Автономные машины ожидают изменить несколько отраслей, но ограничения по памяти, потреблению энергии, специализированным архитектурам и требованиям безопасности заставляют разработчиков чипов пересмотреть всю систему.
Ключевые моменты:
- Больше вычислительной мощности само по себе не решит ограничения физического ИИ. Производительность должна быть сбалансирована с пропускной способностью памяти, эффективными интерфейсами, достаточным электропитанием и возможностями охлаждения.
- Физическая ИИ-система требует архитектуры, специально адаптированной под ее конечную функцию и среду.
- Реальное внедрение зависит от строгой проверки: необходимо охватить крайние случаи, понять поведение системы и подтвердить безопасность.
Физический ИИ движется к широкому применению, но для создания этих сенсорно-ориентированных систем инженерные команды должны одновременно и непрерывно решать множество технических задач.
Аналитики прогнозируют значительный рост рынка физического ИИ. Автономные системы обещают коренным образом изменить такие отрасли, как транспорт, производство, здравоохранение и энергетика. Strategy&, дочерняя компания PwC, ожидает, что к 2030 году глобальный рынок физического ИИ может достичь примерно 430 миллиардов евро, что отражает коммерческий потенциал автономных систем в различных отраслях.
Личинио Суша, старший директор по IP-интерфейсам для автомобильных и физических ИИ-систем в Synopsys, заявил: «Физические ИИ-системы расширяются от автомобилей к роботам и дронам, и разработка этих приложений сталкивается с ограничениями на уровне всей системы. ИИ перемещается от центров обработки данных к краевым устройствам; для машин, таких как роботы, дроны и транспортные средства, движущей силой являются автономность, конфиденциальность, персонализация, более быстрая реакция и снижение зависимости от облака».
Список технических вызовов, которые необходимо решить, длинный и взаимосвязанный. Необходимо увеличить объем памяти и пропускную способность, снизить задержки и энергопотребление, продлить срок службы продукта и подтвердить безопасность. Сложнее всего то, что решение любой из этих проблем может вызвать новые проблемы в других местах.
Специализированная архитектура
Для устранения этих системных узких мест требуется высоко специализированное, оптимизированное под конкретные задачи аппаратное и программное обеспечение.
Михал Сивински, исполнительный вице-президент, главный директор по продуктам и маркетингу и генеральный директор по решениям для безопасности Arteris, сказал: «Нам нужно начать говорить о более оптимизированных и специализированных вычислениях, созданных для конкретных рабочих нагрузок — именно здесь физический ИИ становится интереснее. Такие рабочие нагрузки должны быть высоко оптимизированы под аппаратное обеспечение. Мы фактически возвращаемся к традиционному пониманию ASIC — ASIC изначально должны быть крайне специализированными и максимально оптимизированными, а не универсальными. Уже сейчас начинают проявляться такие тенденции. Будет интересно наблюдать, как будут развиваться более гибкие системы, ориентированные на очень конкретные приложения, в взаимодействии между программным обеспечением, аппаратным обеспечением и рабочими нагрузками, причем эти системы будут продолжать эволюционировать, поскольку модели меняются гораздо быстрее».
Системный архитектор автобизнеса Micron Technology Васантан Карунанити заявил на недавнем JEDEC Automotive Forum: «Роботы — это не новый стек ИИ. От систем ADAS роботы унаследовали реальное восприятие, планирование пути и управление движением. От умных шкафов — понимание естественного языка, контекстные рассуждения и взаимодействие человек-машина. В корпусной интеллектуальности большая сложность заключается в одновременном выполнении этих двух типов рабочих нагрузок и обмене информацией между ними в конце. Таким образом, это общее для обоих сегментов. Однако есть и различия, которые отражают масштаб каналов. Автомобили с автономным управлением работают в относительно структурированной дорожной среде и получают энергию от более крупного источника — автомобильного аккумулятора. Но если посмотреть на роботов, они функционируют в неструктурированной трехмерной среде. [Роботы] также должны поддерживать множество степеней свободы, управлять объектами и сохранять равновесие, а также понимать команды в инструкциях. По сравнению с автомобилем, им необходимо все это делать при гораздо более ограниченном источнике энергии».
Эти различия значительно варьируются в зависимости от приложения. Автономные транспортные средства функционируют в рамках существующей транспортной инфраструктуры, но должны справляться с непредсказуемыми дорожными условиями. Напротив, мобильные и человеческие роботы могут нуждаться в навигации в средах с менее структурированной организацией, координации управления и балансировки, а также работе в рамках более ограниченных энергетических бюджетов. В то же время промышленные роботы могут функционировать в контролируемых средах и подключаться к стационарным источникам питания. Эти различия затрудняют оптимизацию единой архитектуры для всех форм физического ИИ.

Дизайнеры должны строить архитектуру системы на основе этих требований с самого начала.
Соса заявил: «С развитием рабочих нагрузок и моделей мы наблюдаем появление специализированных чипов, разработанных под конкретные потребности каждого типа машин. Наши клиенты постоянно сталкиваются с растущим спросом на передовые VLA (визуально-языковые-действия) модели. На аппаратном уровне это означает более интенсивные вычисления и AI-движки. В то же время широкий спектр вариантов использования делает однородную монолитную архитектуру все труднее применять, поэтому от нее переходят к решению на основе chiplet, где вычисления, AI, память и I/O могут масштабироваться в соответствии с конкретными сценариями с использованием интерфейса UCIe».
Chiplet предлагает потенциальный путь для создания масштабируемой физической платформы ИИ, особенно когда требования к гетерогенным вычислениям, памяти и вводу-выводу оправдывают использование передовых методов упаковки. Однако они могут повысить стоимость и сложность из-за необходимости в специализированной упаковке, управлении теплом и коммуникации между кристаллами. Для более компактных, высокоинтегрированных систем, ограниченных по энергопотреблению, размеру и стоимости, монолитный SoC может быть более подходящим решением.
Эти ограничения применимы как к аппаратному, так и к программному обеспечению. Сатиш Баласубраманиан, руководитель продуктов EDA AI и Solido от Siemens EDA, говорит: «Датчики будут более ориентированы на конкретные сценарии использования; вам нужно убедиться, что у вас есть хорошие, адаптированные под конкретные задачи сценарии, а также необходим программный уровень над ними. Я всегда шучу, что всё в реальном мире является аналоговым, и мы пытаемся абстрагировать его в цифровую форму, поэтому одним из самых важных аспектов является избыточность. Датчики уже довольно хороши. Мы можем воспринимать визуальные данные, тепло, давление и всё остальное. Мы также хорошо справляемся с радаром и другими технологиями. Важнее всего обеспечить, чтобы датчики могли работать в среде, захватывая её таким образом, который не приводит к реальному ухудшению, или же с встроенной избыточностью».
Однако эффект избыточности зависит от того, могут ли компоненты отказывать независимо и может ли система распознавать и реагировать на неисправности. Простое увеличение количества датчиков не гарантирует надежную работу, особенно если условия окружающей среды могут одновременно повлиять на несколько датчиков.
Адаптация вычислительной архитектуры под рабочие нагрузки или сценарии использования также влечет за собой компромиссы. «Вопрос в том, насколько близко к месту, где происходит восприятие, должна находиться интеллектуальная обработка — здесь возникает напряжение», — говорит Ясмин Кинг, вице-президент по корпоративным вопросам и руководитель автомобильного бизнеса Analog Devices. «Если распределить интеллект по всей системе, обновления станут сложнее. Централизация позволяет проводить OTA-обновления через одну точку, что упрощает применение исправлений и патчей, но при этом может создавать задержки, когда требуется быстрая реакция на данные. В автомобиле, если пешеход внезапно выбежит перед машиной, вам нужно уметь реагировать чрезвычайно быстро. Поэтому размещение интеллекта зависит от того, какую информацию с датчиков вы хотите собирать и насколько быстро вам нужно реагировать».

Ясмин Кинг выступила на Reuters Automotive 2026 27 октября 2026 года.
Размещение на основе интеллектуального алгоритма — это архитектурное решение, которое затрагивает не только вычислительную производительность. Оно требует баланса между временем отклика, пропускной способностью связи, энергопотреблением, обновляемостью и координацией распределённых компонентов. Централизованные вычисления могут упростить управление, тогда как локальная обработка снижает коммуникационную задержку и сохраняет ключевые функции при отключении соединения.
Физический ИИ «памятная стена»
Объем памяти, пропускная способность, задержка и энергопотребление — ключевые узкие места физического ИИ; некоторые технологии памяти могут столкнуться с ограничениями по поставкам. Настоящий вызов заключается не в простом увеличении количества модулей памяти, а в создании систем памяти, способных обеспечивать данные для все более требовательных рабочих нагрузок ИИ в строгих ограничениях по энергопотреблению и тепловыделению.
Соса заявил: «Миллиарды связанных параметров модели также необходимо хранить и передавать между хранилищем, памятью и процессорными блоками. Сегодня это называется «памятной стеной». По мере постоянного роста объема памяти DRAM требует сверхбыстрых интерфейсов, таких как LPDDR6, чтобы больше не становиться узким местом в обработке».
Производительность также зависит от модели доступа, задержки, повторного использования данных, емкости кэша, эффективности контроллера памяти и энергии, необходимой для перемещения данных. Если рабочая нагрузка ограничена другими частями иерархии памяти, то простое увеличение исходной пропускной способности может дать ограниченную выгоду.
Системный дизайн, ориентированный на рабочую нагрузку, может помочь снизить часть нагрузки на память. Баласубраманиан говорит: «Правильный размер памяти, правильный размер вычислений и избыточность, а также всё, что должно уместиться в тепловые и энергетические ограничения, будут крайне важны. В первую очередь, размер имеет значение. Вы не установите бак на 100 галлонов в Prius. Вам нужен бак на 10 галлонов. Я использую эту аналогию для объяснения памяти. Вы можете управлять ею таким образом, чтобы не требовать огромного объема DRAM, но при этом иметь достаточно хорошую кэш-память и встроенную SRAM. Вы всегда можете хранить ключевые требования в DRAM, но при необходимости можете перемещать остальное в флеш-память или SRAM. Что касается пути памяти — от DRAM к SRAM, затем к вычислениям и, наконец, к реальному физическому ИИ — согласованность кэша будет крайне важна».
Между этими технологиями памяти существуют значительные компромиссы. Встроенная SRAM и кэш обеспечивают быстрый доступ к часто используемым данным, но их емкость ограничена площадью кремния и стоимостью. Внешняя DRAM предоставляет большую емкость, а флеш-память обеспечивает неволатильное хранение моделей, программного обеспечения и другой информации, не требующей постоянного нахождения в активной памяти.
Перемещение информации между этими уровнями может снизить часть требований к емкости, но увеличит накладные расходы и задержки. В то же время согласованность кэша направлена на поддержание согласованности копий данных в кэше и памяти, а не просто на перемещение информации между различными технологиями хранения, однако это также приводит к дополнительным накладным расходам. Поэтому инженеры, определяя объем памяти для каждого уровня, должны учитывать рабочий набор, локальность данных и частоту доступа.
Автомобильная память, вероятно, сыграет важную роль в решении физических задач ИИ.
Старший директор по управлению продуктами Imagination Technologies Роб Фишер заявил: «Сейчас он тесно связан с нашей автомобильной линейкой продуктов, и мы видим, что большинство запросов со стороны робототехники напрямую исходят от автомобильного сегмента. Сейчас многие автопроизводители позиционируют свои чипы как для автомобильных, так и для робототехнических платформ, поэтому поддержка 4-, 6- и 8-битных операций действительно выгодна для приложений на краю с точки зрения пропускной способности памяти и ее占用. Для центров обработки данных это менее критично, но влияет иначе. Вы можете запускать более крупные модели в центрах обработки данных, используя меньшую разрядность по ширине слова. А в автомобильных и робототехнических приложениях вы можете использовать это наоборот — для уменьшения占用 памяти. Вы ограничиваете модель только теми задачами, которые вам нужны, и уменьшаете объем памяти и пропускную способность, необходимые для ее размещения».
Более низкая точность может снизить требования к хранению модели и пропускной способности памяти, что делает её особенно привлекательной для встраиваемых ИИ-систем. Однако выгоды зависят от того, способен ли ускоритель эффективно поддерживать выбранное числовое представление и сохраняет ли квантование необходимую точность для приложения. Форматы, такие как 6-битное представление, могут также вводить накладные расходы на упаковку или реализацию, что ограничивает выгоды на оборудовании, не предназначенном для них.
Flash storage also plays a key role in managing autonomous system memory.
Соса заявил: «DRAM ограничен по емкости, энергопотреблению и доступности. Более высокая пропускная способность памяти сокращает время загрузки, поэтому при том же бюджете на DRAM можно поддерживать более крупные модели. Эти системы работают от батареи и обычно не имеют активного охлаждения, поэтому каждая передача данных потребляет энергию и увеличивает задержку, поэтому каждый компонент — механический, электронный и программный — должен снижать энергопотребление и повышать эффективность. Интерфейсы MIPI, UFS, LPDDR, PCIe встроены с технологиями, обеспечивающими быструю передачу пакетных данных, а затем переходом в длительный режим низкого энергопотребления».
Более быстрая энергонезависимая память может сократить задержку загрузки модели и, при использовании в сочетании с соответствующими технологиями разделения модели или потоковой передачи весов, позволить системам с ограниченным объемом DRAM выполнять рабочие нагрузки, превышающие доступный объем активной памяти. Однако пропускная способность памяти сама по себе не увеличивает объем данных, которые могут быть размещены в DRAM в любой момент времени.
Интерфейсы для передачи этих данных также различаются по механизмам управления питанием и эксплуатационным характеристикам. Их эффективность зависит от конкретных спецификаций, способа реализации, режима передачи и возможностей перехода в режим низкого энергопотребления.
Если рынок будет достаточно большим, потребности физического ИИ в памяти в конечном итоге могут доказать необходимость разработки новых технологий памяти или их вариантов.
Стивен Ву, выдающийся инженер и изобретатель Rambus, заявил: «Память — это ключевая технология, необходимая для всех физических ИИ. Разница заключается в том, что некоторые рынки будут использовать только существующую память, но также возможно, что некоторые рынки станут настолько большими, что потребуют собственного типа памяти или какой-либо модификации существующей. Мы уже видели это на примере HBM. Люди раньше использовали другие типы памяти, а затем рынок внезапно вырос. Если вернуться к периоду до появления LPDDR, телефоны использовали просто отобранные и откалиброванные чипы DDR, которые случайно оказались низкопотребляющими. Когда рынок достигает определенного размера, люди говорят: „Хорошо, давайте создадим специализированный чип“. Физический ИИ может вырасти до достаточно большого рынка, и если различия в требованиях будут достаточными, может появиться еще один тип памяти».
Произойдет ли такая специализация, будет зависеть от масштаба и согласованности спроса. В отличие от центров обработки данных, приложения физического ИИ предъявляют совершенно разные требования к стоимости, емкости, долговечности, пропускной способности, температуре и энергоэффективности. Это разнообразие может сделать некоторые рынки более склонными к модернизации существующих технологий памяти, в то время как другие рынки лучше подходят для специально разработанных решений.
Проверка граничных случаев
Обеспечение работы системы в безопасных условиях, включая редкие и неожиданные ситуации, является еще одной серьезной задачей. По мере того как разработчики физического ИИ направляют свои усилия на тяжелую технику, медицинское оборудование и другие критически важные технологии безопасности, решение проблемы верификации становится особенно важным.
Баласубраманиан сказал: «Прежде чем внедрять физический ИИ в любую производственную среду, нам необходимо создать важнейший цикл проверки — я бы сказал, что это самое важное, что нам нужно сделать. Например, что произойдет при масштабном отключении электроэнергии, землетрясении, перерезании оптоволоконных кабелей вне сети или отключении питания? Как вы управляете такими сценариями на краю? Очень важно сохранять некоторую вычислительную мощность, память и интеллект рядом с датчиками, и люди достигают этого, определяя, что для них наиболее важно в зависимости от требований использования. В промышленной среде: когда мне нужно остановить сборочную линию? Когда мне нужно позвонить обратно, сработать сигнал тревоги или предпринять другие действия? Все это должно обрабатываться внутри одного датчика».
Эти сценарии показывают, что функции, критичные для безопасности, не всегда могут полагаться на постоянное подключение к облаку или централизованное принятие решений. Локальная обработка может быть необходима для выявления неисправностей, инициирования защитных действий или перевода устройства в определенное безопасное состояние при сбоях связи или системы электропитания.
Однако верификация и валидация решают разные аспекты проблемы. Верификация используется для проверки, соответствует ли дизайн установленным требованиям, а валидация оценивает, соответствует ли система своим ожидаемым условиям эксплуатации. Безопасность также может требовать анализа рисков, тестирования с внедрением сбоев, оценки общих причин отказов и подтверждения соответствия применимым стандартам.
Следовательно, система должна создавать и проверять доверие на основе соответствующего аппаратного и программного стека, обеспечивая соответствие требований безопасности каждому сценарию использования.
Сооснователь стартапа ATDev Оуэн Кент сказал: «Когда мы разрабатываем продукты для инвалидных колясок, как и в любом физическом применении ИИ, у нас есть специфические требования. Вы должны действительно довести это оборудование до предела в системе управления качеством и при сторонних испытаниях на электромагнитную совместимость. Независимо от того, какое оборудование вы используете — стандартное или изготовленное на заказ — вы должны быть в состоянии подтвердить его безопасность».
Для разработчиков это означает, что необходимо не только оценивать, работают ли компоненты в нормальных условиях, но и оценивать, как вся система реагирует на деградацию датчиков, сбои связи, неожиданные входные данные и другие предсказуемые опасности. Во многих приложениях прохождение тестирования на уровне компонентов является обязательным условием, но этого недостаточно для подтверждения безопасности на уровне системы.
Вывод
Физические ограничения ИИ пронизывают весь путь от восприятия до действия. Разработчики должны сопоставлять модели и аппаратное обеспечение с задачами, перемещать данные в пределах доступных энергетических и тепловых бюджетов и проверять поведение машины при изменении условий или соединений. Увеличение вычислительной мощности действительно полезно только тогда, когда остальные части системы способны её поддержать.
Баласубраманиан сказал: «Начните с стандартизированного, низкопотребляющего и проверенного интерфейса, охватывая весь путь — от датчиков до процессоров и исполнительных устройств. Они предоставляют разработчикам предсказуемое поведение, взаимодействие в экосистеме и проверенные на кристалле строительные блоки».
Примером этого является MIPI Camera Security Framework, который объединяет спецификацию Camera Service Extensions (CSE) 2.0 с дополнительными безопасностными спецификациями. CSE 2.0 обеспечивает защиту целостности данных для данных камер CSI-2 и опциональное шифрование; более широкий框架 обрабатывает аутентификацию компонентов имиджинговой системы и установление безопасных сессий.
Он сказал: «Он обеспечивает сквозную безопасность для данных камеры, охватывая целостность, аутентификацию и конфиденциальность от сенсора изображения до SoC. Он также предоставляет дизайнерам гибкие варианты для минимизации вычислительных и трафиковых затрат, энергопотребления и задержек, позволяя адаптировать безопасность под конкретное приложение, а не проектировать ее по наихудшему сценарию».
Это различие важно, поскольку конфиденциальность является опциональной, а уровень защиты зависит от реализованных служб безопасности и конфигурации. Более широкая рамка позволяет разработчикам находить баланс между защитой и затратами на обработку, энергопотреблением и задержками, а не применять одинаковую защиту ко всем потокам данных.
Одного лишь усиления автономных машин недостаточно. Они также должны надежно функционировать в условиях реального мира. Для физического ИИ архитектурные решения, позволяющие экономить память, энергию и пропускную способность, должны также обеспечивать предсказуемое поведение, устойчивость и безопасность, необходимые для масштабного развертывания.
Data Mobility Extension for Physical AI: One size does not fit all.
Переопределение ролей краевых и облачных ИИ: развертывается локальная интеллектуальная гонка.
Брендан Хеффернан
