On this year's investor day, Qualcomm mapped the future of the company into three lines:

第一条是数据中心：借助Dragonfly C1000以及HBC来进军服务器市场；

◎ 第二条是确立了平台化战略：从单纯销售芯片，升级到提供整合了硬件、软件与AI开发者工具的完整解决方案；

CPU被用来挑战英特尔及AMD，HBC则与HBM竞争，同时收购Modular以补足软件短板，这些都是清晰的技术路径。

第三条内容初听可能有些抽象：物理AI究竟是什么？高通高级副总裁Nitin Duggal对此作出了解释，高通在过去十年间于汽车领域所验证的商业模式，如今正在被迁移到工业IoT和机器人这两个新兴市场中加以应用。

01

高通怎么做机器人，

物理 AI 是核心底层逻辑

高通方面将物理AI界定为一种具备感知、思考与行动能力的智能形态，其所有处理工作均在本地硬件上实时完成，从而无需将所有数据传回云端等待处理结果。

◎ 第一层，高通将其称之为"仪表化AI"。其核心任务在于理解物理世界的状态，诸如工业PLC、智能电表及IP摄像头均属于此类。它们所执行的，是完成测量、计算以及激活或关闭等操作，并采集数据向上传输。这一层级无需与人类进行直接交互，但要求能够持续、不间断地感知环境。

◎ 第二层，则被定义为“人机交互AI”。该层次的智能体负责对人类的语音及意图进行理解，并据此在数字世界中采取行动。例如商场中的交互屏幕、警务人员配备的执法记录仪，以及餐厅内负责点餐的机器人，均归属于该层次的设备。它们的核心能力在于准确解析指令、采集信息并提供反馈。

◎ 第三层被定义为“具身AI”。它直接地作用于物理世界，以自动驾驶汽车、双足人形机器人、四足机器人以及机械臂为典型代表。除了继承前两层所具备的感知与交互能力之外，这一层的设备还需要能够进行实时的运动规划、执行精细的操控任务，并实现多智能体之间的协同工作。

在这三层AI的经济价值构成中，其总量预计将从2025年的3000亿美元，呈现出从2025年的3000亿美元增长至2035年1万亿美元的态势。在这一增长过程中，增量贡献最为显著的部分恰好是具身AI，其典型代表包括汽车、机器人以及无人机，这类智能体将开始大规模地进入并应用于物理作业场景之中。

高通在汽车领域所取得的成功，证明了即便从零开始进入一个完全陌生的硬件市场，也依然能够取得行业领先地位。其关键在于，该公司并未依赖于销售单个芯片所具备的价格优势，而是选择了构建并推广完整的计算平台。历经十年发展，高通已成功转型为全球领先的车载芯片供应商之一。

在超过90万辆汽车上，已采用了基于第五代骁龙计算平台打造的智能座舱系统；累计有450款新车采用了骁龙数字底盘解决方案。此外，已有超过25家汽车制造商在60个国家/地区的量产车型上，部署并运行了基于骁龙Ride平台的智能驾驶解决方案。该业务实现了连续23个季度的同比两位数增长，并累积了高达650亿美元的设计订单储备。

高通探索并确立了一套具备可复制性的商业打法：即首先进入一个硬件形态已相对明确的市场，随后运用自身在计算领域的核心优势，包括低功耗高性能系统级芯片、多模态感知能力以及全栈软件，把产品从单颗芯片借助于平台化思维升维成一整套解决方案，最终在该市场中建立起稳固的品牌认知、成熟的渠道网络以及深厚的客户信任。

在汽车市场取得成功之后，这套经过验证的策略正在被迁移应用于工业物联网以及机器人这两个新兴市场之中。

02

一台机器人是三个系统

高通在机器人计算架构方面提出了一个核心观点：机器人并非等同于一台电脑，而是由三台独立的计算单元所构成。

机器人与手机以及电脑之间存在差异。就手机而言，其仅具备单一的工作流程：在屏幕被点亮之后便会运行相应的应用程序。

机器人的工作流程实质上是三条相互协同、并行运转的处理线路。其中，第一条线路专注于执行高层的推理和规划；第二条线路负责底层的运动控制与轨迹跟踪，以驱动机械结构精确执行；第三条线路则持续进行实时的传感器数据处理，并据此与环境产生动态交互。

一个人形机器人在产线上拧螺丝。

◎ 机器人的“大脑”在每一个工作日里，都必须清晰知晓当天的任务清单：它需要辨识出具体要拧紧哪一种型号的螺丝，精确计算需要旋转多少圈，并施加多么大的扭矩——这个过程本质上是一次复杂的推理，属于更高阶的思维活动（System 2）。

◎ 机器人的“小脑”则必须完成一项关键转换：它需要将“拧螺丝”这类抽象指令，解码为具体关节的旋转角度以及力矩施加的顺序与步骤——这本质上是一种运动规划过程，在认知架构中属于更快速、更底层的System 1层级。

◎ 其“神经中枢”需要在毫秒级的时间尺度上对每个伺服电机的电流波形进行精确到位的控制，同时持续监测触觉传感器所反馈的力度数据，一旦感知到阻力过大而无法继续旋转便会立即启动制动机制——这一系列操作构成了实时控制环节，属于最底层的System 0层级。

这三条处理线路不能依赖于串行的处理顺序。系统不能等待大脑层级的计算完成后，小脑层级才开始运作。它们必须并行执行，并且彼此之间不能相互干扰。

高通所采用的方案，是将SoC架构设计成三个既独立运作又相互协作的计算域。

◎ System 2，推理层。

18核CPU（其中包含实时处理器单元）、算力高达700 TOPS的多核神经处理单元（NPU）、64GB的运行内存，以及超过270GB/s的内存访问带宽。这一层的计算架构主要负责运行视觉语言动作（VLA）大模型、执行长时间任务规划以及进行智能体编排。就其核心架构基因而言，这一层与手机端的旗舰级片上系统（SoC）最为接近。

◎ System 1，行动层。

实时控制感知层负责将System 2的高层决策转化为具体的关节运动指令。这一层的技术门槛源于汽车的ADAS领域，高通在自动驾驶的实时路径规划与车辆控制方面已经积累了多年经验。

◎ System 0，执行层。

触摸传感、马达控制，以及确定性以太网通信。这一层级旨在确保实现高速的实时闭环控制。为此，高通专门设计并实现了一款多传感器ASIC，用于对触觉反馈阵列的数据进行采集与处理。

此外，System 0所运用的是确定性以太网技术，而非普通的工业以太网，而是实现了纳秒级时间同步的确定性网络，从而保证各个关节控制器的时钟能够保持对齐状态。

在物理层面上，这三个系统构成了各自独立的计算域；而在逻辑层面上，它们借助高速互联接口以及确定性网络技术被有效衔接起来，最终共同形成一个功能完整的机器人“大脑-小脑-神经”闭环回路。

该架构建立在手机与汽车芯片的设计经验之上，然而它最终所要解决的，却是一个在手机和汽车领域都无需应对的问题：即如何在有限的功耗与散热预算内，同时有效运行推理、规划、控制和感知这四个处理流程。

Dragonwing IQ10：高通的第一张机器人名片

高通发布了机器人参考设计Dragonwing IQ10。

其核心参数配置如下：AI算力达到700 TOPS，搭载18核CPU，配备64GB运行内存，以及超过270GB/s的内存访问带宽，其中该带宽规格经过专门设计以满足大型视觉语言动作模型（VLA）的运行需求。此外，该平台支持40余种传感器的同时接入，涵盖了摄像头、激光雷达、深度感知以及热成像等多种类型。在可靠性与安全性方面，平台具备工业级标准，集成了ECC内存、锁步CPU、安全岛以及SIL3认证等关键特性。目前，IQ10已在多种机器人形态上完成部署并投入运行。

在PPT演示过程中，对纽约大学与Neura Robotics所开发的七自由度MAiRA认知机械臂以及53自由度的4NE-1第三代双足人形机器人进行了呈现。

高通在其战略规划中确认，IQ10平台已被应用于Neura的机器人设计架构之中。与手机和个人电脑等消费电子产品不同，机器人领域目前并不存在一种普遍适用的标准化硬件形态。

高通所做出的战略选择并非局限于芯片销售本身，而是致力于提供完整的“参考设计”方案。该方案将系统级芯片（SoC）、传感器接口、运动控制单元以及确定性网络等关键模块进行整合，构成一个能够立即投入使用的平台。机器人公司则得以借助于此平台，运行其自有的算法与上层应用程序。

这种商业模式与手机时代的高通所采用的策略完全相同。手机厂商无需从头开始设计基带与射频模块，只需采购骁龙参考设计，便可构建出一部完整的手机。高通将这套成功的商业逻辑延伸至机器人领域，其流程同样遵循参考设计、OEM定制到最终量产的路径。

物理AI领域面临的最关键挑战，其核心并不在于芯片技术本身，而在于训练数据的获取与构建。这与云端大模型所面临的情形形成了鲜明对比，后者所依赖的大语言模型训练数据，可以从互联网上大量爬取和获取。机器人领域的数据则完全不同，不存在现成的、可直接获取的训练数据集。机器人在物理世界中执行任务时，其中每一个动作序列、每一次抓取操作、每一次避障决策，都需要依赖真实物理环境下的交互数据，才能作为有效的训练素材来构建模型。

高通搭建了一座数据金字塔，其结构从底层依次延伸至顶层：

◎ 位于数据金字塔最底层的是公开数据源：包括来自YouTube平台的视频资料、第一视角活动数据集，以及开源的机器人操作数据。

第二层则为合成数据：借助集成了物理引擎、渲染引擎与传感器硬件在环功能的仿真器，以自动化方式生成各类机器人操作场景。

◎ 第三层则是高通所构建的生态体系数据：这部分数据主要来源于全球范围内的开发者社区及其合作伙伴所构建的触觉传感器网络采集到的信息。

◎ 金字塔的顶层，则才真正代表真实部署场景下的数据，它指的是机器人在生产线上实际运行过程中所采集的触觉与运动数据。

高通在工具链上也做了配套。

◎ 收购Edge Impulse——一个ML Ops平台——成功解决了模型从训练到部署的整个端到端流水线问题。

◎ 借助于机器人操作系统ROS的集成，算法开发者的工具链问题得以解决。

与Arduino携手合作，只需200多美元的开发板即可流畅运行IQ平台的入门级体验。拥有33万用户与118万次下载量的Arduino社区，为高通高效拓展开发者生态提供了一条重要途径。

另一个值得关注的重要信号是，高通公司发布了名为“Arduino Ventuno Q”的新型开发板，预计在今年夏季通过Amazon平台及经销商渠道正式上市发售。

该系统搭载的是Dragonwing芯片，任何开发者或企业都可以基于该芯片来构建自己的机器人原型。此举清晰地表明了高通的策略并非专注于与少数几家公司进行定制项目合作，而是致力于培育一个开放且繁荣的生态系统。

高通针对Physical AI所涉及的汽车、工业IoT与机器人这三个行业，以骁龙以及Dragonwing龙翼的核心计算IP为基础，构建并运用了统一的物理AI平台架构。

◎ 汽车线：已经跑通的商业模式。

从智能座舱到高级驾驶辅助系统（ADAS），再到自动驾驶出租车（Robotaxi），从片上系统（SoC）到AI加速器，以及异构计算（HBC），高通的软件栈成功实现了对多代际和多级别硬件的兼容。在投资者日上，高通的首席执行官安蒙提出了一个值得注意的论断，他指出：“汽车业务对于高通而言并非一项新实验，而是一个已经成功运行了十年、并且每个季度都在加速增长的成熟故事。”

◎ 工业IoT线：正在跑。

高通在工业领域的战略聚焦于IT与OT的融合、将AI嵌入工厂的作业流程、以及推出视觉检测套件和工人辅助方案。这些举措的实现主要依赖于其广泛的渠道生态系统，具体包括45家系统集成商、超过200家硬件技术方案提供商以及35家分销商。正如高通在演示文稿中明确指出的，在2024年至2026年期间，其超过77%的物联网收入预计都将通过这些中间渠道伙伴产生。

◎ 机器人计算架构：尽管该产品线尚处起步阶段，但其系统架构的完整性与前瞻性已全面构建完成。

◎ 机器人的“大脑”所执行的核心任务，是进行高层次的逻辑推理。它需要准确解析高级任务指令，例如明确识别出需要拧紧的具体螺丝型号、计算精确的旋转圈数以及所需的扭矩大小。这一认知处理过程对应着复杂推理活动，属于更高级别的System 2认知层级。

◎ 机器人的“小脑”则承担着关键的指令转换与运动规划职能。它的作用是将抽象的“拧螺丝”这类任务指令，解码并转化为一系列具体的关节运动参数，包括各个关节的精确旋转角度以及力矩的施加序列与步骤。这本质上是将高层意图映射为具体运动轨迹的过程，属于更快速、更底层的System 1认知层级。

◎ 机器人的“神经中枢”必须执行实时的底层控制。它需要在毫秒级的时间尺度上，对每个伺服电机的电流波形进行精确调控，同时持续监测来自触觉传感器的力度反馈数据。一旦感知到异常阻力（例如螺丝已拧紧无法继续旋转），系统必须能够立即触发制动机制以确保安全。这一系列操作构成了闭环的实时控制回路，属于最底层的System 0层级。

◎ 这三条并行的计算处理线路在执行次序上不能依赖于串行等待。系统不能等待“大脑”层级的推理计算完全完成后，才开始“小脑”层级的运动规划。它们必须能够并行独立运行，且彼此之间的计算过程不相互干扰。

◎ 高通所采用的解决方案，是将SoC的架构明确设计为三个既独立运作、又紧密协作的计算域。

从移动机器人、机械臂，一直到人形机器人，技术复杂性与应用场景不断拓展；从提供700 TOPS算力的IQ10，到后续规划的IQ9和IQ8，构成了算力全梯度覆盖，以满足不同的算力需求与成本约束；其商业模式也从最初的参考设计出发，逐步构建并扩展到开发者社区，并最终形成一个持续自我增强的数据飞轮闭环。

小结

在汽车、工业物联网与机器人这三个差异化显著的行业中，高通依托于统一的计算与AI核心IP实现了战略协同。通过将核心研发成果进行跨领域复用，高通得以大幅摊薄每一代芯片的巨额研发投入，从而在竞争中建立起显著的成本优势。这种策略的关键在于，尽管最终面向不同行业交付的硬件产品形态迥异——例如为汽车领域提供的SoC（系统级芯片）与专用ADAS（高级驾驶辅助系统）加速器、为工业场景部署的集成AI计算能力的边缘计算盒子，以及为机器人领域准备的IQ10参考设计平台——但其底层运行的都是同一套核心IP组合，包括Oryon CPU、Adreno GPU与Hexagon NPU。

基于您提供的文本，作为一名学术编辑，我已对其进行了深度润色。本文旨在系统阐述高通公司为其物理AI愿景所构建的机器人计算架构，并深入剖析其核心的三层计算模型。经编辑处理，文本在确保技术准确性的前提下，增强了逻辑链条与解释深度，以期达到更高的学术表达水准。

高通针对机器人复杂的应用场景，围绕System 2、System 1和System 0这三个层级，系统性地构建了一套旨在支持复杂机器人应用的完整计算架构。与手机等消费电子产品通常仅需处理单一任务流程不同，机器人需要同时执行感知、决策与控制等多类任务，这决定了其计算需求是多维度且并行的。

其架构的核心理念是，将不同抽象层级的计算任务分配到专用的硬件域中执行，从而实现高效协同。具体而言，System 2层级主要承担高层推理与规划任务，如同机器人的“大脑”。它需要解析高级指令，诸如“拧紧哪一种型号的螺丝”之类的具体任务，并进行长时间的任务规划与智能体编排。这一层级在架构上更接近于手机SoC的设计理念，其核心算力由高性能的CPU集群与神经网络处理器（NPU）提供支持。

System 1层级则负责运动规划与轨迹生成，相当于机器人的“小脑”。它的核心任务是将System 2输出的高级决策（如“拧螺丝”）解码为一系列具体的关节运动指令，包括各关节的旋转角度与力矩施加序列。这一层级的计算需要极高的实时性与确定性，其技术积累直接源于高通在汽车高级驾驶辅助系统（ADAS）领域的经验。

System 0层级处理最底层的实时控制与传感融合，可类比为机器人的“神经中枢”。它必须在毫秒级的时间尺度内，完成对每个伺服电机电流波形的精确调控，并实时处理触觉传感器的反馈数据。一旦感知到异常阻力，系统必须能立即触发制动机制，这构成了一个要求极高的实时控制闭环。

这三个层级在处理任务时，必须支持并行运行且互不干扰。为满足这一严苛要求，高通的解决方案是设计一个包含三个独立但高速互联计算域的片上系统（SoC）。在物理层面，这三个计算域独立运行以避免干扰；在逻辑层面，则通过高速接口与确定性以太网技术紧密耦合，共同构成一个完整的“大脑-小脑-神经”闭环回路。该平台提供高达700 TOPS的AI算力、18核CPU、64GB内存及超过270GB/s的内存带宽，以满足运行视觉语言动作大模型等高阶需求。

来源：高通的机器人战略, System 0、1、2架构分别是什么？ | OFweek机器人网