Mesin autonom dijangka akan mengubah pelbagai industri, tetapi bottleneck memori, had kuasa, arsitektur khusus, dan keperluan keselamatan, memaksa jurutera cip untuk memikirkan semula keseluruhan sistem.
Poin-poin:
- Hanya meningkatkan kuasa pengiraan tidak dapat menyelesaikan batasan fizikal AI. Kapasiti pemprosesan mesti seimbang dengan lebar pita memori, antaramuka yang cekap, bekalan kuasa yang mencukupi, dan kemampuan penyejukan.
- Arsitek sistem yang disesuaikan dengan fungsi dan persekitaran akhir diperlukan untuk AI fizikal.
- Penerapan sebenarnya bergantung pada pengesahan yang ketat: perlu mencakup kesan tepi, memahami tingkah laku sistem, dan mengesahkan keselamatan.
AI fizikal sedang bergerak menuju penggunaan meluas, tetapi untuk membina sistem yang digerakkan oleh sensor ini, pasukan kejuruteraan mesti menyelesaikan pelbagai cabaran teknikal secara serentak dan berterusan.
Analis meramalkan pasaran AI fizikal akan mengalami pertumbuhan yang ketara. Sistem autonom dijangka mampu mengubah secara mendasar pelbagai industri seperti pengangkutan, pembuatan, perubatan, dan tenaga. PwC旗下 Strategy& meramalkan bahawa pada tahun 2030, saiz pasaran global AI fizikal mungkin mencapai sekitar 430 bilion euro, mencerminkan potensi perniagaan sistem autonom dalam pelbagai industri.
Licinio Sousa, Ketua Pengarah Tinggi IP Antaramuka AI Fizikal untuk Automotif Synopsys, berkata: "Sistem AI fizikal sedang meluas dari automotif ke robot dan drone, dan batasan pembangunan aplikasi ini merangkumi keseluruhan sistem. AI sedang berpindah dari pusat data ke tepi; bagi mesin seperti robot, drone, dan kenderaan, dorongan datang dari autonomi, privasi, personalisasi, respons yang lebih pantas, dan pengurangan ketergantungan kepada awan."
Senarai cabaran teknikal yang perlu diselesaikan panjang dan saling berkaitan. Kapasiti memori dan bandwidth perlu ditingkatkan, latensi dan penggunaan kuasa perlu dikurangkan, jangka hayat produk perlu dipanjangkan, dan keselamatan perlu diverifikasi. Lebih sukar lagi, menyelesaikan mana-mana masalah ini mungkin mengakibatkan masalah baru di tempat lain.
Arsitek khas
Untuk menyelesaikan bottleneck peringkat sistem ini, diperlukan peranti keras dan perisian yang sangat khusus dan dioptimakan untuk kes penggunaan tertentu.
Michal Siwinski, Presiden Eksekutif Kanan, Ketua Produk dan Pemasaran, serta Pengurus Umum Penyelesaian Keselamatan Arteris, berkata: “Kita perlu mula membincangkan pengkomputeran yang lebih optimum dan disesuaikan khusus untuk beban kerja tertentu—inilah yang menjadikan AI fizikal lebih menarik. Beban kerja tersebut mesti dioptimumkan secara ketat kepada peranti keras. Kita pada dasarnya kembali kepada maksud tradisional ASIC—ASIC seharusnya sangat khusus kepada aplikasi dan sangat optimum, bukan generik. Kini, beberapa tren sedang bermula muncul. Yang akan menarik ialah melihat bagaimana sistem yang lebih fleksibel, yang ditujukan kepada aplikasi yang sangat spesifik, akan berkembang di antara perisian, peranti keras, dan beban kerja, serta terus berkembang kerana model berubah dengan lebih pantas.”
Vasanthan Karunanithy, arkitek sistem bagi bisnes automotif Micron Technology, berkata di Forum Automotif JEDEC terkini: “Robot bukanlah satu set stak AI baru. Dari sistem ADAS, robot mewarisi persepsi masa nyata, perancangan laluan, dan kawalan pergerakan. Dari almari pintar, robot mewarisi pemahaman bahasa semula jadi, penarikan kesimpulan kontekstual, dan interaksi manusia-mesin. Dalam kecerdasan berbadan, cabaran yang lebih besar ialah menjalankan kedua-dua jenis beban kerja ini secara serentak, kemudian bertukar maklumat pada akhirnya. Oleh itu, inilah persamaan antara dua bidang ini. Namun, terdapat perbezaan yang mencerminkan skala saluran. Kenderaan autonomi beroperasi dalam persekitaran jalan yang relatif terstruktur dan mendapat tenaga daripada sumber yang lebih besar—bateri kenderaan. Tetapi apabila melihat robot, ia beroperasi dalam persekitaran tiga dimensi yang tidak terstruktur. [Robot] juga perlu mengekalkan beberapa darjah kebebasan, mesti mengendalikan objek dan mengekalkan keseimbangan, serta memahami arahan dalam perintah. Berbanding kereta, ia mesti melakukan semua ini dengan sumber kuasa yang lebih terhad.”
Perbezaan-perbezaan ini berbeza-beza mengikut aplikasi yang berbeza. Kenderaan autonomi beroperasi di dalam infrastruktur trafik sedia ada, tetapi mesti menghadapi keadaan jalan yang tidak boleh diramalkan. Sebaliknya, robot mudah alih dan robot bentuk manusia mungkin perlu menavigasi persekitaran yang kurang terstruktur, mengkoordinasikan pengendalian dan keseimbangan, serta beroperasi di bawah anggaran kuasa yang lebih terhad. Sementara itu, robot industri mungkin beroperasi dalam persekitaran yang dikawal dan disambungkan kepada sumber kuasa tetap. Perbezaan-perbezaan ini menjadikan sukar untuk mengoptimumkan satu arsitektur tunggal untuk semua bentuk AI fizikal.

Pereka mesti membina struktur sistem berdasarkan keperluan ini sejak awal.
Sousa berkata: "Seiring dengan perkembangan beban kerja dan model, kami telah melihat munculnya silikon khusus yang direka untuk memenuhi keperluan spesifik setiap jenis mesin. Pelanggan kami terus menghadapi permintaan untuk model VLA (visual-language-action) canggih. Di peringkat peranti keras, ini bermaksud pengiraan dan enjin AI yang lebih padat. Sementara itu, lingkungan penggunaan yang terlalu luas menjadikan arsitektur monolitik tunggal semakin sukar diterapkan, sehingga beralih kepada pendekatan chiplet, di mana pengiraan, AI, memori, dan I/O boleh diperluaskan berdasarkan kes penggunaan tertentu melalui antaramuka UCIe."
Chiplet menyediakan jalan berpotensi untuk platform AI yang boleh dikembangkan, terutamanya apabila keperluan pengiraan heterogen, memori, dan I/O cukup tinggi untuk membenarkan penggunaan pembungkusan canggih. Namun, ia juga boleh meningkatkan kos dan kompleksiti akibat pembungkusan tersuai, pengurusan haba, dan komunikasi die-to-die. Untuk sistem yang lebih kecil, sangat terintegrasi, dan terbatas oleh penggunaan kuasa, saiz, dan kos, SoC monolitik mungkin lebih sesuai.
Kendala ini juga berlaku untuk peranti keras dan perisian. Menurut Sathish Balasubramanian, Pengendali Produk EDA AI dan Solido di Siemens EDA: “Sensor akan lebih fokus pada kes penggunaan, anda perlu memastikan ada kes penggunaan yang baik dan disesuaikan, serta anda juga perlu mempunyai lapisan perisian di atasnya. Saya selalu bercanda bahawa segala sesuatu di dunia nyata adalah simulasi, dan kami cuba mengabstrakkan ia menjadi digital, oleh itu salah satu perkara paling penting ialah redudansi. Sensor sudah cukup baik. Kita boleh mengesan penglihatan, haba, tekanan, dan apa sahaja yang lain. Kita juga sudah berjaya dalam radar dan aspek lain. Yang lebih penting ialah memastikan sensor boleh beroperasi dalam persekitaran, dan menangkap persekitaran dengan cara yang tidak benar-benar merosak, atau dengan redudansi yang dibina dalam.”
Namun, kesan redundansi akan berbeza bergantung pada sama ada komponen boleh gagal secara berasingan, dan sama ada sistem mampu mengenal pasti serta menanggapi kegagalan. Hanya menambahkan sensor tidak menjamin operasi yang boleh dipercayai, terutamanya apabila keadaan persekitaran mungkin mempengaruhi beberapa sensor secara serentak.
Menyesuaikan arsitektur pengiraan mengikut beban kerja atau kes penggunaan juga membawa kompromi. Yasmine King, Naib Presiden Korporat dan Pemimpin Perniagaan Automotif Analog Devices, berkata: “Adalah satu persoalan sejauh mana kecerdasan perlu berada dekat dengan lokasi di mana persepsi berlaku, dan terdapat tekanan di sini. Jika kecerdasan disebarkan sepanjang sistem, kemas kini akan menjadi lebih kompleks. Pusat pengurusan membenarkan kemas kini OTA melalui satu titik, memudahkan pemaafan dan pembaikan, tetapi apabila anda memerlukan respons pantas terhadap data ini, ia boleh menimbulkan masalah latensi. Dalam kenderaan, jika seorang pejalan kaki tiba-tiba melintas di hadapan kereta, anda perlu mampu memberi respons dengan sangat pantas. Oleh itu, di mana kecerdasan diletakkan bergantung pada jenis maklumat pengesanan yang ingin anda kumpulkan, dan seberapa pantas anda perlu bertindak balas.”

Yasmine King berucap pada 27 Oktober 2026 di Reuters Automotive 2026.
Penempatan pintar adalah keputusan架构 yang melibatkan lebih daripada sekadar prestasi pengiraan. Ia memerlukan keseimbangan antara masa respons, lebar pita komunikasi, penggunaan kuasa, kemampuan kemas kini, dan koordinasi komponen terdistribusi. Pengiraan terpusat mungkin menyederhanakan pengurusan, manakala pemprosesan tempatan boleh mengurangkan latensi komunikasi dan mengekalkan fungsi penting semasa gangguan sambungan.
"Dinding memori" AI fizikal
Kapasiti memori, lebar pita, latensi dan penggunaan tenaga adalah bottleneck utama AI fizikal; beberapa teknologi memori mungkin menghadapi hadangan bekalan. Cabaran sebenar bukan sekadar menambahkan cukup banyak peranti memori, tetapi merekabentuk sistem memori yang mampu memberi data kepada beban kerja AI yang semakin menuntut di bawah had kuasa dan haba yang ketat.
Sousa berkata: "Bilangan parameter model yang berkaitan miliaran juga perlu disimpan dan ditransmisikan antara penyimpanan, memori, dan unit pemprosesan. Hari ini, ini dikenali sebagai 'dinding memori'. Seiring dengan pertumbuhan penggunaan memori yang berterusan, DRAM memerlukan antaramuka berkelajuan sangat tinggi, seperti LPDDR6, supaya tidak lagi menjadi halangan pemprosesan."
Kinerja juga bergantung pada pola akses, latensi, penggunaan semula data, kapasiti cache, kecekapan pengawal memori, serta tenaga yang diperlukan untuk memindahkan data. Jika beban kerja dibatasi oleh bahagian lain dalam hierarki memori, maka keuntungan daripada peningkatan lebar pita asli sahaja mungkin terhad.
Reka bentuk sistem yang disesuaikan dengan beban kerja boleh membantu mengurangkan sebahagian beban memori. Balasubramanian berkata: “Ukuran memori yang tepat, ukuran pengiraan yang tepat, dan redundansi, serta semua perkara yang perlu muat dalam anggaran haba dan penggunaan kuasa, akan sangat penting. Yang paling penting, saiz itu penting. Anda tidak akan memasang tangki bahan bakar 100 gelen ke dalam Prius. Anda memerlukan tangki bahan bakar 10 gelen. Saya menggunakan perbandingan ini untuk menjelaskan memori. Anda boleh menguruskannya dengan cara yang tidak memerlukan DRAM yang besar, tetapi anda boleh memiliki cache yang agak baik dan SRAM binaan. Ia sentiasa boleh menyimpan keperluan penting ke dalam DRAM, tetapi apabila diperlukan, anda boleh memindahkan perkara lain ke dalam flash atau SRAM. Dari segi laluan memori, dari DRAM ke SRAM, kemudian ke pengiraan sebenar, hingga ke realisasi fizikal AI, konsistensi cache akan sangat penting.”
Terdapat kompromi besar antara teknologi memori ini. SRAM dan cache di atas cip memberikan akses pantas kepada data yang sering digunakan, tetapi kapasitinya terhadap batasan luas silikon dan kos. DRAM luaran menyediakan kapasiti yang lebih besar, manakala flash memberikan penyimpanan tak-berkesan untuk model, perisian, dan maklumat lain yang tidak perlu disimpan dalam memori aktif.
Menggerakkan maklumat di antara peringkat-peringkat ini boleh mengurangkan sebahagian keperluan kapasiti, tetapi akan meningkatkan beban transmisi dan latensi. Sementara itu, konsistensi cache berfokus pada memastikan salinan data dalam cache dan memori adalah seragam, bukan sekadar memindahkan maklumat antara teknologi penyimpanan yang berbeza, tetapi ini juga membawa lebih banyak beban. Oleh itu, jurutera mesti mempertimbangkan set kerja, lokaliti data, dan frekuensi akses apabila menentukan berapa banyak memori yang perlu diletakkan pada setiap peringkat.
Inovasi memori kereta kemungkinan besar akan memainkan peranan penting dalam cara penyelesaian masalah AI fizikal.
Rob Fisher, Ketua Pengurusan Produk Lanjutan di Imagination Technologies, berkata: “Sekarang ia sangat berkait rapat dengan lini produk automobil kami, dan kami melihat kebanyakan permintaan dari sisi robotik datang secara langsung dari sisi automobil. Kini, banyak pengilang automobil menetapkan cip mereka sebagai platform automobil dan robotik, jadi sokongan 4-bit, 6-bit, dan 8-bit akan benar-benar bermanfaat untuk lebar pita memori dan penggunaan memori dalam aplikasi tepi bersempadon. Bagi pusat data, ini kurang penting, tetapi kesannya berbeza. Anda mungkin menjalankan model yang lebih besar di pusat data dengan menggunakan lebar bit yang lebih kecil pada lebar kata. Manakala dalam aplikasi automobil dan robotik, anda mungkin memanfaatkan perkara ini secara berlawanan—iaitu penggunaan memori yang lebih kecil. Anda akan membataskan model hanya kepada tugas yang diperlukan, kemudian mengurangkan memori dan lebar pita yang digunakan untuk menampungnya.”
Representasi dengan ketepatan lebih rendah boleh mengurangkan keperluan penyimpanan model dan lebar pita memori, oleh itu ia terutamanya menarik untuk AI terbenam. Namun, faedahnya bergantung kepada sama ada akselerator mampu menyokong format nombor yang dipilih dengan cekap, serta sama ada kuantisasi mampu mengekalkan ketepatan yang diperlukan oleh aplikasi. Format seperti representasi 6-bit juga boleh memperkenalkan overhead pengpaketan atau pelaksanaan, yang menghadkan faedahnya pada peranti yang tidak direka khas untuknya.
Flash storage juga memainkan peranan penting dalam pengurusan memori sistem autonom.
Sousa berkata: "DRAM menghadapi batasan dalam kapasiti, penggunaan kuasa, dan ketersediaan. Lebar pita penyimpanan yang lebih pantas boleh mempersingkat masa pemuatan, dengan itu, anggaran DRAM yang sama boleh menyokong model yang lebih besar. Sistem-sistem ini terus beroperasi dengan bateri, dan biasanya tidak mempunyai penyejukan aktif, jadi setiap penghantaran data menghabiskan kuasa dan menambah kelewatan; oleh itu, setiap komponen—mekanikal, elektronik, dan perisian—harus mengurangkan penggunaan kuasa dan meningkatkan kecekapan. Antaramuka seperti MIPI, UFS, LPDDR, dan PCIe semuanya membawa teknologi yang memastikan data percikan boleh dihantar dengan pantas, kemudian beralih ke mod rehat berkuasa rendah jangka panjang."
Penyimpanan tidak mudah hilang yang lebih pantas boleh mengurangkan latensi pemuatan model, dan apabila digabungkan dengan teknik pembahagian model atau penghantaran berat yang sesuai, ia membolehkan sistem dengan DRAM terhad menjalankan beban kerja yang melebihi jumlah ingatan aktif yang tersedia. Namun, lebar pita penyimpanan itu sendiri tidak meningkatkan jumlah data yang boleh disimpan dalam DRAM pada sebarang masa.
Antaramuka yang digunakan untuk menghantar data ini juga berbeza dalam mekanisme pengurusan kuasa dan ciri-ciri operasi. Kecekapan nya bergantung kepada spesifikasi tertentu, cara pelaksanaan, mod penghantaran, dan peluang untuk memasuki keadaan kuasa rendah.
Jika pasaran mencukupi besar, keperluan memori fizikal AI akhirnya mungkin membuktikan keperluan untuk membangunkan teknologi memori baru, atau varian teknologi yang sedia ada.
Steven Woo, jurutera cemerlang dan pencipta cemerlang Rambus, berkata: "Memori adalah teknologi kunci yang diperlukan oleh semua AI fizikal. Perbezaannya ialah, beberapa pasaran hanya akan menggunakan memori yang sedia ada, tetapi mungkin ada pasaran yang begitu besar sehingga memerlukan jenis memori sendiri, atau varian memori yang sedia ada. Kami telah melihat ini dalam HBM. Orang-orang sebelum ini menggunakan jenis memori lain, kemudian pasaran tiba-tiba menjadi besar. Jika kita kembali ke sebelum LPDDR muncul, telefon bimbit hanya menggunakan peranti DDR yang telah disortir dan dipilih secara teliti, yang secara kebetulan adalah rendah kuasa. Apabila pasaran mencapai tahap tertentu, orang akan berkata, 'Baiklah, mari kita buat peranti khusus.' AI fizikal mungkin berkembang menjadi pasaran yang cukup besar, jadi jika perbezaan permintaan cukup besar, mungkin akan muncul memori lain."
Kepelbagaian ini akan bergantung pada skala dan konsistensi permintaan. Berbeza dengan pusat data, aplikasi AI fizikal mempunyai keperluan yang sangat berbeza dari segi kos, kapasiti, ketahanan, lebar pita, suhu, dan kecekapan tenaga. Keragaman ini mungkin membuat sesetengah pasaran lebih cenderung untuk mengubah teknologi memori sedia ada, sementara pasaran lain lebih sesuai dengan penyelesaian yang direka khas.
Mengesahkan kes tepi
Memastikan sistem beroperasi dalam keadaan selamat, termasuk dalam keadaan jarang dan tak terduga, juga merupakan cabaran besar. Seiring pembangun AI fizikal menargetkan mesin berat, peralatan perubatan, dan teknologi kritikal selamat lainnya, menyelesaikan masalah pengesahan menjadi sangat penting.
Balasubramanian berkata: “Sebelum membawa AI fizikal ke mana-mana persekitaran pengeluaran, kami perlu membina gelung pengesahan yang penting—saya akan mengatakan ini adalah perkara paling penting yang perlu kami lakukan. Contohnya, jika berlaku pemadaman besar-besaran, gempa bumi, kabel serat optik luaran terputus, atau pemadaman berlaku? Bagaimana anda mengendalikan senario seperti ini di tepi? Sangat penting untuk menyimpan sejenis pengiraan, sejenis memori, dan sejenis kecerdasan berhampiran sensor, dan cara orang mencapainya adalah dengan mengenal pasti apa yang mereka anggap paling penting berdasarkan keperluan kes penggunaan. Dalam persekitaran industri, bilakah saya perlu menghentikan garis pemasangan? Bilakah saya perlu tahu bahawa saya perlu membuat panggilan balik, memicu amaran, atau melakukan perkara lain? Semua ini adalah perkara yang perlu ditangani dalam sensor tunggal.”
Skenario-skenario ini menunjukkan bahawa fungsi-fungsi kritikal keselamatan tidak selalunya boleh bergantung kepada sambungan awan yang berterusan atau keputusan terpusat. Pemprosesan tempatan mungkin diperlukan untuk mengenal pasti kegagalan, memicu tindakan perlindungan, atau membawa peranti ke keadaan selamat yang ditakrifkan apabila sistem komunikasi atau kuasa gagal.
Namun, pengesahan dan pengesahan menangani bahagian yang berbeza kepada masalah. Pengesahan digunakan untuk mengesahkan sama ada reka bentuk memenuhi keperluan yang ditetapkan, manakala pengesahan memeriksa sama ada sistem berfungsi dengan sesuai dalam persekitaran operasi yang dijangkakan. Keselamatan keselamatan mungkin juga memerlukan analisis bahaya, ujian suntikan kegagalan, penilaian kegagalan punca sepunya, dan bukti pematuhan terhadap piawaian yang berkenaan.
Oleh itu, sistem mesti membina dan mengesahkan kepercayaan berdasarkan tapisan peranti dan perisian yang berkaitan, serta menyesuaikan keperluan keselamatan dengan setiap kes penggunaan.
Owen Kent, rakan penasas ATDev, berkata: “Apabila kami merekabentuk produk untuk kerusi roda, seperti aplikasi AI fizikal lain, kami mempunyai keperluan khusus. Anda perlu menguji peranti keras hingga ke batasnya dalam sistem pengurusan kualiti dan ujian keserasian elektromagnetik pihak ketiga. Apa pun peranti keras yang anda gunakan, sama ada ia disesuaikan atau tidak, anda mesti dapat mengesahkan keselamatannya.”
Bagi pembangun, ini bermakna tidak hanya menilai sama ada komponen berfungsi dengan baik semasa operasi normal, tetapi juga menilai tindak balas sistem penuh terhadap kemerosotan sensor, kegagalan komunikasi, input tak dijangka, dan bahaya lain yang boleh diramalkan. Dalam banyak aplikasi, lulus ujian peringkat komponen adalah syarat wajib, tetapi ia sendiri tidak membuktikan keselamatan peringkat sistem.
Kesimpulan
Pembatasan sebenar AI fizikal merentasi keseluruhan laluan dari persepsi hingga tindakan. Perekabentuk mesti menyelaraskan model dan peranti keras dengan tugas, memindahkan data dalam had tenaga dan bajet haba yang tersedia, serta mengesahkan perilaku mesin apabila syarat atau sambungan berubah. Hanya apabila bahagian-bahagian lain sistem mampu menyokong, peningkatan kuasa pengiraan benar-benar bermanfaat.
Balasubramanian berkata: "Mulailah dengan antaramuka berstandard, rendah kuasa, dan telah disahkan sepanjang laluan—dari sensor ke pemproses hingga aktuator. Mereka dapat memberikan tingkah laku yang boleh diramalkan, interoperabiliti ekosistem, dan blok binaan yang telah disahkan secara silikon."
Satu contoh berkaitan ialah MIPI Camera Security Framework, yang menggabungkan spesifikasi Camera Service Extensions (CSE) 2.0 dengan spesifikasi keselamatan tambahan. CSE 2.0 menyokong perlindungan integriti data untuk data kamera CSI-2, serta enkripsi pilihan; kerangka yang lebih luas pula menangani autentikasi komponen sistem pengimejan dan pembinaan sesi selamat.
Dia berkata: "Ia menyediakan keselamatan end-to-end untuk data kamera, meliputi integriti, autentikasi, dan kerahsiaan dari sensor imej hingga SoC. Ia juga memberikan pilihan fleksibel kepada pembentuk untuk meminimumkan beban pengiraan dan trafik, penggunaan kuasa, dan latensi, dengan begitu keselamatan boleh disesuaikan mengikut aplikasi, bukan direka berdasarkan kes terburuk."
Perbezaan ini penting kerahsiaan adalah pilihan, dan tahap perlindungan bergantung pada perkhidmatan keselamatan dan konfigurasi yang dilaksanakan. Kerangka kerja yang lebih luas membolehkan pembangun mencapai keseimbangan antara perlindungan dengan overhead pemprosesan, penggunaan kuasa, dan kelewatan, bukan memberikan perlindungan yang sama kepada setiap aliran data.
Membuat mesin autonomi lebih kuat tidak cukup. Mereka juga mesti beroperasi secara boleh dipercayai di bawah sekatan dunia nyata. Bagi AI fizikal, pilihan arsitektur yang mampu menjimatkan memori, kuasa, dan bandwidth juga mesti menyokong tingkah laku yang boleh diramalkan, ketahanan, serta jaminan keselamatan yang diperlukan untuk pelaksanaan berskala besar.
Ekstensi pergerakan data untuk AI fizikal: Tiada satu penyelesaian yang sesuai untuk semua skenario.
Mendefinisi semula peranan tepi dan AI awan: Pertandingan kecerdasan tempatan sedang berlangsung.
Brendan Heffernan
