最近在国内外，“养龙虾”特别火热。当生成式 AI 还在云端持续扩张时，另一条更贴近产业现场的技术主线，已经开始快速成形：AI 正在从“会生成”，走向“会感知、会判断、会协同、会行动”，而真正承载这一变化的，不是云，而是边缘。Agentic AI 正在成为边缘落地的新组织方式。
在近日举行的恩智浦边缘处理业务 2026 媒体沟通会上，恩智浦半导体执行副总裁兼安全连接边缘业务总经理 Charles Dachs系统阐述了公司在智能边缘上的最新布局：从可扩展的处理器与 NPU 组合，到 eIQ 软件框架，再到面向工厂、楼宇、医疗、机器人等场景的边缘 AI 智能体系统，恩智浦试图传递一个越来越清晰的信号——边缘 AI 不再只是“把推理放到本地”这么简单，而是在向“自主系统”演进。
恩智浦半导体执行副总裁兼安全连接边缘业务总经理 Charles Dachs
重新认识边缘AI的价值
过去几年，智能家居、智能工厂、智能城市等概念层出不穷，互联设备数量也持续攀升。但一个现实问题始终没有改变：大多数边缘设备，连接能力越来越强，智能能力却仍然有限。
在 Charles Dachs 看来，真正的智慧并不只是完成感知、识别或上传数据，而是设备能够在本地完成主动预判、自主决策，甚至联动执行。“近年来，AI 技术的革新将我们带入了全新的发展阶段，我们已经见证部分设备开始展现出真正的‘智慧’。”
这也是边缘 AI 在当下被重新定价的原因。从产业逻辑上看，边缘 AI 被持续推高，主要来自四个维度：
首先是带宽压力。如果大量感知数据都要回传云端，再进行处理、判断和反馈，无论是网络成本还是系统架构的复杂度，都会迅速放大。而把计算尽可能留在边缘，可以从根本上减少对云端带宽和存储的依赖。
第二是实时性需求。在工厂自动化、机器人、医疗监护、楼宇控制等场景中，很多决策要求毫秒级响应，系统不能等数据“上云—处理—回传”后再做动作。Charles Dachs提到，尤其在机器人场景中，“如果机器人在一个环境中四处移动的话，要确保它的功能和信息安全，低时延是非常重要的。”
第三是能效优化。把所有数据集中送入云端统一处理，看似集中化，实际上在很多边缘密集型场景里并不划算。分布式地在边缘节点完成感知与推理，往往能带来更高的整体能效。
第四，也是越来越关键的一点，是信任与安全。工业数据、医疗数据、楼宇控制数据，往往都高度敏感。数据在本地闭环处理，天然可以减少暴露面，也更符合越来越严格的安全与合规要求。
可以说，边缘正在成为一个新的决策层和控制层。而这，恰恰是恩智浦最想抓住的位置。
恩智浦想做的，不是一颗芯片，而是一整套“智能边缘底座”
如果只看单点产品，恩智浦在 MCU、应用处理器、连接、安全等领域早已是成熟玩家。但恩智浦正在试图把自己从器件提供商进一步推向边缘智能系统平台提供者。Charles Dachs 对此的表述很直接：恩智浦要做的，是为自主、智慧的边缘侧提供“坚实的硬件基础、可靠的软件基石，以及高效的 AI 工具包”，同时确保功能安全和信息安全。
在硬件层面，恩智浦给出的路径是可扩展的异构计算产品组合。从简单 MCU 到复杂应用处理器，都将具备 AI 能力。Charles Dachs 表示，恩智浦几年前就率先推出了集成 NPU 的高性能微控制器，未来所有产品都将配备专用 AI 加速器，只是性能强弱会根据应用需求而定。
值得注意的是，随着对 Kinara 收购的正式完成，恩智浦的 AI 算力版图得到了关键拼图： 一方面，Kinara 的高性能架构将深度集成至现有的处理器组合中，实现底层能效跃升；另一方面，Kinara 的独立 NPU 能够以扩展模块的形式，为需要极致算力的应用场景提供灵活的“性能增量”。
在软件层面，恩智浦则试图通过 eIQ 把不同层级的硬件串起来。它不仅是模型部署工具，更是面向客户的一套统一 AI 软件框架。按照 Charles Dachs 的说法，硬件可扩展性当然重要，但更重要的是“为客户提供一套完整的软件框架，让他们能够在这个框架下部署各自的用例”。
而在今年 CES 上，恩智浦进一步扩展了这套软件版图，推出了 eIQ AI Hub 和 eIQ Agentic AI 框架。前者强调工具和模型的便捷获取，后者则更值得关注——它标志着恩智浦开始明确把智能体作为边缘 AI 的下一阶段组织方式。
Charles Dachs 并不认为智能体 AI 是对生成式 AI 的背离。恰恰相反，在他看来，智能体 AI 提供的是一个把感知型 AI、预测型 AI 与生成式 AI融合起来的系统框架，并赋予这些能力以“自主性”。
这背后的变化在于：过去一个边缘设备可能只是识别图像、检测异常，或者执行固定规则；而在智能体架构下，它可以接收多源输入、理解事件、协调多个子系统，甚至自动触发后续动作。
为了说明这种能力，Charles Dachs 举了一个典型工厂案例。
设想工厂发生严重漏水：摄像头和湿度传感器先检测异常，再把信息发送给中央编排 AI 智能体；后者随即调度不同的子智能体去执行动作——关闭供水阀门、触发门禁系统封锁区域、防止扩散、启动排水流程，并通知工厂内外的责任人员。整个过程不需要访问云端，而是在边缘本地完成闭环响应。
这个例子的重要性，不在于“漏水告警”本身，而在于它展示了未来工业系统的一种新形态：边缘 AI 不再只是某个节点上的算法功能，而是一个可以跨设备、跨控制域协同工作的自主系统。
在另一个演示案例中，恩智浦则展示了工厂爆炸事故处理流程：系统整合了恩智浦应用处理器、Ara AI 加速器，以及负责电机控制的 MCX MCU，AI 智能体在识别到爆炸后，自动通知消防与内部人员，并触发洒水装置启动。
从这些案例透露出了两个清晰趋势：第一，边缘 AI 正在从检测类应用走向执行类应用。第二，多芯片异构协同，正在成为边缘智能系统的常态架构。
这也是恩智浦这类厂商的机会所在。因为真正的边缘系统，不只需要算力，还需要实时控制、传感器接入、有线/无线连接、安全隔离，以及不同计算域之间的协同。
与英伟达合作，
恩智浦卡位机器人“身体层”
如果说工厂是边缘 AI 的早期落地场，那么机器人，尤其是人形机器人，很可能会成为边缘 AI 能力最完整、最激进的试验田。Charles Dachs 在会上给出了非常明确的判断：“最接近真正意义上的物理 AI 的应用场景，就是机器人或者说人形机器人。”
一方面，机器人不是一个单点产品，而是一套高度耦合的复杂系统。它需要手臂、灵巧手、关节、传感器、视觉、语音、运动控制、低时延通信、中央决策、多模态理解，以及高度可靠的安全机制。换句话说，机器人把智能边缘几乎所有关键能力都装进了同一个系统里。
另一方面，机器人也天然具备“从云走向边缘”的属性。因为机器人工作在物理世界，它不可能把每一次动作决策都依赖远端云端返回结果。只要它要和人、环境发生实时交互，本地感知、本地判断、本地控制就变得不可替代。
Charles Dachs也多次提到其中最难的一点：“大脑和身体之间的关系其实是相当困难的。”
数据要从传感器端快速、可靠地汇聚到“大脑”，大脑的决策又要实时地下发给各个执行节点，这中间不仅是带宽和时延问题，更是功能安全、信息安全和系统架构问题。
不过，在机器人领域，恩智浦与英伟达在GTC 2026上达成了一项重要合作。Charles Dachs透露，恩智浦将与英伟达合作，围绕大脑和身体的协同，共同推动具备信息安全和功能安全能力的物理AI系统。这一合作将帮助OEM以更简单的方式实现机器人大脑和身体功能的开发与制造。客户甚至可以在英伟达的仿真环境中，先集成恩智浦的处理器产品组合，在没有硬件的情况下进行模拟和验证。
从产业链位置看，这件事的意义并不小。过去机器人产业的讨论，更多集中在“大脑”——大模型、具身智能、仿真训练、多模态理解等；但真正进入量产与商业化阶段后，系统瓶颈往往会落在“身体层”：传感器桥接、低时延传输、电机控制、边缘安全、供电与连接架构等。
Charles Dachs 也提到，双方合作的一项关键内容，是把英伟达的 Holoscan Sensor Bridge 集成到恩智浦的软件开发包中，让传感器节点采集到的数据，能够以实时方式发送给机器人的“大脑”。同时，恩智浦将推出两类解决方案：一类是分布式电机控制应用，包含电机控制和以太网交换能力；另一类是对话 AI 应用部署，运行在 i.MX 95 应用处理器上。
如果把这些信息放在一起看，会发现恩智浦的定位非常清楚：它并不试图和英伟达争“大脑”的主导权，而是希望成为机器人系统中的身体控制层、连接层、安全层和边缘处理层的关键平台供应商。这其实很像它在汽车电子中的历史角色：不是只做某个域控制器，而是围绕整车架构中的分布式节点、中央平台协同、网络连接和安全体系，提供完整底座。如今，这套方法论正在被复制到机器人产业。
恩智浦真正想证明的是“边缘 AI 的普适性”
在这场媒体沟通会上，工厂和机器人无疑是展示重点，但恩智浦的边缘AI版图其实覆盖了五大应用方向：包括医疗、电力、工厂、楼宇和机器人。例如在医疗场景中，Charles Dachs 提到了恩智浦与 GE 医疗在新生儿护理中的合作案例。通过边缘 AI，系统可以实时监测新生儿生命体征，并在无需连接云端的情况下独立采取一系列行动。
而在楼宇场景中，恩智浦则强调其新推出的融合式产品：AI 处理 + 安全 + 三频连接的一体化方案。它能够替代数十个分立元件，并提供预认证参考设计，降低射频调优和法规认证复杂度，同时通过 EdgeLock 安全区域把信息安全嵌入端到端系统。
这些场景虽然形态不同，但底层共性很强：都需要边缘感知、实时决策、系统控制，以及极高的安全可信要求。
总结
过去几年，半导体产业对 AI 的想象，很多时候仍停留在把更多算力塞进芯片。但从恩智浦这场媒体沟通会释放出来的信息看，边缘 AI 的真正拐点，已经悄悄发生变化。接下来行业要比拼的，不再只是模型能不能在本地跑起来，而是系统能不能在真实世界里稳定地感知、低时延地决策、安全地执行，并在复杂场景中持续协同进化。
从这个角度看，恩智浦并不是在讲一个“边缘芯片升级”的故事，而是在讲一个边缘智能系统正在成型的故事。而无论是工厂、楼宇、医疗，还是人形机器人，最终指向的都是同一个问题：当 AI 真正走进物理世界，谁来负责它的身体、神经和安全边界？至少从目前来看，恩智浦已经明确给出了自己的答案。
