过去五年的AI大发展在云端和数字世界，大模型学会了写作、绘画、视频、对话；因此科技公司的主战场一直都在AI。
AI的下一步是渗透到我们的真实世界，比如2026年春晚的人形机器人，最吸引眼球的是AI在硬件上最直观的应用。
高通在MWC 2026展的大主题是"构建面向AI时代的6G"——构建连接系统基础之上，高通围绕物理AI（Physical AI）驱动AI系统在物理环境中感知（Perceive）、处理（Process）、行动（Act）。
随着具身智能的破晓，从家庭助手到企业和行业伙伴，机器人变得直观、主动，能够精准且有目标性地观察、聆听、行动。
高通Nakul：具身智能是AI的下一站
高通执行副总裁兼汽车、工业及嵌入式物联网与机器人事业群总经理Nakul Duggal，在MWC期间由世界互联网大会举办的“具身智能：引领人工智能发展的新范式”专题论坛上，发表了《推动工业AI与具身智能的规模化发展》的主题演讲。
他指出，全球工业生态正经历一场由AI驱动的深刻变革，核心趋势是智能能力正从云端向边缘侧深度下沉，而“具身智能”作为AI的全新发展范式，正推动智能与物理世界深度融合。
过去AI主要在云端处理，如今边缘侧AI已经具备态势感知和自主决策能力。高通推动计算机视觉从VLM（视觉语言模型）向VLA（视觉-语言-行动模型）演进。这种新架构让设备能实时分析物理场景并执行任务。
具身智能和传统机器人的区别是什么？
传统机器人是预设程序的执行者——给输入，出固定输出。具身智能完全不同——它需要理解上下文、感知环境变化、动态调整行为，在真实世界完成开放性任务。
关键在于三个能力：多模态感知（视觉、听觉、触觉融合）、边缘计算能力（在设备端实时处理数据，不依赖云端）、持续学习的AI系统。
但普通人有个误区：以为把大模型接入机器人，具身智能就实现了。现实肯定没那么简单。具身智能的本质需求是，必须实时、可靠地与物理世界交互。
机器人需要在毫秒级内对环境做出反应（如避障、抓取），若依赖云端，网络延迟和抖动将带来致命风险。
此外，工厂、家庭等场景的网络覆盖并非永远稳定，断网即瘫痪的机器人无法落地。同时，持续传输海量传感器数据会给带宽和功耗带来巨大压力。
为什么端侧AI是物理AI的核心？
针对物理AI对实时性与可靠性的严苛要求，终端侧AI展现出不可替代的优势：在本地完成感知与决策，保证了毫秒级的极低时延；数据无需上传，则从根源上保障了隐私与安全。
相比之下，云端更适合承担模型训练和全局迭代的重任。因此可以说，端侧AI是物理AI执行层的“大脑”，直接决定了智能体能力的上限与行为的边界。
正如Nakul所言：“随着边缘侧变得越来越智能，它正在具备环境感知能力（situational awareness），并能够在边缘侧直接做出决策，而在过去这需要依赖云端来完成”。
他指出，过去五年间，模型变得越来越智能，并且越来越贴合其运行的数据环境。
随着模型具备更强的模式识别能力，并能够在真实世界运行中不断学习和优化，智能体正在各类应用场景中变得越来越智能。”
实际上，端侧AI凭借其优势，已经在实际的工业场景落地生根、发挥重要价值。Nakul分享了一个例子，高通一直致力于将XR技术引入工业应用、消费应用以及商业应用生态之中。
如今智能眼镜等终端已能本地运行小型模型：当你看到某处设备，只需拍照并向眼镜提问，查询请求可被发送至同处的手机或本地设备，全程无需上云，答案便能即时返回。
这种过去无法实现的能力，正在彻底改变一线工作人员的工作方式，也让智能能力在边缘侧的部署与应用迈入全新阶段。
为了让终端具备足够强大的AI能力，高通的解法是：打造既有高算力、又有高能效还能支持本地运行大模型的异构计算处理器。
高通在今年CES发布的高通跃龙IQ10系列，18核Oryon CPU加700 TOPS AI算力，支持20路并行摄像头，可以在本地运行数十亿参数的大模型。机器人不依赖遥控，不依赖云端，也能完成复杂的语义理解和动作规划。
从覆盖不同细分市场的高通跃龙Q8/Q6/Q5/Q4/Q2系列，到面向工业应用需求打造的IQ8/IQ9/IQ6系列，再到顶级人形机器人的IQ10系列，高通构建了完整的机器人产品组合。
复合AI系统才能实现具身智能的落地？
单一模型解决不了所有问题。视觉需要视觉模型，语言需要语言模型，动作规划需要运动控制模型。
Nakul认为，计算机视觉向VLA模型的演进，重构了系统设计逻辑，使摄像头与连接能力得以协同工作，实现对场景的完整态势感知与分析。
目前，这一能力已在边缘固定摄像头、工业网关及无人机等多元场景中快速推进，且其实际落地仅在过去24个月内完成，技术发展速度远超预期。
高通的多模型协同架构，是物理AI的核心技术路线。物理AI和工业AI设备借助高通跃龙平台的边缘AI计算能力，实现实时感知、异常检测和自主决策。
物理AI在工业落地，需要芯片厂商和工业软件巨头的深度整合。高通和西门子合作，定位是工业AI基础设施的核心提供商。
Wi-Fi 8在吞吐量、延迟和可靠性方面的提升，将直接受益于工业机器人和AMR场景。自主运行网络则将AI能力引入网络管理本身——网络能根据流量变化自动调优。
软件和生态工具层面，高通提供的复合AI系统融合多模态感知，物理AI机器学习运维平台支持持续训练，AI数据飞轮机制让机器人从实际运行数据中学习，开发者工具链让OEM快速构建产品。
对此，Nakul强调：“除了持续推出各类产品之外，我们采取的一个重要策略，是专注于构建生态系统。在过去六个月中，高通完成的一项重要收购就是Arduino。”
通过整合Arduino生态，并借助Edge Impulse和Foundries.io提供的工具，高通让开发者能够更轻松地用上前沿技术。
简单来说，就是把Arduino开源硬件的简单易用，与高通在AI、连接和安全领域的底层能力结合在了一起。
再加上Edge Impulse和Foundries.io提供的机器学习与安全部署工具，开发者可以更专注于创意本身——从底层芯片到上层应用，整个开发路径变得前所未有的顺畅。
根据观察，已有众多机器人企业采用高通的软硬件解决方案打造各种类型的机器人。
阿加犀用高通跃龙平台打造人形机器人"通天晓"和智能植保机器人。验证了高通跃龙平台在全尺寸人形机器人和农业场景的能力。加速进化推出BoBooster K1极客版，面向科研和极客群体。钛虎T170"瑶光"代表工业人形机器人的落地。
移远通信和逐际动力联合发布的Robrain AI机器人解决方案，基于高通跃龙QCS8550，演示多形态双足机器人TRON 1实现本地大模型低延迟推理。
Figure、库卡机器人、Robotec.ai等行业头部企业的加入，说明高通机器人平台从消费级到工业级、从初创到巨头，都得到了认可。
物理AI双子星——汽车和机器人，有何异同？
汽车和机器人共享底层技术逻辑。
◎ 两个场景都需要：多传感器融合、毫秒级实时决策、高度可靠的边缘计算、持续的情境感知能力。
◎ 两者都面临同样的安全要求——系统失效可能造成人身伤害。
高通在汽车领域积累的安全设计经验，正在向机器人平台迁移。这是竞争对手难以短期复制的护城河。
不过，Nakul在今年CES期间也聊到了这个问题。他指出，自动驾驶本质上是一个定义清晰的问题——目标很明确，就是把人和车安全地从A点送到B点，行为边界、应用场景和用户预期都相对集中。但机器人面对的局面要复杂得多，它其实是一个更加开放、更多元的自动化空间。
这里面有两类应用：
◎ 一类是“绿地应用”，就是以前因为技术不成熟，压根没法自动化的场景；
◎ 另一类是“棕地应用”，比如仓储、制造这些已经有一定自动化基础的行业，它们会沿着比较清晰的路径继续演进。
不同场景下，机器人技术的成熟节奏都不一样。所以，不能简单地把自动驾驶的发展模式套到机器人身上。
对于高通而言，无论是机器人，还是汽车，都是其物理AI布局的重要部分。"一套核心能力，多个场景适配和变现"——这是高通物理AI战略最值得关注的商业逻辑。
小结
对中国机器人产业来说，这一轮浪潮既是机遇也是考验。机遇是中国拥有全球最完整的制造业场景；考验是芯片算力、系统集成能力和AI模型质量上仍有差距。
高通选择和中国合作伙伴深度协同，押注中国的制造业场景将是物理AI最重要的落地战场。具身智能的破晓时刻，正在巴塞罗那的展台上，也在全球每一个工厂车间和机器人实验室里，悄然展开。
