“物理 AI（Physical AI）是科技领域最艰巨的挑战之一。而实现这一级别的智能，需要一套全栈式解决方案。”在今年的CES大会上，AMD 董事长兼CEO 苏姿丰（Lisa Su）博士的这番判断，点出了未来十年AI产业发展的一条重要主线。
过去几年，生成式AI的突破主要发生在数字世界中。以大语言模型为代表的 AI大模型，已经能够处理文本、图像、代码和数据。
不过，其主要处理对象仍是数字信息，而不是现实环境。
而当下，随着AI能力不断向物理世界延伸，产业正在进入物理AI的新阶段。此时，AI不再只是处理数字信息，而是需要理解真实环境，并对现实世界产生影响。
与运行在数字空间中的生成式AI不同，物理AI面向的是动态、复杂且不可完全预测的现实场景。系统不仅需要通过摄像头、雷达、传感器等多源数据感知环境，还需要基于实时状态完成判断、规划和执行，让机器人和自动化设备能够自主完成任务。
AI的能力边界正在从“认知”走向“行动”，而机器人、工业设备、医疗器械，以及智慧城市基础设施，正在成为AI进入物理世界的重要载体。
不过，随着物理AI的计算需求从云端训练进一步延伸至边缘推理、实时控制、传感器处理，以及设备协同等多个环节。其计算平台就要同时具备模型推理能力、高带宽数据处理能力，以及稳定、可预测的实时响应能力。
而如何在同一套架构中平衡算力、实时性、能效、散热、尺寸和软件兼容性，成为物理AI规模化落地必须解决的问题。
这也体现在产业一线的真实需求中，AMD对全球150多位机器人开发者进行了调研。结果显示，当前物理AI从实验验证走向规模部署，主要面临三类关键挑战：
其中，首要问题便是如何保证系统具备确定性的响应时延。
一家人形机器人OEM联合创始人在调研中表示：“可预测的时序与峰值算力同等重要。”
事实上，传统机器人通常采用分离式计算架构，视觉感知、AI推理、运动规划和实时控制往往运行在不同计算单元上，数据需要在CPU、GPU、AI加速器，以及控制器之间频繁传输。而每一次数据传输、接口转换和跨域通信，都会引入额外的延迟。
这一延迟便是“每周期损失时间（Time lost every cycle）”。对于机器人而言，其需要在微秒甚至毫秒级的时间窗口内完成姿态调整、力矩控制和安全响应，因此，延迟表现和整体时序稳定性，比单纯的平均性能更加关键。
其二，在于开放架构与长期可扩展能力。
无疑，机器人并非是一次性交付的产品，其需要随着应用场景变化持续迭代系统。但这样，企业不仅需要适配不同型号的传感器、电机和控制器，还需要持续升级模型、操作系统、中间件，以及开发工具。因此，计算平台需要具备更强的开放性和兼容能力，以支持长期演进。
“企业希望避免在长期研发过程中受到过多限制，且能够根据需求灵活选择硬件组件，并持续优化软件系统。”一位仓储机器人企业高管指出，如果计算平台缺乏开放接口和可迁移的软件环境，后续硬件替换、系统升级以及算法迁移的复杂度都会增加。
因此，开发者越来越关注开放的编程环境、标准化接口，以及可移植的软件工具，希望同一套算法能够在不同算力平台和产品形态之间复用，降低长期开发和维护成本。
第三类问题，来自物理AI对计算平台“SWaP-C”的要求。
SWaP-C 指的是尺寸（Size）、重量（Weight）、功耗（Power）和成本（Cost）。对于机器人而言，这些因素会直接影响设备续航、有效载荷、散热设计、机身结构，以及最终的商业化成本。
某通用机器人开发者在调研中指出，脱离功耗、散热和实时性，单纯讨论理论算力，并不能反映机器人的性能。在实际部署中，不能只看实验室环境中的峰值指标，还需要关注在有限空间、功耗和成本条件下，能够长期稳定运行的“可用性能”。
具体来说，一颗芯片即使具备较高的峰值算力，但散热系统复杂，或者在持续运行过程中因功耗压力频繁降频，也很难满足人形机器人、移动机器人，以及紧凑型工业设备的应用需求。
这也意味着，物理AI的发展需要从单纯提升芯片性能，转向构建更加紧凑、高效的统一计算平台，进而在有限的尺寸、功耗和成本条件下，实现感知、推理与控制能力的协同运行。
换句话说，物理AI时代的竞争，已经不只是单颗芯片之间的算力竞技赛，而是围绕“从感知到行动”的完整计算链路展开。
面向物理AI落地过程中的实时性、集成度和开发灵活性挑战，AMD最近在Advancing AI 2026大会上推出了锐龙 AI 嵌入式 X100系列处理器（下文简称“X100”）和Kria AI机器人开发者平台（下文简称“Kria AI平台”）。
两项产品分别覆盖机器人计算系统中的处理与控制环节，通过处理器、板级平台，以及软件工具链的协同，帮助开发者构建更加统一、高效的物理AI计算架构。
01 最高16核Zen 5+128GB统一内存，X100破解物理AI实时性难题
不同物理AI应用面对的计算负载并不相同。轻量级边缘设备更关注低功耗运行和持续推理能力，而工业机器人、人形机器人，以及复杂视觉系统，则需要更强的CPU处理能力、更大的并行计算资源，以及更高的AI推理性能。
面向更高计算需求的物理AI场景，X100系列提供覆盖了不同性能档位的产品矩阵：
其中，X168与X168i面向主流边缘智能负载，配备8核“Zen 5”CPU，最高频率达到5.0GHz，同时集成32个RDNA3.5 GPU计算单元和最高50TOPS的XDNA™ 2 NPU，可满足工业视觉、轻型机器人、智能终端以及边缘推理等场景需求。
X188与X188i的CPU规模为12核，最高频率同样达到5.0GHz，并保持32个RDNA 3.5 GPU计算单元和最高50 TOPS AI推理性能的NPU配置，适用于需要同时处理更多传感器输入、运行多个AI模型，以及承担更多后台计算任务的复杂边缘设备。
作为X100系列中的旗舰级型号产品，X199与X199i配备16核32线程的“Zen 5”CPU，最高加速频率达到5.1GHz；在Kria AI机器人开发者平台中的FP16计算性能可达60 TFLOPS，可用于多摄像头视觉处理、三维重建、SLAM、图像增强和部分AI模型推理。
更大的CPU和GPU资源，使其能够承载多传感器感知、AI推理、复杂运动规划，以及多任务并发等高负载物理AI工作负载。
值得注意的是，X168、X188和X199还分别提供带“i”后缀的扩展工业温度版本。标准型号的结温范围为0°C至105°C，“i”型号则扩展至-40°C至105°C。两类版本均支持45W至120W可配置TDP，设备厂商可以根据散热条件、功耗限制和性能需求进行配置。
面向边缘智能场景，AMD此前也发布了其锐龙AI嵌入式P100系列，主要包含P121、P132、P164、P174、P185等多个型号，计算能力从4核CPU与2个计算单元（CU）逐步扩展至12核CPU与16个计算单元，覆盖从基础感知设备到复杂边缘计算终端的需求。
由此，P100与X100形成了更完整的产品梯度，使设备厂商可以根据模型规模、传感器数量、控制复杂度和功耗预算选择相应的计算平台。
不过，支撑物理AI系统的运行，中间还需要解决另一个关键问题，那就是如何让这些计算资源在有限功耗和空间条件下高效协同。
事实上，在传统分离式架构中，CPU和GPU通常拥有各自的内存空间。传感器数据需要在系统内存、独立显存和不同计算单元之间多次复制，既占用总线带宽，也会让计算单元陷入同步等待导致访问延迟。
往往，当GPU满负载运行模型时，内存和总线资源会被集中占用，进而影响CPU侧实时控制任务的响应时间。对于高速机械臂、移动机器人等设备，这类延迟抖动将带来轨迹偏差、控制不稳定，甚至是安全风险。
所以，针对物理AI系统中的数据流转瓶颈，X100系列的统一内存架构（Unified Memory），最高支持128GB LPDDR5X统一内存，带宽最高达到273GB/s。通过让CPU、GPU和NPU共享同一内存空间，降低数据搬运带来的延迟和能耗。
场景上，基于统一内存架构的数据访问机制，传感器采集的数据写入统一内存后，可由CPU、GPU或NPU根据任务需求直接调用处理，无需频繁经过PCIe总线进行跨设备传输，从而提升物理AI系统从感知、推理到决策执行的整体响应效率。
不过，减少数据复制还不足以保证任务的实时稳定性。
在多个工作负载并发情况下，CPU、GPU和NPU共享内存资源后，仍会争用缓存、内存带宽和处理器时间。所以，X100系列进一步通过实时Linux、资源服务质量控制和虚拟化隔离，对任务能够获得的底层资源进行划分。
在操作系统层面，AMD引入了带有 PREEMPT_RT 补丁的实时 Linux，并在底层构建了面向实时计算的QoS 控制机制，通过缓存预留（Cache Reservation）和内存带宽分配（DDR Bandwidth Allocation），为关键任务划定稳定的资源保障边界。这意味着，即使GPU在运行复杂的视觉模型推理任务，运动控制等实时任务仍可获得确定性的计算资源。
对于安全要求更高的工业控制场景，X100系列还支持Xen Hypervisor虚拟化和缓存着色（Cache Coloring）。开发人员可以将指定的CPU核心、物理缓存区域和实时操作系统绑定，使实时控制任务与运行在Ubuntu等通用操作系统中的视觉、推理和交互应用保持资源隔离。
比如，系统可以将CPU核心固定分配给RTOS处理电机控制和安全检测，其余核心交给Linux运行感知模型、任务规划和用户界面。缓存着色通过限制不同工作负载使用的缓存区域，减少多个系统共享末级缓存时产生的相互干扰，使关键任务的执行时间保持在可预测范围内。
在资源访问和实时执行得到保障后，X100系列的CPU、GPU和NPU还需要按照各自擅长的负载进行分工。
其中，Zen 5核心的 CPU主要负责系统控制、任务调度以及多软件模块之间的协同运行。更多CPU核心能够提供更充足的并发资源，减少不同任务之间的资源竞争，为实时控制提供更加稳定的计算环境。
RDNA 3.5 GPU计算单元则承担高吞吐量的并行计算任务，可提供最高约60TFLOPS的FP16计算性能，适用于多摄像头视觉处理、三维重建、SLAM、图像增强，以及部分AI模型推理等负载。
相比CPU和GPU承担的复杂计算任务，XDNA 2 NPU主要面向持续运行、功耗敏感的AI推理负载。其最高能提供50 TOPS 的AI推理能力，可以承担语音唤醒、异常声音检测、目标跟踪以及设备状态识别等常驻AI任务。
统一内存架构打通数据流转，资源隔离机制保障实时任务执行，再结合CPU、GPU和NPU各自承担控制计算、并行处理和AI推理等不同负载，X100系列能够在有限功耗和设备空间内，实现感知、推理、规划与控制的协同运行。
02 Kria全栈平台：借FPGA构筑从感知到控制的计算闭环
当CPU、GPU和NPU能够在芯片内部协同运行后，如何把算力接入摄像头、激光雷达、电机、工业总线和实时控制器，并将感知、推理与执行整合到一套可部署的系统中，成为物理AI需要解决的下一个工程问题。
围绕这一需求，AMD推出了Kria AI SOM和Kria AI Robotics Developer Platform。其中，Kria AI SOM基于X100系列处理器打造，采用符合COM-HPC行业标准的模块化设计，在一块紧凑型板卡上集成CPU、GPU、NPU以及统一内存，为物理AI应用提供核心计算能力。
在此基础上，Kria AI Robotics Developer Platform进一步扩展系统能力，在Kria AI SOM之外，增加了Spartan UltraScale+ FPGA的载板，并集成了丰富的传感器、工业网络，以及通信接口，以满足机器人在实时控制、数据采集和设备互联等方面的需求。
但需要注意的是，CPU、GPU、NPU与FPGA并非全部集成于同一颗芯片或同一块SOM之中。更准确地说，该平台采用的是“X100系列SOM + FPGA载板 + 接口系统 + 散热外壳”的系统级架构，通过不同计算单元的协同，实现从感知、推理到控制的完整闭环。 
这也是AMD首个面向自主机器人的开放式、完整集成的开发平台，可用于工厂机器人、自主移动机器人（AMR）、移动操作机器人（MoR）以及人形机器人等多类物理AI系统。
为了验证X100系列在实际机器人负载下的表现，AMD也分别针对实时控制、VLA推理以及视觉分类任务进行了测试。
在CPU侧的实时控制能力方面，在X100系列上运行Bosch Rexroth控制器，测得实时控制循环延迟为125μs，相当于每秒可执行约8000次控制周期。从结果来看，X100系列能够满足机器人底层控制对于高频、低抖动计算的需求。
125μs衡量的是CPU执行控制循环的响应时间，对于高速SMT贴片机、多轴机械臂等精密设备而言，这一指标的意义在于控制系统可以更高频率地更新位置、速度和轨迹指令，在快速运动过程中保持更稳定的控制精度。
在更高层的机器人智能决策环节，GPU承担的是VLA模型推理任务。在“π0.5模型”（机器33亿参数的VLA机器人基础模型）的测试中，推理延迟低于100 ms(公开材料中的具体结果约为92 ms)。从测试结果来看，X100系列已经具备在百毫秒级时间窗口运行VLA模型的能力。
相比需要根据环境变化实时决策的VLA任务，NPU更适合承担持续运行的轻量AI计算。在视觉分类测试中，X100系列的NPU推理延迟低于0.4 ms。这意味着，对于零部件识别、状态检测、缺陷筛查等需要长期在线运行的任务而言，NPU能够以更低功耗提供持续推理能力，同时减少CPU和GPU的负载压力。
AMD锐龙AI嵌入式X100系列SOM提供了机器人“大脑”的核心计算能力，而Kria AI Robotics Developer Platform在SOM之外加入搭载Spartan UltraScale+ FPGA的载板。
为什么需要集成FPGA？
核心原因在于，物理AI系统需要同时接入LiDAR、雷达、多路4K摄像头等多种传感器，而这些设备通常采用GMSL1/2/3、MIPI、LVDS等不同接口协议，其数据流在帧率、采样周期、时钟域和数据格式上存在差异。
Spartan UltraScale+ FPGA通过可编程逻辑实现不同传感器接口的灵活适配，并在确定性硬件时序下完成时间戳处理、帧同步、格式转换以及数据预处理（Data Conditioning）。
经过整理后的多模态数据再进入Kria AI SOM的计算架构，部分固定流程和实时数据处理能前置到FPGA，系统就可以减少CPU在协议解析、数据搬运和同步处理上的负担，同时降低原始传感器数据对内存带宽的占用，为机器人建立更稳定的数据通路。
进一步的，AMD将机器人整体架构划分为传感器（Sensing）、关节（Joints）、脊柱（Spine）和大脑（Brain）四个层级，并针对不同层级的实时性、算力和接口需求，配置相应的处理器、FPGA以及自适应SoC产品。
其中，Kria AI平台主要面向机器人的“大脑”层，承担高层决策、自适应工作负载调度，以及面向吞吐量和精度优化的感知与AI推理任务。连接“大脑”与“关节”的“脊柱”层，可采用第二代Versal AI Edge和Zynq UltraScale+等产品。位于执行端的“关节”层，需要满足多轴运动控制、高实时性和低延迟响应要求，可采用Zynq UltraScale+或Zynq 7000系列。而最靠近外部环境的“传感器”层，则聚焦于多类型传感器接入、数据预处理和实时融合，对应Zynq UltraScale+、Spartan UltraScale+等器件。
通过这种分层设计，AMD将通用计算、AI推理、实时控制和接口处理能力分布到整个机器人系统中。
03 打通“身脑”回路：Kria AI平台与ROCm生态的“软硬一体化全栈蓝图”
硬件平台提供的是计算基础，而软件生态则决定了开发者能否快速将算力转化为实际应用。对于开发者而言，算法工具和已有代码资产的复用能力，同样决定着平台的落地效率。
基于这一需求，AMD推出 AMD Robotics Software Suite（机器人软件套件），围绕机器人开发流程提供软件支持。
该套件包括ROS 2、Gazebo仿真器，以及Nav2导航栈等主流机器人开发框架。同时结合ROCm 软件栈和HIPIFY自动化移植工具，可帮助开发者更加高效地将已有计算代码和算法应用部署到AMD平台。
这其中，HIPIFY主要解决的是底层计算代码适配问题。对于已经存在的大量GPU计算程序，开发者无需完全重新编写代码，可以通过自动化工具完成部分接口转换。例如，内存管理等常用计算接口可以自动映射到对应实现，从而减少人工修改工作量。
除了代码转换工具，AMD也提供了覆盖基础计算任务的高性能数学库，包括矩阵计算、稀疏计算和快速傅里叶变换等算法，分别对应rocBLAS、rocSparse和rocFFT等软件组件。根据测试，在包含warp reduction、SpMV等计算任务的验证代码迁移过程中，部分场景可以保留较高比例的原有源代码，进一步降低软件迁移成本。
对于机器人开发者而言，这意味着已有的SLAM算法、3D点云处理流程，以及AI推理应用，可以更加快速地适配AMD计算平台。同时，结合ROCm生态，开发者也能够运行视觉模型、多模态模型，以及机器人基础模型，加速物理AI应用从算法验证走向实际部署。
软件工具链解决的是“如何开发”的问题，而机器人规模化落地还需要产业链协同。为此，AMD打造了 AMD Robotics Partner Network（机器人合作伙伴网络），通过连接计算平台、设备厂商、算法企业、传感器供应商，以及仿真平台，加速机器人产品从研发阶段进入实际应用。
该合作网络覆盖机器人产业多个环节，包括ODM厂商、AI模型提供商、传感器企业以及数字孪生平台。其中，合作伙伴涵盖Arbor、congatec等设备厂商，Hugging Face、Ultralytics等AI生态企业，以及SICK、Analog Devices等传感器领域企业。
在实际应用中，AMD平台已经开始进入到工业机器人场景。例如，在半导体晶圆厂的协作移动机器人应用中，Castec（卡斯达克）利用搭载AMD芯片的i-Operator机器人，实现了对大量物体的快速识别，并能够针对现场异常情况进行响应。
与此同时，ABB、Universal Robots（优傲机器人）、Rexroth（博世力士乐）等工业自动化企业，也正在基于AMD平台探索下一代高精度、高效率的智能机器人系统。
从计算平台到软件工具，再到产业合作网络，AMD正在构建一套面向物理AI时代的开放式机器人生态。
04 写在最后
通过 Advancing AI 2026 大会的一系列发布可以看到，AMD此次的布局是围绕物理AI构建了一套覆盖计算、连接、软件和生态的完整技术体系。
其中，AMD锐龙AI嵌入式X100系列提供了面向机器人核心计算需求的异构算力基础，通过CPU、GPU和NPU协同处理感知、推理、控制等不同负载；Kria AI 机器人开发者平台则进一步结合FPGA可编程能力，将传感器接入、实时数据处理和上层AI计算连接起来，补齐机器人从“感知”到“行动”的系统链路；而ROCm软件栈、HIP工具链，以及机器人软件套件，则致力于降低开发者在算法部署和应用迁移过程中的工程成本。
对于OEM厂商而言，AMD提供的计算模块、接口能力和软件工具链，可以减少底层架构适配方面的重复投入，让研发资源更多用于产品设计、行业场景优化和应用功能开发。
根据AMD公布的信息，目前X100系列处理器已经开始提供样品，Kria AI SOM及Kria AI平台也预计将在2026年第四季度正式供货。
随着机器人系统对实时感知、复杂推理和自主控制能力的需求持续提升，计算平台也正在从单一算力供给，转向覆盖感知、决策和执行的系统级能力构建。AMD此次布局的价值在于，通过异构计算架构、开放软件生态和模块化平台，为物理AI提供一套更接近实际部署需求的计算基础。
