一台机器人需要在运动中识别物体、理解任务并及时做出动作；一颗卫星在轨工作，电力和下传带宽都十分有限。把AI模型放进这些设备，远比在纸上上写出更高的算力数字复杂。
在云端，算力不够可以扩服务器；在机器人、卫星和工业设备里，供电、散热、存储和空间往往很难再增加。模型能否装下、能否在断网时完成判断、能否连续稳定运行，比单看峰值TOPS更接近客户的实际问题。
也正因此，端侧芯片的考场不在参数表，而在任务现场。一套架构既要照顾不同模型的精度和存储需求，又要经过整机集成与可靠性验证，才谈得上从技术成果走向产品。
物理AI领域，我们注意到了一家正快速成长和发展的企业——星凡智能（XFEON）。一家贯通芯片、数据、算法与算力，围绕端侧芯片、物理AI数据飞轮、算法与具身大脑、Token算力四大核心能力，打通数据生产、模型训练、端侧部署、执行反馈与能力迭代全链路的物理AGI新星。
在星凡智能（XFEON）2026新品发布会后，提供了一个观察契机。观察其芯片路线，不能只看一颗S1的算力参数，更要看它如何围绕端侧应用的真实约束，重新处理算力、功耗、存储、模型与可靠性之间的关系；也要看其如何将底层芯片能力带入具体行业，以及下一代芯片将如何继续突破端侧智能的边界。
带着这些问题，芯师爷与星凡智能合伙人、副总裁高君效展开了对话。
星凡智能合伙人、副总裁高君效
芯师爷：具身智能终端还没有完全放量，很多厂商仍在寻找稳定的产品形态。星凡智能为什么选择现在做面向物理AI的端侧芯片？
高君效：如果等到机器人已经大规模放量之后再做芯片，可能就晚了。芯片从架构设计到软件生态，再到客户适配，需要一个比较长的周期。真正值得关注的窗口，不一定是终端已经卖了多少台，而是应用负载开始逐渐显现和定型。
在他看来，机器人、算力卫星、边缘设备虽然形态不同，但对计算的要求正在出现一些共同特征：需要处理多模态数据，需要实时响应，需要在设备本地完成一部分推理，同时还要受到功耗、体积、散热、存储和通信条件的限制。
高君效：星核S1并不是押注某一种机器人形态。我们更关注的是这些物理终端共同面对的计算问题，先把面向真实场景的计算底座建立起来。
这也解释了为什么物理AI芯片不能简单沿用云端芯片的设计逻辑。
云端计算通常更强调吞吐量和规模化部署，物理终端则要同时面对性能、精度、功耗、时延、成本和可靠性等多重约束。云端可以增加服务器、扩充集群，机器人本体和卫星载荷却很难通过这种方式解决问题。
高君效：端侧芯片不能只看有多少计算单元。还要看数据怎么搬、存储怎么用、不同精度怎么配，以及模型能不能真正接入设备。
这也让芯片设计的起点发生变化：先看模型在终端要完成什么任务，再决定精度、存储、数据通路和计算架构如何配合。
看产品参数，星核S1原生支持INT2至INT8混合精度计算，单芯粒INT8等效算力105 TOPS，典型功耗约25W，能效比超过4 TOPS/W。
但高君效更愿意从另一个角度解释星核S1物理AI芯片。
高君效：我们关注的并不只是峰值算力，而是每一瓦功耗究竟能转化出多少有效的模型能力。
星核S1采用定制异构多核架构和自研AI算法加速内核，同时支持多路视频编解码。围绕这颗芯片，星凡智能还搭建了包括SDK、开发管理平台、推理引擎和参考应用在内的软件体系，并支持PyTorch、ONNX、vLLM、TensorFlow等主流框架。
芯师爷：您刚才提到，星核S1是从模型在终端要完成的任务出发设计的。星凡智能在算法上的积累，具体怎样影响了这颗芯片？与其他厂商的区别在哪里？
高君效：我们先要弄清楚，模型到了端侧，究竟是哪里装不下、哪里算得慢、哪些精度不能丢。混合精度量化是其中很关键的一项。模型里不同的网络层、不同权重对结果的影响并不一样，我们会分析它们对精度的敏感程度，让关键部分保留较高精度，其他部分采用更低比特。星核S1在硬件上原生支持INT2-INT8计算，就是为了让这种精度分配真正落实到芯片执行中。经过实测，部署体积最高减少85%，硬件成本节约50%，精度几乎无损。
同时，我们会通过稀疏优化减少低贡献计算，并让推理引擎、存储系统和数据通路配合模型的计算特点。几项技术合在一起，目标是在有限的功耗和存储条件下，让模型装得下、跑得快，任务效果也能满足要求。
芯师爷：如果不只看TOPS，客户应该看什么？
高君效：客户更关心的是模型能不能装下、运行是否稳定、时延是否可接受、设备能不能长时间工作，以及最终部署成本是否可控。
所以我们把算力、存储、功耗和模型适配放在一起优化。在指定模型、配置和测试条件下，基于星核S1的软硬件协同方案可以实现推理吞吐量提升50%，模型显存占用减少85%，持续学习显存占用降低90%。
根据星凡智能在新品发布会上披露的参数，基于星核S1的芯片方案相较Jetson AGX Orin同类端侧模组，INT8等效算力约为其1.5倍，单模组可承载的模型参数规模约为其3倍。
这些数据的意义，最终要回到设备上：更大的模型能不能跑起来，任务能不能及时完成，设备能不能在较低功耗下持续工作。
高君效：如果TOPS很高，但模型装不进去，或者设备跑几分钟就因为功耗和散热停下来，那么这部分算力对客户来说就没有完成价值转换。
芯片研发完成，并不意味着产品已经进入产业。
一颗芯片要进入机器人、算力卫星或边缘设备，还需要通过模型适配、系统集成、软件开发、可靠性验证和供应链导入等多个环节。客户需要的也不是一颗裸芯片，而是一套能够与模型、传感器和设备本体配合工作的完整方案。
芯师爷：从S1走到星核R、K、E系列，为什么还要往下做场景化产品？客户直接采购芯片、自行集成，听起来更轻。
高君效：芯片要真正进入客户现场，软硬件体系必须跟上。我们希望客户拿到的不只是一个算力指标，而是一套可以开发、适配和部署的产品。
这也是星凡智能继续推出星核R、K、E系列的原因。同一颗芯片进入不同终端，还要重新处理内存、接口、散热、可靠性和模型适配等问题。
星核R系列：让感知发生在本体
机器人是端侧计算需求最直观的场景之一。现在的机器人足够智能了吗？
显然还没有。
机器人最能体现端侧计算的两难：一方面要同时处理视觉、语音和运动信息，另一方面又不能让决策长期等待云端返回。所谓“本地算力”的价值，最终要落到任务时延和本体协同上。
从感知到推理，再到运动控制，链路越长，任务响应越容易受网络时延和系统调度影响。星核R系列希望把更多计算留在机器人本体，让模型能力尽可能在现场转化为动作。
其中，星核R70（P）提供105 TOPS INT8等效算力，主要面向机器人视觉感知、语义理解、任务规划和实时决策；星核R280（P）提供420 TOPS INT8等效算力，最高支持128GB内存，面向大模型机器人、多传感器融合和复杂任务决策。
高君效：机器人场景对端侧算力的要求，最终要体现在任务时延和本体协同上。
目前，星核R系列已进入机器人客户适配和量产导入前验证阶段，并与多家机器人企业推进联合适配。星凡智能披露，在指定机器人任务和测试条件下，相关端侧方案的任务处理时延降低约30%。这比单独列出TOPS，更接近客户评估整机体验的方式。
星核K系列：让卫星先理解，再下传
如果说机器人更关注实时响应，卫星面对的则是能源、通信带宽的综合约束。
高君效：卫星上的计算，不能只看地面服务器的性能。”高君效说，“它还要考虑功耗、体积、散热和可靠性。
星核K系列围绕星上AI推理、遥感数据处理和星地协同计算设计。卫星拍下影像后，如果所有原始数据都要排队下传，有限的通信带宽便会成为瓶颈。把目标识别、筛选和压缩前移到轨道上，地面就能优先收到任务所需的信息。
其中，星核K200提供210 TOPS等效算力，典型功耗90W，适用于中小卫星、低功耗载荷与在轨数据预处理场景。星核K300提供300 TOPS等效算力，典型功耗120W，能效比达2.5 TOPS/W，适用于高算力在轨推理、多载荷数据处理与复杂遥感任务。
这一技术路线也在近日迎来了真实任务的检验。2026年10月14日，国星宇航“星算”计划02组8颗卫星在酒泉以一箭八星方式成功发射。经国星宇航围绕空间任务指标开展多轮遴选与测试，星凡智能的星核K系列太空算力方案随星入轨，进入在轨应用验证阶段。
对星核K系列而言，“上天”是一次重要的产品化进展，也是一场更长考核的开始。
星核E系列：让模型在边缘现场跑起来
与集中式云端计算相比，边缘侧更关注本地响应、部署成本、数据安全和场景适配。这些场景里，客户关心的不只有推理峰值，还包括部署成本、离线运行、数据是否留在本地，以及后续模型更新是否方便。星核E系列以低功耗、本地化计算支撑边缘侧模型推理与实时响应，提供可快速集成的端侧AI推理能力。凭借极致的能效，星核E系列已在政务、工业和高校等边缘智能场景深度应用。
星核R、K、E三类产品的共同点，是将星核S1的底层计算能力转化为不同物理终端能够直接使用的产品形态。
芯片不再停留在实验室里的单点指标，而是进入机器人本体、卫星载荷和边缘现场，接受真实任务的检验。
星核S1之后，星凡智能已经开始推进下一代物理AI芯片星核S2的研发。
芯师爷：刚刚发布S1，就开始讲S2，会不会又回到芯片行业熟悉的参数竞赛？
高君效：如果S2只是把数字做大，那它的意义确实有限。我们更关心的是，芯片能不能少做无效计算，能不能减少数据搬运，能不能让模型在端侧具备更强的适应和学习能力。
按照目前的研发规划，星核S2将引入近存计算架构、混合精度量化加速内核、非结构化稀疏计算内核和片上自学习训练内核，并结合3D堆叠和Chiplet等先进封装技术。
其目标是实现超过1P的等效算力、超过1.5TB/s的存储带宽，能效比目标超过15 TOPS/W。目前正处于紧锣密鼓的研发推进阶段，最终还需要经过架构验证、流片和产品测试。
S2最值得关注的变化，可能在于片上自学习能力。
物理AI系统一旦进入真实环境，就会持续遇到新的对象、位置、任务和异常情况。机器人会面对训练数据中没有出现过的物体，卫星会遇到不同于历史样本的观测目标，边缘设备也会面对不断变化的业务环境。
如果所有新数据都需要先回传云端，再完成训练和更新，系统会受到网络、时延、隐私和成本的限制。
高君效：片上学习并不等于把完整的大模型训练全部搬到设备端。”高君效解释，“它更接近一种端侧的持续适应能力，让部分模型更新、增量学习和任务适配可以在设备侧完成。
在这方面我们与西安交通大学自主系统与智能芯片团队展开了深度的产学研合作，该团队由国家级特聘教授、西安交大人工智能学院执行院长孙宏滨教授领衔，拥有20+硕博精英，在大模型轻量化、智能芯片架构与电路设计、软硬件协同设计方向拥有深厚积累。
从S1到S2，星凡智能希望推动物理AI芯片完成一次能力迁移：从高效执行模型，走向支持模型持续适应。
采访进入尾声时，话题回到了一个更大的问题：星凡智能为什么要同时投入芯片、数据、算法和算力？这些业务与芯片究竟是什么关系？
高君效的回答仍然落在设备上。芯片第一次跑通模型只是开始；进入客户现场后，模型会变，任务会变，终端产生的数据也会不断返回。芯片若不能跟上这些变化，最初的性能优势很难长期保留。
高君效：端侧芯片让智能在现场运行，真实任务持续产生数据；数据进入训练环节，推动模型迭代；算法将模型能力转化为新的Action；新的Action再次回到终端，产生下一轮真实数据。
如果这些产品各自独立，它们就是一组产品。”高君效说，“真正形成价值的前提，是它们能够围绕同一个任务闭环运行。
这也是星凡智能所谓产品矩阵的意义：芯片、数据、算法和算力并非简单并列，而是分别对应物理AI从运行、学习、训练到再部署的不同环节。
采访最后，芯师爷问了一个更直接的问题：
如果未来只能用一个指标判断物理AI芯片是否成功，应该看什么？
高君效没有选择TOPS。
高君效：我会看它能不能在真实设备上长期运行，能不能让模型真正完成任务，能不能降低客户的开发和部署成本，还能不能随着数据和反馈不断适应新的环境。
这个答案把采访重新带回最初的问题：芯片参数固然重要，但客户不会只为参数买单。这或许也是物理AI芯片与传统算力芯片之间最重要的区别。
物理AI芯片的竞争，最终会发生在现场。每一瓦功耗、每一GB存储和每一次计算，能否换来一次可靠的感知、判断和行动，才是“有效算力”最直接的回答。
—THE END—
推荐
