春晚舞台上机器人翻跟头的热度未退，工厂里已有机器人持证“上岗”，国家产业扶持和消费刺激政策重磅发布，龙头企业剑指万台出货量关口……具身智能的元年，也是行业爆发的前夜。
但热闹归热闹，仍处于产业早期的具身机器人，面临技术路线未定、需求场景未明、出货体量未起的现实，这一阶段做芯片，并不需要“从零到一”的重复造轮子，只需要借助经过市场验证成熟技术的快速试错，聚焦差异化定义，快速推出产品。
在这种情况之下，作为整个行业的“技术蓄水池”，拥有丰富半导体IP积累和芯片设计能力的企业作用愈发凸显。通过将手机、汽车、眼镜、工业等领域跑了数亿颗的成熟IP沉淀下来，并结合芯片设计服务能力，这类企业在产业初期为客户的研发风险和成本“兜了底”，这或许也是每一次智能硬件浪潮涌现之时，具备核心技术底座和芯片设计服务能力的企业能够发挥重要价值的原因。
在日前芯原举办的具身机器人专题技术研讨会上，芯原股份首席战略官、执行副总裁、IP事业部总经理戴伟进接受了集微网采访，围绕芯片架构、算力分配、数据训练到产业落地，系统性地拆解了具身智能时代的芯片演进逻辑。
图示：戴伟进，芯原股份首席战略官、执行副总裁、IP事业部总经理
车芯复用的“过与不及”，专用芯片要等场景起量
当前，具身机器人芯片大量复用自动驾驶平台，本质是产业早期的必然选择。
在技术层面，二者底层能力高度相通，依托主控芯片、多传感器融合、机器视觉、感知、实时运动控制等核心模块；商业层面，企业从零自研专用芯片投入高、回报周期长，复用车载成熟硬件是兼顾成本与落地效率的现实逻辑。
实际上，手机、汽车等的发展初期，都经历了类似过程。
戴伟进并不否认这种“拿来主义”的合理性，但当前的汽车芯片对具身机器人而言并非完美适配。
“一方面汽车芯片算力可能过剩，可能超出了机器人当前需求；另一方面机器人真正需要的低延迟的感知能力，却又不够。”戴伟进直言。
这背后是两个截然不同的底层应用逻辑：汽车追求高速行驶中的快速反应，而机器人需要的是复杂环境中的精准交互。
因此，当前的机器人芯片仍有很多可以优化之处。其中，戴伟进认为如何前置感知运算，减轻后端决策负担，是未来优化的关键方向，也是当前芯原机器人相关IP创新的路径指引。
至于何时才会出现真正的机器人定制的专用芯片？戴伟进的回答是：找到明确的落地场景。在他看来，为定制而定制没有价值，只有当某个细分场景的出货量达到几十万、几百万级时，专用芯片的经济性才会显现。
对于具身机器人会在哪些领域率先放量这一话题，戴伟进表示，工业已经是最先落地的领域，尤其是制造业里的物流传输、物料搬运这类任务，需求明确、边界清晰，还能实实在在替代人工，会最先跑出来。
正在发生的事实也支撑了戴伟进的这一判断。工信部数据显示，2026年1—5月全国工业企业购进具身机器人总金额同比增长2.3倍。从已公开的落地案例看，绝大多数新增部署都集中在工厂物流、物料搬运这类结构化场景。
别迷信 TOPS，前端 “减负” 才是效率关键
大模型浪潮下的军备竞赛，对于通用算力的过度追捧，以及尚处于发展早期的阶段，很容易让行业陷入“AI+算力”的误区：为快速验证产品，厂商大量复用高算力车载芯片，以TOPS数值衡量机器人性能，一味暴力堆叠算力。
但戴伟进认为，机器人基础的能力在于感知、决策和端云结合。机器人做得好不好，并不在于有多少算力，而是如何将前端感知侧的数据处理好，能够与后端算力有效结合，在系统层面形成“计算协同”，最终衡量标准是机器人做出精准、安全的智能行动。
目前机器人芯片通常采用分层计算的架构，对应人的“大小脑”。“大脑”负责决策和规划，需要较强的通用性，偏向GPGPU方向；“小脑”负责感知和实时控制（ISP/DSP/NPU），对于延迟要求极高，任务相对明确，可以做专用优化。
但很多人只看到了大小脑的分工，并未真正了解到这种分层的真正意义。小脑存在的意义远不只是实时控制，而更是整个系统的“减负入口”。
“如果把很多感应信息送到大脑，那么这个大脑的算力会越来越大。如果在前端，小脑就能把信息算好，简化到一定程度再输送到大脑，这也是一种降低大脑计算负担的方法。”戴伟进解释道，真正高效的方式是让“小脑”在前端就完成部分处理和数据融合，只把必要的信息传给“大脑”做决策。
芯原的技术布局里，几乎每一项感知层技术都在践行 “小脑为大脑减负” 的思路 —— 核心逻辑就是让数据在离传感器最近的地方被处理、被筛选、被融合，只把最核心的决策信息传给大脑，不把脏活累活丢给后端。
比如，芯原的ISP IP，支持单芯片硬件调度16路摄像头，在ISP阶段就通过硬件完成时间同步、空间对齐、畸变校正、多摄融合，输出一张更准确的视图给后端大脑。如果每个sensor全送到后面去处理，带宽就已经先爆炸了。
再比如芯原20多年积累的DSP技术，核心用法就是在前端做视觉预处理和特征提取，用DSP做的效率是CPU数倍，功耗和面积也小很多。传统架构里这些工作很多是丢给大脑的GPU/CPU去做的，现在全部前置到小脑的DSP里完成，大脑只需要拿到已经提取好的特征，直接做决策推理，不用再做重复的像素级计算。
能融合的先融合，能压缩的先压缩，能提取特征的先提取，能在片上处理完的就不往后传。最终大脑只需要做最核心的决策工作，自然不需要堆几千TOPS的算力，延迟和功耗也能降下来。
可扩展架构：不确定下寻找确定性
正处于快速发展阶段的机器人产业，其技术路径与智能汽车、智能眼镜高度相似，核心在于CPU、GPU与AI能力的深度融合，并通过云侧与端侧协同实现高效计算与决策。
但正如前文所述，位于产业发展初期的机器人行业面临众多的不确定性，需求不清晰、技术路线未收敛、场景多变，这种情况下，芯原有何应对的布局和思路？
戴伟进的答案是：可扩展的架构（scalable architecture），这也是芯原的优势所在。
具体而言，体现在两个维度：
一是性能和功耗，同样的IP可以根据需求做成高性能版本，也可以做成低功耗版本，适配从高端到低端的不同产品定位。二是功能，可以根据场景需要增加或减少功能模块，找到最适合某类产品需求的“最佳配置”。
以AI为例，戴伟进介绍，芯原的架构可以在DSA（特定领域架构）和GPGPU（通用GPU）两者之间灵活可扩展——如果把通用计算部分缩小、把加速引擎做大，就偏向专用NPU/DSA方向，适合感知、图像处理等明确任务；如果把加速引擎做小、把通用计算部分放大，就偏向GPGPU方向，适合数据中心、机器人决策大脑等需要强可编程性的场景。
最关键的是，这是同一套技术、同一套架构，不是两套完全独立的东西，只是通过调整不同模块的比例来适配不同需求。而且，芯原的NPU和GPGPU采用统一的硬件架构和统一的软件解决方案，最大不同只是算力配比——NPU的Tensor处理能力较大，GPGPU的Vector处理能力和Tensor持平，可以给客户提供Vector和Tensor协同工作的处理能力。
凭借完善IP组合，芯原为具身机器人的芯片设计构建了坚实的技术底座，包括六大类自主可控的处理器IP，覆盖从图形、神经网络到视频、数字信号处理等全链路。这些IP模块不仅能根据性能和功能需求灵活扩展，更已在清洁机器人、家庭陪伴机器人及无人机等领域的客户产品中落地，形成了一套被市场验证的技术体系。
戴伟进进一步解释称，凭借全面、专有的半导体IP组合，芯原能够应对不同领域客户广泛多样的需求。这些需求不仅来自机器人，还有汽车、手机、AIoT等各种产品，每种产品对算力、功耗、功能的要求都不一样。可扩展的IP架构让芯原能够用同一套技术底座，覆盖从端侧到云端、从专用到通用的广泛场景，为不同的客户找到最优的配置组合。
破解延迟挑战 提升系统效率
智能体时代，多模态大模型的引入赋予了机器人跨模态的认知能力。但这也意味着系统需要并发处理感知、决策与执行的海量数据，单纯依赖单颗高性能芯片硬堆算力的模式已触及物理天花板，不可避免地陷入了响应慢、功耗高的系统性困境。
戴伟进特别指出延迟的重要性，多模态传感器原始数据全量涌入主芯片，带来带宽拥堵、DDR读写延迟飙升、整机功耗失控，动作响应滞后，直接影响机器人安全与实用性。
芯原强调计算协同，把感知、实时控制、大模型计算拆分给不同硬件分担，再结合云端分担重型训练任务，在响应速度、续航和硬件成本上实现更好平衡。
这背后还包括一个混合架构（hybrid architecture）的思路——不是某一种处理器包打天下，而是根据不同任务的特点，让最合适的处理单元去做最合适的事。DSP擅长信号处理和视觉算法，就把图像预处理、特征提取这类任务交给它；NPU擅长AI推理，就把深度学习模型的计算交给它；CPU/GPU擅长通用计算和复杂决策，就把上层的任务规划和逻辑控制交给它。
“最终的目标只有一个：把整个系统的效率做到最高。”戴伟进强调，通过混合架构，让每种处理单元各尽其责，才能在性能、功耗、成本之间找到最优平衡点。
如果说混合架构是提升系统效率的“骨架”，那么底层的硬核技术就是打通机器人经脉的“血液”。针对计算协同，芯原还研发创新了多项底层技术，目前，已在人形机器人、无人机等客户中使用。
比如针对端云协同计算，芯原AI压缩技术IP，适配相机、视频数据流，支持线性与HDR原始图像输入。它可做到视觉无损、有损压缩，最高压缩比达80-100倍，实时压缩延迟低。大幅削减机器人向云端传输的数据量，降低带宽压力，兼顾设备本地低延迟、隐私与算力优势，轻量化支撑端云协同计算架构。
再比如FLEXA技术，能够实现不同IP间低延迟、低功耗的“无DDR”协同计算，有效解决了多模态融合的带宽与能耗痛点。
软硬协同，用开放生态助力商业化部署
随着人形、工业机器人逐步走向商用，行业逐渐意识到，算力硬件只是基础，高质量真实物理数据才是拉开产品能力差距的核心。
但机器人训练与传统AI又有着本质区别：它的训练是多维度的。戴伟进解释道，传统的图像识别、大语言模型训练，可以通过仿真或者网上爬取数据来完成；但机器人训练不一样，它需要真实的设备、真实的物理环境，甚至真人参与，很多时候人还不一定愿意配合。这意味着你得买好多台机器人，搭建训练框架，还要找人来配合演示，让机器人跟着学——这些成本非常高。
结合观察到的趋势，戴伟进给出了一个有趣的判断：第一批机器人除了工作的使命外，更重要的意义在于收集数据。
“机器人厂商要建立数据收集平台，第一批卖出去的机器人其实就是去做训练的。把收集到的数据处理好，再训练模型，反过来提升机器人能力。”戴伟进说。
但戴伟进也坦言，训练最大的挑战其实是在机器人厂商一侧，不是芯片层面的问题。因为机器人要做的事情各不相同，每种任务都需要单独训练，所以训练的部署速度就成了决定机器人商业化进程的关键因素。
从IP的角度，戴伟进认为，芯原能够做的，不只是底层AI引擎（硬件 IP），还有上层的工具链，这些工具的核心作用，是让AI模型和算法能够快速、顺畅地部署到硬件上。同时，在工具链层面，帮助客户更容易地完成训练，让训练数据能够更高效地导入AI模型，再做后端的优化和推理部署。
“芯原的客户很多，市场覆盖面也广，所以我们的策略是尽量开放。能降低客户的采用门槛，让大家更容易上手。我们的目标是构建一个生态系统——在这个生态里，不管是新的 AI 模型出来，还是新的客户加入，都能很快地把模型部署到芯原的硬件平台上，快速看到效果。”戴伟进说。
面对具身智能这片尚处萌芽的广阔蓝海，凭借多年积累的半导体IP与芯片设计能力，芯原的底气，在于构建了一套足够灵活、开放的基础设施底座。
从深耕二十余年的DSP，到约90家授权客户的ISP、从约2.5亿颗量产的NPU，到累计出货超20亿的GPU……截至目前，芯原IP授权客户累计超460家，一站式芯片定制客户达350家，数字IP位列全球第二，全栈芯片定制跻身全球第四。
配合成熟的统一软件栈和一站式芯片定制能力，针对不同的客户需求，芯原都能为其找到最优配置，打造所需的量身定制方案。
而AI时代，也为芯原带来进一步的利好。2026年1月1日至7月16日，芯原股价累计涨幅77.82%；公司新签订单近150亿元，其中AI算力相关订单占比超90%。
正如芯原股份董事长、首席执行官、总裁戴伟民谈及AI所带来趋势所言，“水涨船高，大家好，我们好。”
当具身智能的潮水真正涌来时，芯原已做好了托举起千帆竞渡的准备。
