AI横向扩张，模拟信号链需纵向深挖

事件概述

AI正在从云端向工厂、汽车、机器人和卫星等物理世界全面扩张，成为整个物理世界的“运行层”。然而，每个智能系统的底层都依赖模拟信号链作为物理与数字之间的接口。Renesas副总裁Karthi Gopalan指出，系统的准确性不仅取决于模型大小，更取决于从传感器到ADC、电源管理、控制环路的整条信号链的可靠性。

核心信息

模拟内容随自主性复合增长

随着系统从原型走向量产，自主性每提升一级，所需的模拟和混合信号IC数量并非线性增长，而是复合增长。以人形机器人为例：每个关节都需要电机驱动、电流检测、位置反馈（编码器/旋转变压器）、力矩/力反馈、本地电源管理和高完整性通信，整个平台需超过200个模拟IC。手指尖的抓取控制还需要额外的压力/阻抗传感。

工业环境使信号漂移变“自信错误”

工业现场存在温度波动、振动、电磁噪声和长距离线缆传输等问题。位置传感器在热应力下漂移半度，不会产生错误标志，而是产生一个“正确但错误”的数值，AI系统会自信地据此执行错误动作。这种实验室与现场性能的差距无法单纯靠软件补偿，需要从信号链整体架构解决。

准确性是系统级属性

在物理AI中，准确性不是单一规格参数，而是标定、时序、电源完整性和故障感知控制共同作用的系统属性。仅仅将各模块“拼凑”起来远远不够，必须将感知、控制、电源和连接作为一套完整系统工程来设计。

值得关注

迈入2020年代后半段，竞争重点已从“谁有最大的模型”转向“谁能在真实世界中提供最可靠的性能”——涵盖温度、振动、延迟、噪声、功耗预算、安全约束和长寿命周期。这本质上不是软件问题，而是信号链问题。领先架构将传感、控制、电源和连接作为统一的信号系统来设计，并在项目早期就纳入预算。AI已横向铺开，胜者将是那些“向下深挖”信号链质量的团队。