物理AI芯片设计，挑战重重！

物理人工智能正在改变芯片的设计和使用方式，将传感、人工智能推理和实时控制集成到能够安全、可预测地与物理世界交互的机器中。

挑战远不止性能本身。工程师需要考虑由不可预测的环境带来的各种极端情况，确保系统的安全可靠，并通过确保系统的可维护性和可升级性来使其面向未来。这将需要新的工具和方法，以及一些新的设计理念。

Synopsys公司物理人工智能、数字孪生、仿真驱动人工智能和加速计算负责人Anthony Matarazzo表示：“人工智能正在走出屏幕。它不再仅仅是生成文本或代码，而是进入物理世界。它需要在物理环境中理解、交互、感知并做出决策。我们正在从生成式人工智能转向智能工作流编排，最终转向物理人工智能（见图1）。这实际上是将智能转化为可操作的工具。但出错的后果也发生了根本性的变化。生死攸关，误差仅为正负1%。”

图 1：人工智能的三个时代。

来源：Synopsys

物理人工智能必须能够感知并互动于真实世界。“让人工智能正确感知世界是一项挑战，”是德科技EDA的信号完整性应用科学家王俊廷（Tim Wang-Lee）表示，“真实世界的信息来自传感器，数据必须经过处理才能被人工智能接收并做出决策。人工智能需要做出一些决策。”

这改变了设计的优先顺序。“物理人工智能通常被视为一个计算问题，” Silvaco旗下公司Mixel的营销总监Justin Endo表示，“但从我们的角度来看，它实际上是一个成像问题。所有机器人、无人机和自主系统最终都归结为摄像头向推理引擎提供数据。”

物理人工智能建立在为物联网开发的一些连接和传感技术之上。“物联网主要关注的是连接和监控事物，”瑞萨电子物理人工智能和用户体验负责人布拉德·雷克斯 (Brad Rex) 表示，“而物理人工智能则旨在赋予机器在非结构化环境中感知和自主行动的能力。这是一个完全不同的工程问题，它需要在系统层面进行变革——需要更强大的传感能力、更实时的计算能力、更精密的电源管理以及对每个设备安全性的更高要求。”

Arteris公司产品管理和市场总监Ashley Stevens表示，在物理人工智能领域，设备可分为两大类：“一类可以依赖云连接，另一类则必须完全在本地运行，不能依赖网络连接。例如，车辆无法依赖持续网络连接，因为很多地方的蜂窝网络覆盖不足。相比之下，工业机械臂虽然可以移动，但其活动范围仅限于工厂内的特定位置，因此可以连接到云端。”

其他人也认同这一观点。Cadence公司设计IP产品营销总监William Chen表示：“与主要生成信息的传统人工智能应用不同，物理人工智能系统通过与环境的持续交互来影响现实世界的结果。传统的物联网通常侧重于数据的收集和传输，而物理人工智能则增加了实时解读和行动。其结果是，连接设备转变为在感知和控制回路中运行的智能系统。”

这需要全新的架构和方法。“整个架构都截然不同，” Vinci半导体和电子部门负责人Satish Radhakrishnan表示，“产品上市时间将会大大延长，因为人们仍在学习。物理人工智能是他们期待的下一步，但转型并非易事。最简单的切入点是重复性操作，但人们不愿意为此付出太多。他们希望它能做更多的事情。因此，我们需要构建更复杂的架构，使其可靠运行，并至少在单次充电后持续工作一天。”

它还需要强大的处理能力。“机器人和无人机需要强大高效的计算能力，能够在动态环境中进行多模态处理并实现精准的实时响应，”联发科物联网业务副总裁Sameer Sharma表示。“由于延迟和带宽的限制，这些设备需要能够在边缘处理人工智能工作负载的芯片，包括用于机器视觉和物体分类的人工智能加速。”

随着系统规模增大或功能增强，新的挑战也随之而来。“你需要通过活动关节实现更长的触及范围，将多个摄像头集成到少数几个端口，还要满足来自汽车行业的安全功能要求，”Mixel公司的Endo说道。“但行业标准已经朝着这个方向发展。移动摄像头接口正在成为机器人的视神经，这种经过移动验证的成熟度是其他任何替代方案都难以匹敌的。”

不同市场对物理人工智能的接受速度会有所不同，但总体预测值得关注。普华永道估计，到2030年，全球物理人工智能市场规模将达到约4300亿欧元，并且随着系统规模的扩大和成熟，“市场增长潜力巨大”。与此同时，德勤发现，目前有58%的公司表示至少在一定程度上使用了物理人工智能，预计两年内这一比例将上升至80%。

并非所有行业都会同时采用这项技术。“物理人工智能不仅仅是边缘人工智能，” Synopsys系统解决方案战略项目执行总监Frank Schirrmeister表示， “它的应用范围远不止机器人技术，但发展并不均衡。关键在于各个行业采用物理人工智能的速度。这需要超越芯片层面，深入到完整的物理层面。当感知、推理、物理动作以及自主性形成完整的闭环时，增长拐点才会出现。这实际上是一个平台转型，所有功能都提升到了系统层面。”

新市场的涌现不断推动着半导体生态系统的变革。“我们认为，物理人工智能是未来几年最具颠覆性的人工智能机遇之一，”Velaura AI联合创始人兼总裁Sanjay Gupta表示，“我们将其视为一个独立的类别，而非另一类物联网产品。行业预测各不相同，但许多预测都指出，未来十年，涵盖机器人、无人机、工业自动化、物流、医疗保健和国防等领域的潜在市场规模将达到数万亿美元。”

在许多情况下，市场压力将决定一个行业何时发展。“近期最明显的应用领域是工业和物流领域，”瑞萨电子的雷克斯表示，“人形和非人形机器人可以在工厂、仓库和供应链中处理重复性或体力劳动强度大的任务，这些地方劳动力短缺使得自动化极具价值，而且环境结构也足以支持安全部署。”

尽管许多人关注安全问题，但这个问题可以从多个角度来看待。“物理人工智能正在以全新的方式让关键工作更安全、更高效、更有生产力，” Arm公司物理人工智能市场推广总监罗伯特·戴表示。“我们已经看到自主机器开始在制造业、物流和运输业等实际领域发挥作用。预计到2030年代，这些行业每年将蕴藏着2000亿美元的计算市场机遇。”

某些领域的部署速度可能会比其他领域慢，但整个行业可能会呈现快速增长。“每个类别都会各自独立发展，增长速度也会比较慢，但许多领域会并行发展，”Vinci 的 Radhakrishnan 表示。“每个领域都需要新一代人工智能和新型计算能力，这将影响其发展速度。某个领域可能需要更长时间才能深入发展，但在完全渗透一个细分市场之前，它会进入多个新的细分市场。最终，它将共同增长。”

但在此之前，所有这些都需要在训练和模拟等领域取得一些进展。“我们知道互联网可以训练生成式人工智能，但什么来训练物理人工智能呢？” Synopsys 的 Matarazzo 问道。“这是各公司都在思考的关键问题。现实自有其规律。”

物理人工智能系统不像手机那样，新款上市后就能迅速更换。汽车、机器人和无人机的初始成本要高得多，而且预计使用寿命长达数年。这意味着许多物理人工智能系统需要能够进行升级，不仅包括软件甚至人工智能模型，还包括硬件、传感器和执行器。

随着模型和应用场景的不断变化，物理人工智能系统也将持续演进。“在开发和部署过程中保持一致的计算基础，可以帮助团队推进软件发展，而无需为每一代产品重新构建各个组件，”Arm公司的Day表示。“最终，能否将这一机遇转化为增长，取决于能否使自主机器足够高效、响应迅速且可靠，从而实现大规模部署。”

“自动驾驶汽车已经存在一段时间了，但老款车型无法改装以适配新技术，例如摄像头传感器等等，”拉达克里希南说道。“物理人工智能的设计需要采用某种模块化系统。或许可以设计一个可拆卸更换的计算系统，或者一个新的传感器。人们可能愿意每两三年支付相当于原价10%的费用来升级某些部件，而且软件更新也会持续进行。这正是人工智能系统能够不断更新迭代的关键所在。”

这项能力需要在初始设计阶段就加以考虑。“鉴于机器人架构的快速发展，我们的设计着眼于预留余量，而不是试图预测一个固定的最终状态，”Rex说道。“这意味着更大的计算裕量、可扩展的电源架构以及模块化的子系统设计，这些设计无需完全重新设计即可吸收额外的传感或智能功能。我们正在开发下一代设备，并评估如何在功耗、计算、可扩展性和效率等多个维度上进行优化，以确定最佳平衡点。我们还依赖于分布式架构，因此，随着功能需求的增长，通常只需添加或升级子系统，而无需更换整个平台。这种方法，结合可随时间更新的软件和参考设计平台，可以帮助客户避免陷入设计困境。”

与以往许多嵌入式或边缘系统相比，物理人工智能部署需要更强的未来适应性。“物理人工智能部署通常具有较长的运行寿命，但必须适应不断演进的人工智能模型、新型传感器、不断变化的工作负载以及日益增长的自主性需求，”Cadence 的 Chen 表示。“因此，未来适应性与其说是最大限度地提高原始性能，不如说是构建架构的灵活性。多芯片架构、可扩展的内存子系统、高速互连和基于标准的接口提供了根据需求变化调整系统的机制。挑战在于，许多基础设施决策一旦嵌入系统就难以更改。内存架构、通信结构和接口选择通常决定了未来扩展的实际限制。”

虽然实时性约束一直是许多嵌入式系统的基本要素，但物理人工智能将把这一问题提升到一个更高的复杂程度。过去常用的许多简化方法可能无法再使用，例如不使用缓存，因为它会引入不可预测的响应时间。

单是计算问题的规模就前所未有。“对于专为物理人工智能设计的芯片而言，最大的限制在于实际运行条件下的可预测性，” proteanTecs工程与客户成功执行副总裁 Alex Burlak 表示。“以人形机器人为例。它可能拥有一个强大的中央计算系统作为其‘大脑’，但其全身可能遍布数十个微控制器 (MCU) 和其他设备，用于控制电机、关节、传感器、电源和通信。其中一个设备的时序问题或性能下降可能不仅仅意味着应用程序运行速度稍慢。它可能意味着关节的响应与预期不同，传感器输入延迟到达，或者执行器的行为超出其预期参数。”

将系统对周围环境的理解转化为精确的行动是一项复杂的工作。“物理环境变幻莫测，传感器数据也可能存在噪声，因此系统需要应对不确定性，并随着环境变化不断调整自身，”联发科的Sharma表示。“这就需要一个能够连接感知、导航、决策和控制的软件栈，并支持特定应用的模型、运行时和工具。”

这需要不同的关注点。“传统的AI基础设施通常针对吞吐量、利用率和规模进行优化，”陈说。“而物理AI系统必须满足延迟、功耗、可靠性、安全性和环境方面的要求，同时还要响应不断变化的输入。如果答案正确但响应过晚，其实际效果可能等同于错误的答案。因此，物理AI引入了不同的优化目标。其目标不仅仅是最大化计算性能，而是要在感知、内存、计算、通信和执行等各个环节保持系统的可预测行为。”

这变成了一个更为复杂的优化问题。“物理人工智能系统需要在尺寸、功耗和重量的严格限制下处理传感器数据，并实时进行推理和行动，”戴伊说道。“它们需要的不仅仅是功能强大的人工智能模型。硬件和软件必须围绕这些工作负载进行协同设计，从低功耗传感和实时控制到高要求的人工智能处理。”

整个系统都成为时序约束的一部分。“这正是软硬件协同设计至关重要的一个典型例子，”Rex说道。“未来，跨多个领域的复杂性将更加显著，不仅涉及电子技术，还包括机械设计和电池技术。许多曾经相对独立发展的学科，如今面临着更大的挑战，因为它们必须并行解决，而非孤立地解决。由于物理人工智能系统必须将人工智能推理与确定性的、安全关键的控制相协调，因此芯片和软件不能单独优化并期望成功集成。系统架构、实时软件以及底层计算和电源硬件都必须从一开始就协同设计。”

这种方法论的转变酝酿已久。“物理人工智能可以说是软硬件协同设计的最佳应用场景之一，”陈说道。“控制回路的行为源于感知、内存访问、推理执行、通信和执行之间的交互。仅仅改进软件无法克服基础设施瓶颈，而如果数据传输、同步或时序仍然受限，更快的硬件也无法自动改善系统性能。架构必须从端到端的角度进行考虑。”

实时人工智能究竟意味着什么？Synopsys公司的Schirrmeister问道：“人工智能的速度是否总能足够快，将控制权反馈给执行器？”他补充道：“工程上的挑战在于行为层面。首先要完成这些实际场景的测试，然后应对各种不确定性，确保它不会导致灾难性的故障。硬件软件将变得更加关键。你必须具备灵活的升级能力，同时，出于安全考虑，也要在无法升级的地方及时止损。”

挑战不仅仅在于制造速度更快的芯片或功能更强大的AI模型。物理AI系统必须在不断变化的运行条件下保持可预测性，同时协调感知、计算和执行。这将需要全新的系统架构、软硬件协同设计和验证方法，尤其是在这些机器变得更加自主且运行时间更长的情况下。

点这里👆加关注，锁定更多原创内容

*免责声明：文章内容系作者个人观点，半导体芯闻转载仅为了传达一种不同的观点，不代表半导体芯闻对该观点赞同或支持，如果有任何异议，欢迎联系我们。