全场景计算架构演进：从边缘到云再到物理AI

一、背景：计算范式的迁移正在加速

过去十余年间，计算产业经历了一次深刻的结构性迁移。从移动互联网到云计算，再到当下智能体（Agent）驱动的 AI 应用形态，算力需求的重心不断转移。一个被广泛引用的行业观察是：全球合作伙伴累计出货的基于某类精简指令集架构的芯片已超过 3500 亿颗，而所有主要超大规模云服务提供商均已采用该架构。据 IDC 数据，基于该架构的机架级服务器市场规模已超越传统复杂指令集架构，成为加速计算领域的主流平台。

这一变化的背后，是 AI 工作负载对“每瓦性能”和“异构协同”的极致追求。当模型参数从亿级跃升至万亿级，当推理请求从数据中心蔓延至手机、汽车和机器人，计算架构必须同时满足三个条件：可扩展、可配置、可协同。本文围绕边缘 AI、云 AI 与物理 AI 三大方向，梳理当前架构演进的关键技术路径与工程实践。

二、边缘 AI：移动端计算子系统的迭代逻辑

2.1 为什么边缘需要“子系统”而非“单点芯片”

移动端的 AI 负载具有鲜明的碎片化特征：图像增强、语音唤醒、实时翻译、智能体本地推理等场景对算力、延迟和功耗的要求差异巨大。传统的 SoC 设计往往将 CPU、GPU、NPU 作为独立模块拼合，导致软件栈割裂、调度效率低下。

“计算子系统”（Compute Subsystem, CSS）的思路是将 CPU 集群、GPU、神经网络加速器以及互连总线作为一个整体对外交付，并配套验证过的软件栈。其核心价值在于：芯片设计方无需从零验证底层一致性，可将精力集中在差异化功能上。

2.2 第二代移动端子系统的关键技术点

在某次技术大会上，第二代移动终端计算子系统正式发布，其核心组合包括：

• 搭载 SME2 技术的 CPU 核心：SME（Scalable Matrix Extension）是面向矩阵运算的指令集扩展，SME2 进一步增强了低精度矩阵乘加能力，对 Transformer 类模型的本地推理有明显加速作用。
• 集成专用神经网络加速器的 GPU：将 NPU 能力嵌入 GPU 管线，使得图形渲染与 AI 推理可共享内存带宽，减少数据搬运开销。

从工程视角看，这类设计的价值在于统一内存访问与统一调度。开发者可以用一套 API 同时调度 CPU 的标量计算、GPU 的并行渲染和 NPU 的定点推理，避免多套工具链之间的胶水代码。

// 示意：统一调度接口的伪代码结构
compute_task_t task = {
    .type = TASK_TYPE_NN_INFERENCE,
    .input = tensor_input,
    .target = DEVICE_AUTO,  // 由运行时决定落在 CPU/GPU/NPU
    .latency_budget_ms = 8
};
compute_submit(&task);

这种抽象层的意义在于：当硬件迭代时，上层应用无需重写。对于开发者而言，可移植性比峰值算力更重要。

三、云 AI：可配置性与开放生态的双轮驱动

3.1 可配置服务器级平台的演进

云侧 AI 的核心矛盾是：不同客户对 CPU 核数、缓存容量、内存带宽、PCIe 通道数的需求差异极大。通用芯片难以兼顾，而全定制芯片成本过高。因此，“可配置计算子系统”成为折中方案。

最新一代服务器级可配置平台被称为“迄今可配置性最高”的版本。其含义是：芯片设计方可以在更大范围内选择核心数量、缓存层级和互连拓扑，从而针对推理、训练、数据处理等不同负载做定向优化。

配置维度	典型选项范围	适用场景
核心数量	32～128 核	推理密集 / 吞吐密集
缓存层级	共享 L3 分区可调	大模型权重驻留
内存通道	4～12 通道	带宽敏感型负载
加速器接口	可扩展的片外互连	自定义 NPU/DPU

3.2 面向数据中心的通用 AI 处理器

除了 CSS，面向数据中心的通用 AI 处理器（AGI CPU）也在持续推进。其设计目标是：在通用计算与 AI 加速之间取得平衡，使得同一颗芯片既能跑传统的微服务，也能高效执行矩阵运算。

据公开信息，多家头部 AI 与云服务企业正在基于该处理器开发解决方案。这释放了一个明确信号：云侧 AI 的竞争已从“单卡算力”转向“整机架效率”。机架级服务器之所以在市场规模上超越传统架构，正是因为其在每瓦性能、内存一致性和虚拟化支持上更适配云原生 AI 负载。

3.3 对开发者的实际影响

对于在云端部署 AI 应用的开发者，架构迁移带来的变化包括：

1. 容器化与编排层的适配：需要确保基础镜像、运行时和算子库对该架构有完整支持。
2. 性能剖析方法的变化：传统的 x86 性能计数器不再适用，需使用该架构专属的剖析工具链。
3. 成本模型的重新评估：每瓦性能优势在长期运行的大规模推理场景中会显著体现。

四、物理 AI：当机器人需要“能力分级”

4.1 物理 AI 的定义与边界

物理 AI（Physical AI）指在真实物理世界中感知、决策并执行动作的智能系统，涵盖机器人、自动驾驶、工业自动化等。与纯软件 AI 不同，物理 AI 对实时性、安全性和确定性有硬性要求。

4.2 生态项目的扩展与首个协作倡议

某生态项目宣布扩展至物理 AI 领域，涉及 80 多家企业，首项协作倡议聚焦于构建机器人能力分级框架。

这一框架的提出有其现实背景：当前机器人产业缺乏统一的“能力语言”。不同厂商对“抓取”“导航”“避障”的定义和接口各不相同，导致系统集成成本高企。能力分级框架试图建立一套通用描述，使得：

• 机器人能力可被量化评估；
• 不同模块之间可互操作；
• 开发者可针对特定能力等级进行开发与验证。

# 示意：机器人能力分级描述结构
capability_profile:
  navigation:
    level: 3
    requirements:
      - dynamic_obstacle_avoidance
      - multi_floor_mapping
  manipulation:
    level: 2
    requirements:
      - rigid_object_grasp
      - force_feedback
  safety:
    level: 4
    requirements:
      - emergency_stop_under_100ms
      - human_detection_redundancy

4.3 统一“能力语言”的产业价值

从工程实践角度看，统一能力语言的价值体现在三个方面：

1. 降低集成成本：系统集成商可根据能力等级快速选型，减少定制适配。
2. 加速认证流程：安全与可靠性认证可基于能力等级进行分级测试。
3. 促进模块复用：算法模块可在不同等级之间迁移，避免重复开发。

多位来自机器人、汽车计算等领域的技术负责人表达了类似观点：统一的机器人能力语言有助于产业协同与系统集成。这不是技术细节的统一，而是抽象层次的统一。

五、跨端协同：从边缘到云再到物理端的工程挑战

5.1 模型部署的一致性难题

一个在云端训练的模型，往往需要部署到手机、汽车和机器人上。不同端的算力、内存和功耗约束差异巨大，导致模型需要多次转换和量化。理想的架构应支持一次训练、多端部署。

当前可行的路径包括：

• 使用统一的中间表示（IR）描述模型；
• 由编译器和运行时根据目标硬件自动选择算子实现；
• 在边缘侧使用子系统提供的统一 API 进行调度。

5.2 数据回流与闭环

物理 AI 系统在运行中产生的数据，需要回流到云端进行再训练。这要求边缘与云之间有一致的数据格式和传输协议。常见做法是：

1. 边缘侧对原始数据做脱敏和压缩；
2. 通过消息队列上传至对象存储；
3. 云端触发训练流水线，生成新模型；
4. 新模型经量化后下发至边缘。

这一闭环的效率，直接决定了物理 AI 系统的迭代速度。

5.3 安全与确定性

在物理 AI 场景中，安全是不可妥协的约束。计算架构需要提供：

• 硬件级隔离（如 TrustZone 类技术）；
• 确定性调度，保证关键任务在截止时间内完成；
• 冗余检测，防止单点故障导致物理伤害。

这些能力无法在应用层单独实现，必须由计算子系统在架构层面提供支撑。

六、总结与展望

从移动端计算子系统到服务器级可配置平台，再到物理 AI 的能力分级框架，计算架构的演进呈现出清晰的逻辑主线：以子系统为单位交付，以可配置性应对碎片化，以统一抽象降低协同成本。

对于开发者和企业用户，这意味着：

• 边缘 AI 的开发将更依赖统一的调度接口，而非硬件细节；
• 云 AI 的迁移成本会因软件栈成熟而逐步降低；
• 物理 AI 的规模化需要产业共同建立能力语言与安全标准。

未来几年，随着智能体应用从数字世界走向物理世界，计算架构的挑战将从“算得动”转向“算得稳、算得省、算得安全”。这不仅是芯片设计的问题，更是软件栈、工具链和产业协作的问题。谁能在这三个层面同时推进，谁就能在下一阶段的 AI 落地中占据主动。