物理 AI 进入奥德赛时期，Arm 要为机器人建立一套共同语言

2007 年美国《纽约时报》专栏作家大卫・布鲁克斯在研究完荷马史诗《奥德赛》中奥德修斯漫长、曲折的归乡旅程之后，颇有感触地提出了「奥德赛时期」的概念。

没想到，随着诺兰电影的爆火和中国青年的认知思潮，这个词又成了 2026 年中国社交网络最火热的流行词。

时代已经变迁，以往的人生阶段已经不再适用，而在青年与成年之间，需要一段充满探索与漂泊的过渡阶段。

更没想到的是，人如此，我们关心的自动驾驶汽车，和机器人产业，亦如此。

前几年的机器人，你见到最多的时候还是在翻滚跳舞，而今年它们已经开始站在工位上帮助我们解决具体问题了，很明显，这些领域的关键问题，已经从身手，变成了脑子。

因此，它们也有了一个陌生但恰如其分的名字：物理 AI。

AI 通过它们变身实体，开始和物理世界进行交互，可以说谁先能解决好物理 AI 的问题，谁就能成为改变世界的最大力量。

在今天的 Arm Everywhere China 大会上，已经加速了人类多个时代到来的 Arm，又试图为物理 AI 的时代的产业，形成一套共识的语言。

这套语言，首先要解决的，是一个看似简单的问题：当我们说一台机器「更聪明了」，究竟意味着什么？

今天，Arm 正式发布了「面向物理 AI 的 Arm 全面设计生态项目」（Arm Total Design for Physical AI）。这个名字听起来有点长，但它要做的事情很明确：把原本分散在不同公司、不同技术环节里的能力组织起来，让物理 AI 从一个漂亮的技术演示，真正走向可以规模化部署的产品。

因为物理 AI 的难点，远不止训练出一个更强的模型。

一台机器人要完成工作，需要传感器看见环境，需要模型理解任务，需要计算平台作出判断，还需要执行器把判断变成动作。整个过程中，软件、硬件、实时控制、安全验证，任何一个环节掉链子，最终都可能变成「脑子想明白了，身体却没跟上」。

Arm 在演讲中用了一个很形象的说法：从传感器感知光线，到电机输出扭矩，这中间的延迟就是关键指标；而对于移动的机器，每一克重量也都值得计较。

这也是为什么，物理 AI 需要的不只是算力，还需要高能效、低延迟，以及一整套能够协同工作的技术体系。

目前，这个生态项目已经汇聚了超过 80 家行业伙伴，覆盖 AI 模型、软件、传感器、计算硬件、虚拟平台、数字孪生以及安全验证等多个环节。AWS、Hugging Face、Liquid AI、恩智浦、通义千问、西门子等企业，都在这个生态之中。

对于汽车行业来说，这种合作方式其实已经有了一个很具体的例子。Arm 与 AWS、Google、HERE、RemotiveLabs 和西门子共同打造的集成式数字座舱参考方案，可以让开发者在芯片真正就绪之前，就开始基于 Arm Zena 计算子系统进行软件开发、测试和验证。

以前很多工作要等硬件到了才能开始，现在可以把一部分工作提前到虚拟平台上完成。对于开发周期越来越紧、软件越来越复杂的汽车和机器人产业，这种变化的价值，恐怕不亚于某一颗芯片性能提升了多少。

不过，今天另一件事，在我看来甚至更值得关注。

Arm 还推动了「机器人能力分级框架」（Robotics Capability Framework），希望为机器人产业建立一套描述、评估和交流能力的通用语言。

这件事，汽车行业应该特别容易理解。

我们今天讨论自动驾驶，为什么会有 L2、L3、L4 ？因为 SAE 的驾驶自动化分级，让原本很容易混在一起的技术概念，有了相对清晰的边界。驾驶员什么时候仍然需要持续监督，什么时候由系统承担驾驶任务，大家至少可以在同一套语言下讨论。

当然，分级本身不会让汽车突然学会自动驾驶，但它让研发、供应商、监管和消费者，能够更清楚地知道彼此到底在说什么。

机器人产业现在也面临类似的问题。

一台机器人能按照预设程序重复动作，另一台能够根据环境变化调整动作，还有一台能够理解任务、协调多个步骤，甚至在经验中持续改进。它们都可以被称为「智能机器人」，但显然不是同一种能力。

Arm 提出的初始框架，将机器人能力从 RL0 到 RL5 划分为六个层级，分别对应反应式、审议式、自适应、情境理解、认知以及自我改进等能力阶段。简单理解，就是从「收到指令就执行」，逐步走向「能够根据环境调整」，再到「理解情境、协调行动」，最终探索持续自我改进的能力。

这里需要强调，Arm 目前推动的是一套仍在与产业共同完善的框架，并不意味着机器人行业已经形成了类似 SAE 那样被普遍采用的正式标准。它也不是把汽车的 L5 直接搬到机器人身上，更不能把某个等级当成安全认证。

它真正重要的地方，是让能力与需求之间建立联系。

比如，一台负责固定工位分拣的机器人，和一台需要在复杂环境中自主完成多步骤任务的机器人，对时延、算力部署位置、内存、功耗、确定性和安全性的要求，显然不会完全一样。能力说清楚了，研发目标才更容易说清楚，软硬件也才能围绕真实任务进行匹配。

Arm 正在邀请包括傅利叶、银河通用、联想、麦肯锡等在内的产业伙伴继续完善这套框架。对于一个还在快速成长的行业来说，先把「我们究竟希望机器做到什么」讨论明白，或许正是走向成熟的重要一步。

而把这两件事放在一起看，也就更容易理解 Arm 为什么会在今天的大会上，站到物理 AI 产业的这个位置。

我们过去熟悉 Arm，往往是因为手机里的处理器。但它的影响力，早已不只存在于手机里。

从功能机到智能手机，Arm 的高能效计算架构和开放授权生态，让越来越强的计算能力进入了人们的口袋；Cortex-M 等产品推动了低功耗嵌入式计算的发展，让大量设备拥有了自己的「脑子」；而 Neoverse 进入云计算基础设施之后，Arm 又成为数据中心和云端计算的重要参与者。

这些变化背后，其实有一条很一致的逻辑：Arm 提供底层计算能力，让不同的企业能够在同一个基础之上，创造出完全不同的产品。

今天，物理 AI 正在把这条逻辑继续向前推进。

从云端训练，到边缘推理，再到汽车和机器人真正执行动作，Arm 希望用一套计算平台、一个软件生态，把这些原本分散的环节连接起来。它提供的既有核心 IP，也有计算子系统，以及让合作伙伴更早开发、更快验证的生态协作方式。

所以，这次发布的意义，并不只是 Arm 进入了一个新的热门赛道。

当 AI 开始从屏幕里走出来，进入工厂、道路、农田和物流系统，真正决定产业速度的，除了模型本身，还会有计算平台、软件生态、协作方式，以及大家能否对机器的能力形成共识。

这恰恰是 Arm 过去几十年反复证明过的能力：它未必总是站在消费者最容易看见的位置，却能够让一整个产业，以更低的门槛、更高的效率，向前迈出一大步。

从移动计算，到云计算，再到今天的物理 AI，Arm 一次次参与了计算能力走向更广阔世界的过程。

这一次，我相信它也将成为引领人类科技进入下一个时代的重要力量。

毕竟，奥德赛时期最重要的，从来不只是漂泊本身，而是人在漫长的探索之后，终于知道自己要去哪里。

对于正在走出实验室的机器人和自动驾驶汽车来说，今天的物理 AI，或许也正处在这样的时刻。