2026年3月17日，在第四届具身智能机器人产业发展论坛上，安霸半导体研发总监钱豪指出，随着边缘AI技术的发展，机器人正从依赖预设指令的工具进化为具备自主决策能力的AI伙伴。边缘芯片凭借本地感知、低延迟、低功耗与高安全性，支撑机器人在无网络环境下执行复杂任务，并通过自然语言与人交互。以“OpenClaw”为例，AI决策与物理执行能力的结合，使机器人能在家庭、办公等场景中协助管理事务，标志着智能体正逐步成为人类的同事与伙伴。
钱豪介绍到，安霸通过自研CVflow架构与图像处理能力，构建了机器人的“大脑与视觉”系统。其芯片支持从1B到 百B以上等多种规模的模型在边缘端高效运行，具备非结构化稀疏加速、低功耗与高速缓存等优势，突破了传统芯片的I/O瓶颈。同时，安霸开放DevZone生态系统，支持PyTorch等主流框架，降低开发门槛，推动大模型在边缘端的落地应用，为具身智能的规模化部署提供坚实硬件基础。
钱豪｜安霸半导体研发总监
以下为演讲内容整理：
时代节点：机器人的“工具”到“伙伴”
如今的机器人与以往有所不同。过去的机器人通常依赖预设指令、被动响应、提前编码以及预先布置的环境来完成相对单一的任务。比如在流水线上，成千上万组机械臂协同完成特定任务，整个流程需要大量事先布置和准备。
元股证券:ygzq.hk新时代的AI伙伴，例如人形机器人或机器狗，则具备自主决策能力。它们能够使用自然语言与人类交互，理解我们布置的任务，并自主决策以完成相应的工作。这意味着在不同任务场景下，无需重新编码，只需通过自然语言发出指令即可。
图源：演讲嘉宾素材
近期备受关注的“OpenClaw”养小龙虾，本质上正是AI决策能力与物理世界执行能力的结合。基于此类AI伙伴，理论上可以在AI进行决策后，委托其协助管理各类日常事务，无论是整理文件、整理图片视频，还是协助处理股票等事务，均具有可行性。
当然，这也伴随着一定的风险。因为将任务交给AI模型，由它自主决策，而决策的质量完全取决于该模型的能力。换言之，信任与否，决定了你是否愿意使用它。
OpenClaw已经打开了一扇大门。目前它运行在我们的电脑上，那未来是否有可能部署在手机甚至机器人上？其核心在于，它连接了AI的决策能力与物理世界的执行能力。总而言之，在机器人作为伙伴的时代，AI机器人能够理解人类的自然语言指令，并完成复杂任务。
东方枢纽项目依托浦东国际机场与上海东站两大交通节点，致力于打造集航空、高铁、市域铁路、轨道交通于一体的世界级综合交通枢纽，是事关国家战略实施和上海长远发展的“超级工程”，作为上海“西有虹桥、东有东方”双枢纽战略的重要组成部分，承担着提升长三角一体化交通能级、增强全球资源配置能力的重要使命。
目前许多大模型主要在云端运行，但边缘AI同样重要。就像一个自主的人，即便没有手机、没有互联网，依然可以独立完成各种任务。例如在家做饭或打扫时，我无需去云端获取信息来决定下一步是放盐还是放糖。在现实世界的执行层面，世界模型本质上只有运行在边缘端才具有实际意义。只有当它遇到难以处理的复杂问题时，才需要借助云端的算力。
当前，无论是家用设备，如扫地机器人、陪伴机器狗，还是无人机，本质上都已具备AI能力，能够自主决策并执行任务。其需求持续增长，对边缘端芯片的算力要求也随之提高。
边缘芯片与云端不同。云端本质上是算力中心，而边缘芯片首先需要解决的是本地感知问题，包括本地图像感知和多图像融合。如果依赖云端资源，将大量图像数据上传显然不现实。因此，必须在本地完成融合、分析与决策。
其次是实时化。由于图像数据均在本地边缘端处理，可以快速响应并获得结果，无需承受网络延迟，甚至可以在无网络环境下完成数据传输。依靠芯片内部的高速缓存与高速传输，能够实现快速处理。
低功耗是边缘芯片的一项基本需求。相比之下，PC上的GPU功耗往往达到300瓦甚至400瓦，而边缘芯片大多可以控制在10瓦上下，功耗非常低。
此外是安全可靠。我们在使用云端大模型时，通常不会上传个人私密资料。个人数据非常敏感，尤其是对于未来的家用机器人而言，用户不可能允许机器人将家庭场景、私密数据或私人谈话上传到云端，因为这种行为存在较大风险。因此，在边缘端实现数据保护和数据闭环至关重要。
还有高效化。在处理一些简单任务时，没有必要依赖一个非常庞大的模型。在边缘端，完全可以完成百分之八九十的任务。只有在面对不熟悉的复杂领域时，才需要借助更高端的算力。这也是边缘端的一大特点。
与云端相比，边缘端的延迟更小。由于大量数据在本地处理，借助高速内存和内部带宽，可以实现非常快速的数据处理，延迟极低。
数据安全则更加不言而喻。数据在本地闭环处理，不会上传至云端，从根本上杜绝了泄露风险。所有敏感数据均在本地完成闭环，即便是模型进化，也可以在本地进行微调，使其更加智能。所有数据始终保留在本地，这正是数据安全的体现。
技术亮点：打造机器人的“大脑与视觉”
安霸早期主要从事视觉处理，很早便将AI CVflow架构加入其中，用于AI模型的加速，我们致力于打造机器人的大脑与视觉。作为人类未来的同事或高端伙伴，机器人需要在本地具备强大的图像融合能力、感知能力、AI决策能力以及相应的执行能力，并能通过自然语言与人类交互。只有具备这些能力，才能成为真正的伙伴。
下图是安霸芯片的一个典型架构图，通常包含多个ARM核、一个DSP图像处理芯片，以及一个CVflow加速芯片。这就是我们所说的大脑，无论是运行世界模型、VLA，还是以往的小型CNN、ViT等各种算法，都可以依托这个架构来实现。
图源：演讲嘉宾素材
左侧部分是图像处理模块。安霸的图像处理能力在业界享有较高声誉，许多头部安防公司以及运动相机厂商都是我们的客户。
此外，安霸还具备图像压缩能力。整体架构中，ARM核负责逻辑决策，CVflow则用于承载模型大脑和AI决策，图像部分负责图像处理与压缩。
安霸在旗舰级图像处理和多传感器融合能力方面具有优势，无论是简单的Dewarp、EIS防抖、低照度IQ，还是多模态融合、雷达接入、ToF、双目视觉等，我们都拥有成熟的解决方案和丰富的量产经验。
下图是CVflow内部的结构示意图，出于隐私考虑做了简化处理。CVflow是安霸自研的IP，已发展多年，从CV1到CV2时代，目前已演进至第三代(CV3)，第四代也已经在计划中，以适配未来各类新兴模型。
无论是刚才提到的世界模型，还是未来可能出现的其他模型，我们的CVflow架构本质上具有较好的通用性。其内部集成了高速缓存，主要原因在于当前模型规模持续扩大，1B参数已算小型，2B、3B、4B也仍属小模型范畴，云端模型则已达到数百B级别。
面对如此庞大的数据量，芯片的性能瓶颈往往不再单纯取决于算力，而更多地受限于数据搬运的速度。因为没有数据，就无法进行计算。一定程度上，I/O能力决定了整体性能。为此，我们通过内部高速缓存提供充足的带宽来支撑数据流转，确保执行单元始终处于忙碌状态，避免因数据不足而产生空闲。
以一个简单的1B模型为例，若采用8比特量化，每秒即使只生成一个Token，也将带来至少每秒1GB的数据量，这个数字已经相当可观。若模型规模达到上百B，数据量将更为庞大。
在未来的芯片设计中，I/O势必会被置于极为重要的位置。无论是当前兴起的3D堆叠还是存算一体架构，其核心思路都是消除I/O瓶颈，从而使算力得以充分发挥。
以我们的典型架构为例，数据从DDR加载至内部缓存后，便进入密集计算阶段。在整个运算过程中，数据无需再访问外部存储，因此处理速度非常快。
此外，安霸芯片还具备两个特点，其中模型量化已逐渐成为行业通用做法。量化属于模型压缩技术的一种。随着模型规模不断扩大，推理速度势必受到影响，而量化是目前最普遍的优化手段之一。
安霸芯片的另一项特色，即能够从非结构化稀疏中获得成倍的性能提升。这一点是目前市面上许多芯片难以实现的。比如某头部GPU芯片，其也能够享受的剪枝性能优化，主要依赖于连续的零值位置。换言之，若模型参数中存在零值，当其为零时，运算可以跳过；但部分芯片要求连续的零位，即结构化稀疏，才能节省计算。
安霸不需要零值连续。即使是离散的、任意位置的零值，我们同样能够实现线性的成倍性能提升。这不仅带来性能增益，带宽消耗也相应减少。因为在存储模型时，这些零值位置已被去除，存储空间随之降低，从而实现成本下降。最终效果是性能提升、带宽节省、存储减少、运行更快、功耗更低。
在大模型时代，模型压缩同样至关重要。当然，模型压缩后需要依靠算法能力较强的公司来恢复精度，这是现实中必须面对的挑战。但若想实现极致的压缩效果，就必须对模型进行深度优化。
得益于CVflow架构，我们能够在芯片上运行1B、2B、3B乃至7B、14B、34B的模型，甚至百B以上模型，且性能表现良好。由此可见，边缘端能够承载的模型规模正在不断扩大。当然，模型越小，运行速度越快。
实际上，边缘端同样具备运行百B模型的能力，而不仅仅是云端专属。边缘端的优势显而易见：延迟更低，因为数据可在本地完成处理；数据安全性更高；同时功耗也保持在较低水平。
配资炒股安霸的芯片产品覆盖高、中、低不同算力层级，以满足各类需求。目前我们的旗舰款芯片为N1系列，早期产品则有CV28系列，能够适配机器人应用对算力的多样化要求。
安霸还开放了名为DevZone的生态系统。我们提供DevKit开发板，并开源多个经过优化的模型，同时支持各类底层工具，甚至允许直接在芯片上运行PyTorch。我们此前在LeRobot项目中开展VLA训练时，便直接在安霸芯片上进行推理与训练，完成了机械臂VLA模型的开发。
我们还对接了NVIDIA ISAAC SIM等框架，并集成了当前主流的生成式框架，支持Diffusion模型的运行，甚至可以运行OpenClaw等应用，以此结合生态能力，赋能更多新型智能应用。
通常，用户拿到一款边缘芯片后，需要投入一定成本去熟悉和掌握其使用方法。而借助AI大脑，理论上可以大幅降低这类学习成本。用户只需通过自然语言输入一条指令，如“帮我查看系统状态”，系统便能自动感知并调用开发板上的所有能力，查询当前可用的资源状况。此外，也可以指示它从指定位置下载一个模型，运行后分析该模型在我们芯片上的表现，评估存在的问题并提出改进建议。
在N1-655上使用我们的OpenClaw，本质上是将AI决策与物理执行相融合。未来，这类系统或许不再沿用OpenClaw的名称，也可能出现更多类似形态的产品，安装在手机、电脑甚至机器人中。届时，机器人可能搭载一个AI操作系统，用户通过自然语言即可指令其完成各类任务。这一趋势正在电脑端通过OpenClaw逐步实现。
最后，作为一家芯片公司，我们希望与更多合作伙伴携手，联合开发应用，共同推动具身智能技术的落地，创造更美好的未来。
(以上内容来自安霸半导体研发总监钱豪于2026年3月17日在第四届具身智能机器人产业发展论坛发表的《边缘智能驱动机器人进化：从工具到伙伴的跃迁》主题演讲天津股票配资信息平台。)
A股配资网提示：本文来自互联网，不代表本网站观点。