Arm Drew Henry：物理AI芯片设计核心在于低时延，而非极致性能
Arm执行副总裁Drew Henry指出，物理AI（如机器人和自动驾驶）的核心挑战在于从感知到执行的极低时延，而非单纯追求极致算力或内存带宽。为此，Arm已成立专门事业部，并构建了涵盖感知、交互、执行及云端的四层计算架构。该领域被视为未来十年最具复杂性和市场规模的计算赛道，Arm提供自研平台与生态合作两种模式以支持客户。
事件概述
2026年1月，在拉斯维加斯国际消费电子展（CES 2026）上，Arm公司宣布进行内部组织架构重组，正式成立专门的**物理AI（Physical AI）**事业部。物理AI被定义为将AI深度嵌入配备执行器（actuators）且可自主运动的实体设备中，典型应用场景包括机器人平台和自动驾驶汽车。
核心观点：时延优于极致性能
Arm物理AI事业部执行副总裁Drew Henry强调，理解物理AI的关键指标是时延（Latency），即从感知信号输入到实际动作执行之间的时间差。无论是车辆刹车转向，还是机械臂操作，系统响应的实时性至关重要。
因此，在该领域的芯片设计中，目标并非追求极致的峰值性能或超高内存带宽，而是致力于在极短时间内完成高复杂度计算，实现数据输入与动作输出的即时闭环。
四大计算层级架构
为实现上述目标，Arm提出了支撑物理AI的四大计算层级：
- 感知驱动计算层（Autonomous Operation）：聚焦于赋予设备“看见”环境的能力，要求传感器感知信号后能瞬间完成实时运算并做出决策，对时延控制要求最高。
- 交互驱动层：服务于人机交互场景（如车内乘客互动），需为流畅的用户体验提供相应的算力支撑。
- 驱动执行层：负责精准控制各类微型执行器（如制动系统、转向系统）。该层级由大量微型器件组成，需要上层系统进行统一的协调调度，设计复杂度极高。
- 云端协同层：负责新模型训练下发至终端，以及将分散的设备整合为集群进行协同作业，实现系统与云端环境的深度交互。
所有层级均需满足功能安全（Functional Safety）和信息安全（Information Security）的高标准。
市场展望与合作模式
Drew Henry表示，具身智能及其所需模型将在未来十年持续迭代，人形机器人与自动驾驶平台的需求将不断演变，这使得物理AI成为有史以来最复杂的计算系统之一，也是有望成为全球最大市场的领域之一。
目前，Arm已构建完善的计算平台体系，提供两种合作模式：
- 自研模式：客户基于Arm技术打造自研计算平台。
- 生态合作模式：客户可与NVIDIA等生态合作伙伴开展联合开发。
Arm是全球唯一同时提供这两种合作模式的企业。