈協同。為此，AMD打造了 AMD Robotics Partner Network（機器人合作夥伴網路），通過連接計算平台、設備廠商、算法企業、傳感器供應商，以及仿真平台，加速機器人產品從研發階段進入實際應用。
該合作網路覆蓋機器人產業多個環節，包括ODM廠商、AI模型提供商、傳感器企業以及數字孿生平台。其中，合作夥伴涵蓋Arbor、congatec等設備廠商，Hugging Face、Ultralytics等AI生態企業，以及SICK、Analog Devices等傳感器領域企業。
在實際應用中，AMD平台已經開始進入到工業機器人場景。例如，在半導體晶圓廠的協作移動機器人應用中，Castec（卡斯達克）利用搭載AMD晶片的i-Operator機器人，實現了對大量物體的快速識別，並能夠針對現場異常情況進行響應。
與此同時，ABB、Universal Robots（優傲機器人）、Rexroth（博世力士樂）等工業自動化企業，也正在基於AMD平台探索下一代高精度、高效率的智能機器人系統。
從計算平台到軟體工具，再到產業合作網路，AMD正在構建一套面向物理AI時代的開放式機器人生態。
04 寫在最後
通過 Advancing AI 2026 大會的一系列發布可以看到，AMD此次的布局是圍繞物理AI構建了一套覆蓋計算、連接、軟體和生態的完整技術體系。
其中，AMD銳龍AI嵌入式X100系列提供了面向機器人核心計算需求的異構算力基礎，通過CPU、GPU和NPU協同處理感知、推理、控制等不同負載；Kria AI 機器人開發者平台則進一步結合FPGA可編程能力，將傳感器接入、實時數據處理和上層AI計算連接起來，補齊機器人從「感知」到「行動」的系統鏈路；而ROCm軟體棧、HIP工具鏈，以及機器人軟體套件，則致力於降低開發者在算法部署和應用遷移過程中的工程成本。
對於OEM廠商而言，AMD提供的計算模組、接口能力和軟體工具鏈，可以減少底層架構適配方面的重複投入，讓研發資源更多用於產品設計、行業場景優化和應用功能開發。
根據AMD公布的資訊，目前X100系列處理器已經開始提供樣品，Kria AI SOM及Kria AI平台也預計將在2026年第四季度正式供貨。
隨著機器人系統對實時感知、複雜推理和自主控制能力的需求持續提升，計算平台也正在從單一算力供給，轉向覆蓋感知、決策和執行的系統級能力構建。AMD此次布局的價值在於，通過異構計算架構、開放軟體生態和模組化平台，為物理AI提供一套更接近實際部署需求的計算基礎。
