对话高通副总裁：跃龙IQ10已交付多家客户，机器人产品正在中国量产

智东西
作者 ZeR0
编辑 漠影

智东西8月30日报道，本周，在高通美国圣迭戈总部，高通技术公司副总裁兼ADAS和机器人业务总经理Anshuman Saxena与智东西等媒体交流了高通在物理AI领域的最新布局与思考，涉及高通跃龙IQ10平台落地进展、中国机器人相关合作、人形机器人发展阶段、机器人规模化落地瓶颈、机器人芯片及模型路线等话题。

Anshuman Saxena谈道，高通正在物理AI领域持续加大投入，机器人是物理AI下一个重要的应用方向，高通在AI计算模块、硬件、软件基础设施以及面向ADAS和机器人的物理AI软件栈方面已有大量进展。

他告诉智东西，高通在今年年初发布高通跃龙IQ10平台，随后带来了完整的参考设计，该平台已交付多家客户，众多客户正在基于IQ10进行产品开发。

高通已公开宣布了与Figure AI、NEURA Robotics等机器人公司的合作，还宣布在日本成立机器人中心，许多合作伙伴正处于对IQ10的早期评估阶段，机器人行业在评估和验证新方案上需要一定时间，相关工作正在积极推进，接下来不久会有更多客户和合作伙伴加入。

在中国机器人领域，高通拥有广泛的客户合作和相当大的客户基础，多款基于高通跃龙的产品正在中国量产，用于不同类型的机器人。

他认为，人形机器人行业仍处于早期阶段，还有很长的路要走。从汽车行业规模化发展的经验来看，成本必须降下来，解决方案也必须从早期的演示阶段发展到系统级解决方案。高通正与产业各方合作，推动相关技术的发展。

▲高通全球汽车业务与机器人业务负责人Anshuman Saxena

一、通用机器人发展处于早期阶段，需解决数据、适配、系统等多维挑战

谈及机器人参考设计的规模化落地瓶颈，Anshuman Saxena告诉智东西，除AMR（自主移动机器人）和机械臂这类已发展一段时间的机器人形态之外，整个机器人行业仍处于早期阶段。

要打造具备通用能力的机器人解决方案，需攻克多层挑战，机器人的底层架构也仍在演进之中。

一是数据。要让机器人具备泛化技能，就需针对每项具体任务积累大量数据。

二是传感器、机械臂和执行器与不同任务的适配。每个场景的需求不同，不存在一种通用机械臂能适配所有应用场景。

三是系统架构。许多公司主张用一台强大的计算机来解决一切问题，即“单一大脑”方案。高通认为，这未必是正确有效的方法。低时延、功耗管理、通信能力是必须在系统层面统一解决的核心问题，而高通正是从这些维度全面切入。

以抓取动作为例，让机器人去抓一个玻璃杯或软塑料瓶时，对物体的识别和抓取力度的判断应在机械臂端完成，这里不能运行大型GPU，必须采用低功耗、低时延并能直接处理传感器数据的解决方案，同时这些信息也需要传输到“大脑”，用于进行时间跨度更长的动作规划。

中间还需要解决连接性的问题。例如，可以通过多机器人协同或者相关网络基础设施来统一调度，而不必将所有任务都集中在一个大型控制器中。

总而言之，高通重点关注数据收集和相关工具、仿真、仿真到现实、现实到仿真，以及如何将其解决方案融入其中，还关注可扩展的SoC和硬件平台。高通正在积极研究这些领域，同时也在构建完整的全栈方案，配合其广泛支持不同技能的基础模型。

二、不存在能解决所有问题的机器人芯片，成本合理需要全栈可扩展方案

Anshuman Saxena还分享了对机器人芯片和模型路线的观点。

他谈道，很多机器人制造商已经在使用高通跃龙的产品，覆盖AMR到人形机器人等不同领域。机器人系统甚至比汽车系统还要复杂，高通不认为存在一颗能解决所有问题的芯片，智能必须更多地分布在有执行器的地方。

机器人涉及如此多的电机、如此多的自由度，智能必须更靠近实际的感知端。这并不意味着不需要“大脑”，而是也需要分布式智能。

另外两大要点是成本和功耗，因为机器人方案的部署取决于具体的应用场景，只有把成本控制在合理水平，才能实现规模化发展。

而想要达到成本合理，就必须有可扩展的解决方案。面向机器人行业，高通拥有涵盖通信、传感器、计算等环节的一套完整可扩展方案。

模型方面，今年CES上，高通展示了一个用VLA（视觉-语言-动作）模型控制的人形机器人。Anshuman Saxena说，那个模型就是高通自己训练的。

他提到市场上普遍一开始使用通用VLA模型，根据具体需求做训练。对于高通而言，重点在于从系统层面进行优化。如果直接使用一个很大的通用VLA，它可能有几十亿、上百亿参数，运行速度会很慢。

VLA、感知语言模型等存在一定局限性，因为动作执行仍需等待对事物现状的感知，这其中缺少了物理要素。

更前沿的探索方向之一是WAM（世界动作模型）。WAM涉及物理引擎，需要考虑很多不同的机制以及可能出现的各种场景，这意味着模型会变得非常庞大。于是就会产生一个问题：如何针对特定的用例或使用场景对模型进行蒸馏？

因此，当开始构建WAM、在这些模型中进行训练，然后对其进行蒸馏时，实际上仍在探讨物体的真实物理特性及其行为方式，而这正是机器人系统的最终目标。

三、汽车技术积累可被复用，终极机器人形态尚未确定

“我们在中国开展的ADAS相关工作以及与合作伙伴的合作都表明，高通已具备在汽车中实现物理AI所需的工具与技术要素，这些技术同样可以应用到机器人领域。”Anshuman Saxena说。

据他分享，高通的智能汽车座舱解决方案在中国增长迅猛，而座舱端的人机交互（如屏幕、语音等）逻辑与机器人系统高度相通。

高通将此称为混合关键级任务处理，其中有代表性的是高通Flex融合方案。在一个机器人系统中，用户交互与安全操作必须共存，这些系统层面的基本原则可以直接复用。

因此，中国产业界在布局机器人领域时，也将高通视为一个值得信赖的选择。

Anshuman Saxena谈道，业界目前距离确定最终的机器人形态，还有很长的路要走。安全方面的约束会影响机器人的尺寸、机器人被允许执行的任务范围，各类形态将在不同的应用场景中存在。

但具备双足行走能力和机械臂的人形机器人，将是机器人最终形态中最高阶的解决方案之一。

高通非常重视生态系统，拥有AI模型、硬件、电机、传感器等不同领域的合作伙伴，之所以还要像在ADAS和自动驾驶领域一样覆盖完整的技术栈，是因为真正的技术积累和价值在于从系统层面解决问题。

合作伙伴可将自研AI模型接入并部署在高通的平台上，由高通来提供平台的其他部分，帮助合作伙伴推动解决方案走向量产。

结语：为机器人搭地基，助力合作伙伴快速量产落地

总的来说，在物理AI领域，高通的角色是搭好地基、定义接口、验证系统，让合作伙伴的模型、模块及解决方案能快速量产落地。

基于分布式智能、可扩展硬件、系统级优化和生态协同策略，高通正布出一盘长线大局。在创新涌现的中国市场，这套逻辑正在被越来越多的客户所验证。