在机器人、实体智能设备快速落地的当下，如何衡量AI芯片真实能力正在引发行业讨论。AMD自适应与嵌入式计算集团高级副总裁兼总经理Salil Raje近期通过官方博客表达了自己的看法，他认为行业惯用的TOPS这类算力跑分指标，已经很难客观反映物理AI系统的实际表现。
物理AI和云端AI有着本质差异
普通云端AI任务，大多只需要完成信息理解、内容生成，对响应时间的容错空间相对宽裕。但物理AI面向真实现实世界，主要服务人形机器人、工业机械臂这类实体设备。硬件不仅要完成AI感知推理，还必须在限定时间内输出控制指令，驱动设备完成物理动作。
很多时候芯片纸面峰值算力很漂亮，但数据搬运、任务调度带来的延迟抖动，会错过关键的控制时间窗口。放到机器人设备上，这不是简单的画面卡顿，而是直接引发碰撞、动作失控等安全事故。所以对于物理AI系统，仅仅参考平均延迟远远不够，抑制最大延迟、降低延迟波动，才是保障设备安全运行的关键。
仿生异构架构，模拟人体分工处理任务
针对物理AI的现实痛点，AMD推出一套仿生异构架构，用人体的运转逻辑来分配不同硬件单元的工作。
负责感知、AI推理的 “大脑” 部分，交由搭载Kria AI模块的锐龙AI嵌入式X100系列处理器承担。Versal自适应SoC充当 “脊椎”，完成确定性通信以及各模块之间信息整合。Zynq SoC接管各类关节的高精度运动控制工作，传感器原始信号的预处理，则交给Spartan FPGA完成。
这套方案把不同类型的任务分配给适配的计算硬件，以此缓解带宽、功耗以及延迟层面的瓶颈，不再依靠单一芯片包揽全部工作。
第三方测试展现实时控制能力
根据AMD引用的第三方测试结果，Kria AI SOM模块可以做到低于0.1秒的AI推理耗时，设备能够实现每秒8000次控制决策。
在开放导航基准测试当中，搭载锐龙AI嵌入式方案的硬件，控制时序可靠性最高可以达到英伟达Jetson T5000的3.4倍。硬件可用算力余量多出1.6倍，能够同时运行的自主智能体数量最高提升2.3倍。
目前已经有Foundation Robotics、Generative Bionics两家企业，选用这套硬件方案开展产品研发。
物理AI赛道的竞争逻辑已经切换
过去评估AI芯片，大家习惯直接对比TOPS等纸面跑分数据。但物理AI场景下，安全、确定性、实时响应优先级被大幅拉高。芯片能否稳定输出控制指令，远比峰值算力数字更加重要。
当然，新架构也依旧要面对现实挑战。异构多芯片协同，会带来硬件集成、软件适配的开发门槛，需要开发者做大量适配调试。但这套思路也指明一个方向，实体机器人的比拼，已经不再单纯比拼算力参数，系统级实时控制能力正在成为新的竞争焦点。
（素材来自：AMD 智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。