干货分享：高通“物理AI”技术路径与生态，如何定义具身智能未来

2026年的MWC巴塞罗那，一个显著的信号是手机企业正大举进军机器人行业。AI不再仅仅是屏幕后的聊天和作图工具，它正跨越虚拟边界，走入现实世界。在高通看来，“物理AI（Physical AI）”、“个人AI”与“6G”是并列的核心技术支柱。从手机到汽车，高通的下一站，很可能就是机器人。

过去五年，AI的爆发集中在云端和数字世界，大模型在写作、绘画、对话等领域大放异彩。而AI的下一步，正是要渗透到我们的物理现实。例如2026年春晚舞台上的人形机器人，便是AI在硬件上最直观的应用。

在MWC 2026上，高通的大主题是“构建面向AI时代的6G”。在构建连接基础之上，高通正大力推动由物理AI驱动的系统，使其能够在物理环境中实现感知（Perceive）、处理（Process）和行动（Act）。随着具身智能的破晓，从家庭助手到工业伙伴，机器人正变得直观、主动，能够精准且有目标性地观察、聆听并行动。

高通Nakul：具身智能是AI的下一站

高通执行副总裁兼汽车、工业及嵌入式物联网与机器人事业群总经理Nakul Duggal，在世界互联网大会举办的“具身智能：引领人工智能发展的新范式”专题论坛上，发表了《推动工业AI与具身智能的规模化发展》的主题演讲。

他指出，全球工业生态正经历一场由人工智能驱动的深刻变革，核心趋势是智能能力正从云端向边缘侧深度下沉。而“具身智能”作为AI的全新发展范式，正推动智能与物理世界深度融合。

过去AI主要在云端处理数据，如今，边缘侧AI已经具备了态势感知和自主决策能力。高通正在推动计算机视觉从VLM（视觉语言模型）向VLA（视觉-语言-行动模型）演进。这种新的架构让设备能够实时分析物理场景并执行相应任务。

具身智能和传统机器人的区别是什么？

传统机器人本质上是预设程序的执行者——输入固定指令，输出预定动作。具身智能则完全不同，它需要理解上下文、感知环境动态变化、并据此调整行为，以在真实世界中完成开放性的任务。

这关键在于三种核心能力：

1. 多模态感知（视觉、听觉、触觉融合）
2. 边缘计算能力（在设备端实时处理数据，不依赖云端）
3. 持续学习的AI系统

但这里存在一个普遍误区：许多人以为，只要把云端大模型接入机器人，具身智能就实现了。现实远比这复杂。具身智能的本质需求是，必须实时、可靠地与物理世界交互。

机器人需要在毫秒级内对环境做出反应（例如避障、抓取），如果决策依赖云端，网络延迟和抖动将带来致命风险。此外，工厂、家庭等场景的网络并非永远稳定，一旦断网就瘫痪的机器人无法真正落地。同时，持续向云端传输海量传感器数据，也会给带宽和功耗带来巨大压力。

为什么端侧AI是物理AI的核心？

正是针对物理AI对实时性与可靠性的严苛要求，终端侧（端侧）AI展现出了不可替代的优势：

• 低时延：在本地完成感知与决策，保证了毫秒级的响应速度。
• 高可靠：不依赖网络稳定性，工作连续性更强。
• 隐私安全：数据无需上传云端，从根源上保障了隐私与安全。

相比之下，云端更适合承担模型训练和全局迭代的重任。因此，端侧AI是物理AI执行层的“大脑”，直接决定了智能体能力的上限与行为的边界。

正如Nakul所言：“随着边缘侧变得越来越智能，它正在具备环境感知能力（situational awareness），并能够在边缘侧直接做出决策，而这在过去需要依赖云端来完成。” 随着模型具备更强的模式识别能力，并能在真实世界运行中不断学习和优化，智能体正在各类应用场景中变得越来越强大。

端侧AI的优势已经在实际工业场景中落地。Nakul分享了一个关于XR（扩展现实）的例子：如今，智能眼镜等终端已能本地运行小型模型。当工作人员看到某处设备，只需拍照并向眼镜提问，查询请求可被发送至同处的手机或本地设备，全程无需上云，答案便能即时返回。这种能力正在彻底改变一线工作方式。

强大的端侧核心：高通跃龙IQ10处理器

为了让终端具备足够强大的AI能力，高通的解法是：打造兼具高算力、高能效，并能支持本地运行大模型的异构计算处理器。

今年CES上发布的高通跃龙IQ10系列机器人处理器，便是这一思路的集大成者。它集成了18核Oryon CPU，提供高达700 TOPS（稀疏）的AI算力，支持20路并行摄像头，可以在本地运行数十亿参数的大模型。这使得机器人能够不依赖遥控或云端，独立完成复杂的语义理解和动作规划。

从覆盖消费级机器人市场的Q系列，到面向工业应用的IQ系列，再到面向顶级人形机器人的IQ10系列，高通已构建了完整的机器人产品矩阵。

复合AI系统：实现具身智能落地的关键

单一模型解决不了所有问题。视觉感知需要视觉模型，语言交互需要语言模型，动作规划则需要运动控制模型。

Nakul认为，计算机视觉向VLA模型的演进，重构了系统设计逻辑，使摄像头与连接能力得以协同工作，实现对场景的完整态势感知与分析。这一能力已在边缘摄像头、工业网关及无人机等场景中快速推进。

高通提出的复合AI系统，正是物理AI的核心技术路线。通过多模型协同架构，物理AI设备借助高通跃龙平台的边缘AI计算能力，实现实时感知、异常检测和自主决策。

构建生态：降低开发门槛

物理AI在工业领域的落地，需要芯片厂商与工业软件巨头的深度整合。高通与西门子的合作，旨在成为工业AI基础设施的核心提供商。

在软件和生态工具层面，高通提供的解决方案包括：融合多模态感知的复合AI系统、支持持续训练的物理AI机器学习运维平台、让机器人从运行数据中学习的AI数据飞轮机制，以及帮助OEM快速构建产品的开发者工具链。

Nakul强调：“除了持续推出各类产品之外，我们采取的一个重要策略，是专注于构建生态系统。” 过去六个月，高通完成了对开源硬件平台Arduino的收购。通过整合Arduino生态，并借助Edge Impulse和Foundries.io提供的工具，高通让开发者能够更轻松地用上前沿的AI、连接和安全技术。

落地案例与行业认可

目前，已有众多机器人企业采用高通的解决方案：

• 阿加犀：用高通跃龙平台打造了人形机器人“通天晓”和智能植保机器人。
• 加速进化：推出基于高通平台的BoBooster K1极客版，面向科研群体。
• 钛虎机器人：T170“瑶光”代表了工业人形机器人的落地尝试。
• 移远通信 & 逐际动力：联合发布基于高通QCS8550的Robrain AI解决方案，让双足机器人TRON 1实现本地大模型低延迟推理。

此外，Figure、库卡机器人、Robotec.ai等行业头部企业的加入，也说明了高通机器人平台获得了从消费级到工业级、从初创公司到行业巨头的广泛认可。

物理AI的双子星：汽车与机器人的异同

汽车和机器人共享许多底层技术逻辑：

• ◎ 都需要多传感器融合、毫秒级实时决策、高度可靠的边缘计算和持续的情境感知能力。
• ◎ 都面临极高的安全要求——系统失效可能导致人身伤害。

高通在汽车领域积累的深厚安全设计经验，正在向机器人平台迁移，这构成了其独特的竞争优势。

然而，Nakul也指出了关键区别：自动驾驶是一个定义相对清晰的问题（从A点到B点），而机器人面对的是一个更加开放、多元的自动化空间。这里的应用可分为两类：

• ◎ “绿地应用”：以前因技术不成熟而无法自动化的全新场景。
• ◎ “棕地应用”：如仓储、制造等已有自动化基础的行业，它们会沿着清晰路径演进。

不同场景下，机器人技术的成熟节奏各异。因此，不能简单套用自动驾驶的发展模式。

对于高通而言，无论是机器人还是汽车，都是其物理AI大棋局中的重要部分。“一套核心能力，多个场景适配”——这或许正是高通物理AI战略最值得关注的商业逻辑。

小结

对中国机器人产业而言，这一轮具身智能浪潮既是机遇也是考验。机遇在于中国拥有全球最完整、最丰富的制造业应用场景；考验则在于核心芯片算力、高端系统集成能力与前沿AI模型质量上，仍存在需要追赶的差距。

高通选择与中国合作伙伴深度协同，押注中国的制造业场景将成为物理AI最重要的落地战场。具身智能的破晓时刻，不仅发生在巴塞罗那的展台上，更在全球每一个工厂车间和机器人实验室里悄然展开。对于广大开发者和工程师而言，深入理解这些底层技术的演进与生态的构建，是在这场变革中抓住先机的关键。如果你想了解更多关于边缘计算与异构系统设计的深度讨论，不妨来云栈社区与同行们交流一番。