Physical AI系統(tǒng)設(shè)計，困難重重

（本文編譯自Semiconductor Engineering）

物理人工智能（Physical AI）有望使從機(jī)器人到各類移動邊緣設(shè)備的一切變得更具交互性和實用性，但它將顯著改變系統(tǒng)的設(shè)計、驗證和監(jiān)控方式。

物理AI系統(tǒng)既需獨(dú)立運(yùn)行，也需協(xié)同工作。它們需要具備快速在本地做出決策的能力，通常比其他類型的人工智能耗能更少，并且比目前許多大型AI系統(tǒng)更加專注。同時，它們還需要能夠在必要時利用云端幾乎無限的處理能力，并根據(jù)可能不足的數(shù)據(jù)實時做出概率選擇。此外，當(dāng)與代理AI結(jié)合時，這些設(shè)備需要能夠使用并非總是精確的自然語言和手勢指令與人類進(jìn)行交互。

過去，這些領(lǐng)域在很大程度上是相互獨(dú)立的，而銜接這些不同領(lǐng)域?qū)⒔o芯片設(shè)計團(tuán)隊帶來一系列新的挑戰(zhàn)。他們需要全面了解從必須融入物理設(shè)計流程的人工智能算法，到芯片架構(gòu)所面臨的獨(dú)特需求等方方面面的內(nèi)容。他們還需要了解如何利用AI驅(qū)動的工具進(jìn)行優(yōu)化、布局和布線，以滿足更嚴(yán)格的功耗、性能和面積約束，并處理極端的MAC計算、大規(guī)模并行計算以及多種類型存儲器的集成。

Cadence高級產(chǎn)品營銷部總監(jiān)Mick Posner表示：“過去幾年，我們聽到了很多關(guān)于AI的討論，但大多集中在數(shù)據(jù)中心方面，我們知道AI分為兩個方面，即訓(xùn)練和推理兩部分。物理AI將AI處理轉(zhuǎn)移到邊緣和終端設(shè)備，而物理AI的定義，在于你與AI的交互。這類場景對延遲敏感，需要AI快速做出決策。因此數(shù)據(jù)處理必須在終端設(shè)備、在邊緣端完成?！?/p>

實現(xiàn)物理AI需要許多技術(shù)支撐。其中之一就是自然語言處理。“你對機(jī)器人說‘我想讓你幫我拿一杯牛奶?！枰獪?zhǔn)確理解這句話的含義，這就要求終端運(yùn)行大語言模型，”Posner表示，“而物理AI的‘物理屬性’體現(xiàn)在行動執(zhí)行上——也就是機(jī)器人‘從冰箱里取出牛奶’的具體操作。類似地，在航空航天與國防領(lǐng)域，目標(biāo)檢測、目標(biāo)捕獲等任務(wù)也需要實時完成數(shù)據(jù)處理，才能滿足應(yīng)用需求?！?/p>

圖1：物理AI系統(tǒng)橫跨多個市場。

（圖源：Cadence）

對于物理AI硬件，存在AI視角和通用硬件視角?！拔锢鞟I硬件可以從兩個角度來思考，”新思科技移動、汽車和消費(fèi)IP產(chǎn)品管理執(zhí)行總監(jiān)Hezi Saar指出，“首先是適應(yīng)AI算法或AI機(jī)器變化的能力。這包括設(shè)備上可能需要進(jìn)行的所有學(xué)習(xí)，例如流水線如何工作、如何預(yù)處理數(shù)據(jù)、如何以最佳方式利用資源以及系統(tǒng)如何高效運(yùn)行且不崩潰。所有這些都需要深思熟慮，這非常困難，因此留出足夠的余地并采用多種方法來適應(yīng)變化非常重要?！?/p>

物理AI通常被視為邊緣計算的一個子集，但二者存在本質(zhì)區(qū)別。Saar表示：“與人類或環(huán)境的直接交互是物理AI的獨(dú)特之處?！边吘堿I連接到云端，且部署于終端設(shè)備。物理AI同樣位于終端設(shè)備上，擁有超越常規(guī)邊緣AI的獨(dú)特功能。以通用人工智能（AGI）為例，初期在手機(jī)等設(shè)備中以AI助手形式存在時，其交互主要依賴軟件功能——我們可以通過語音或文本向助手發(fā)出指令，獲取所需反饋。但當(dāng)提及‘物理’屬性，物理AI可關(guān)聯(lián)多種應(yīng)用場景，它包含實體組件，能夠接收環(huán)境信息或?qū)Νh(huán)境產(chǎn)生影響。在物理領(lǐng)域，自動駕駛出租車就是典型案例，機(jī)器人與無人機(jī)也具備類似特性，能夠接收環(huán)境輸入或通過輸出作用于環(huán)境。我們創(chuàng)建的AI智能體多為軟件形態(tài)，而物理AI智能體則是實體存在，能夠為人類完成具體工作。未來的關(guān)鍵轉(zhuǎn)變在于社會層面的接納度——整個社會將如何融入這一技術(shù)，人們又將如何接受這類實體智能體?！?/p>

物理AI最初應(yīng)用于工業(yè)應(yīng)用場景?！耙怨S為例，假設(shè)有多臺熔爐需要定期維護(hù)和監(jiān)控，”西門子EDA芯片驗證與EDA人工智能產(chǎn)品負(fù)責(zé)人Sathishkumar Balasubramanian介紹道，“過去，工作人員需要親自爬上梯子檢查設(shè)備狀態(tài)。而借助物理AI，我們可以在故障發(fā)生前進(jìn)行預(yù)測，或基于強(qiáng)化學(xué)習(xí)、過往經(jīng)驗以及傳感器監(jiān)測到的各類數(shù)據(jù)，預(yù)判維護(hù)周期。通過分析數(shù)千種參數(shù)組合，我們能夠確定特定配置下可能導(dǎo)致故障的因素，或判斷預(yù)防性維護(hù)的最佳時機(jī)。物理AI能夠?qū)崟r監(jiān)控并獲取數(shù)據(jù)。幾乎所有潛在問題都能通過物理AI提前預(yù)判。物理AI的核心目標(biāo)是提升人類的生活體驗，既包括終端產(chǎn)品的使用體驗，也包括使用者的工作體驗。在工業(yè)場景中，這意味著確保工廠的預(yù)防性維護(hù)工作順利開展，減少高風(fēng)險崗位的人力投入，無需工作人員冒險排查故障或?qū)崟r監(jiān)控設(shè)備。物理AI本質(zhì)上是工業(yè)物聯(lián)網(wǎng)與邊緣端工業(yè)人工智能的融合產(chǎn)物?！?/p>

系統(tǒng)級物理AI

物理AI也需要考慮系統(tǒng)級因素，因為它需要進(jìn)行更多本地化的邊緣計算和通信。Arteris首席營銷官M(fèi)ichal Siwinski表示：“這不僅包含與數(shù)據(jù)中心之間的往返交，這一點與其他邊緣設(shè)備并無差異，仍需妥善處理。但這些系統(tǒng)將會交織在一起。處理這類場景時，相當(dāng)于硬件版本的智能體AI，它們不再孤立存在，而是位于邊緣的自有系統(tǒng)的一部分，可以自主運(yùn)行和通信。這需要巨大的帶寬支撐海量數(shù)據(jù)傳輸，還涉及各類不同的計算任務(wù)。物理AI基本上意味著系統(tǒng)具備智能，相當(dāng)于在其中構(gòu)建了一臺龐大的超級計算機(jī)，且需要實現(xiàn)更多分布式計算的同步?！?/p>

物理AI涉及實體運(yùn)動，需要傳感器、MEMS器件以及模擬/混合信號系統(tǒng)支持。“這意味著我們現(xiàn)在必須關(guān)注混合電平信號，并理清信息是如何流動的，”Siwinski表示，除此之外，還需對所有這些組件進(jìn)行協(xié)調(diào)管理。系統(tǒng)可能是分布式或非分布式的，但由于存在眾多異構(gòu)子系統(tǒng)，必須具備一個集中式‘大腦’?！?/p>

從本質(zhì)上看，物理AI是AI與物理世界的融合?！斑^去，AI局限于數(shù)字領(lǐng)域，”德州儀器高性能處理器總經(jīng)理Artem Aginskiy表示，“它收集信息、處理數(shù)據(jù)并輸出答案，但無法在物理世界中推理或采取行動。有了物理AI，過去主要在遠(yuǎn)程服務(wù)器上進(jìn)行的數(shù)據(jù)處理現(xiàn)在可以在本地進(jìn)行，并轉(zhuǎn)化為現(xiàn)實世界中的具體動作。與邊緣AI的概念類似，邊緣AI是指網(wǎng)絡(luò)邊緣應(yīng)用程序能夠通過嵌入式處理器（如MCU和MPU）和軟件在本地使用AI。兩者的關(guān)鍵區(qū)別在于，物理AI不僅是感知和處理，還指這些應(yīng)用程序采取的行動。物理AI和邊緣AI都將更多的智能和自動化帶到它們能夠發(fā)揮最大影響的場景中?！?/p>

物理AI將AI直接應(yīng)用于現(xiàn)實世界，機(jī)器必須在與人類共享的環(huán)境中感知、解讀和行動，因此融合多模態(tài)感知、邊緣計算和持續(xù)學(xué)習(xí)，使機(jī)器人、車輛或基礎(chǔ)設(shè)施資產(chǎn)能夠自主、安全地行動。

BrightAI創(chuàng)始人兼首席執(zhí)行官Alex Hawkinson表示：“當(dāng)大多數(shù)AI系統(tǒng)都面臨新數(shù)據(jù)枯竭的困境，而物理AI才剛起步，它正在從物理世界中挖掘數(shù)十億個此前未曾開發(fā)的信號，并將其轉(zhuǎn)化為切實可行的洞察。物理AI是物理世界的實時操作系統(tǒng)，使管道和電線桿等物理資產(chǎn)完全可觀察并由數(shù)據(jù)驅(qū)動。”

不同的數(shù)據(jù)，不同的處理

用于邊緣AI和物理/終端AI所使用的數(shù)據(jù)是不同的，對這些數(shù)據(jù)的處理方式與需求也各不相同。

Ambiq人工智能副總裁Carlos Morales表示：“在在邊緣端部署人工智能，能實現(xiàn)極低的延遲，這意味著數(shù)據(jù)傳輸速率大幅降低，無需回傳海量數(shù)據(jù)。從功耗角度來看，由于射頻傳輸，功耗也會降低。這方面的優(yōu)化空間已較為有限，但通過本地預(yù)計算，可大幅減少傳輸?shù)臄?shù)據(jù)量?！?/p>

物理AI開發(fā)者渴望能夠利用現(xiàn)實世界的數(shù)據(jù)。“我們看到，邊緣計算領(lǐng)域非常注重功耗和節(jié)能設(shè)計，以便監(jiān)控數(shù)據(jù)，因為物理AI依賴于與現(xiàn)實世界和電子設(shè)備的交互，”西門子EDA的Balasubramanian表示，“這實際上取決于特定的用例場景。例如，工業(yè)機(jī)器人可能有不同的場景需求，但核心在于是否能夠高效地利用現(xiàn)實世界的數(shù)據(jù)并快速做出決策，在物理AI中，它需要快速自主地做出決策，這意味著邊緣端、終端設(shè)備及物理AI機(jī)器人系統(tǒng)中，需要搭載高效的特定領(lǐng)域模型和精簡代碼，確保行為與功能無延遲?！?/p>

延遲是關(guān)鍵。“現(xiàn)在物理AI機(jī)器人的每個關(guān)節(jié)上都裝有傳感器，”Ambiq的Morales表示，AI被部署在這些傳感器端，形成控制回路。這不像章魚的運(yùn)作方式——章魚的每條觸手都有一個小型‘大腦’，而非依賴中央大腦統(tǒng)一控制。你肯定不希望一個腦袋拖慢整個系統(tǒng)的速度。因此，在傳感器端直接進(jìn)行物理驅(qū)動控制（如異常檢測）至關(guān)重要。此外，根據(jù)不同事件動態(tài)切換模型也很關(guān)鍵?！?/p>

業(yè)內(nèi)人士預(yù)計，現(xiàn)實世界中將涌現(xiàn)出大量執(zhí)行AI驅(qū)動的感知、規(guī)劃和控制的機(jī)器人。ChipAgents首席執(zhí)行官William Wang表示：“芯片公司面臨著對異構(gòu)、確定性邊緣SoC（CPU/GPU/NPU/DSP）的需求，這些SoC需要在嚴(yán)格的功率和安全限制下，滿足傳感器融合、策略和驅(qū)動的端到端嚴(yán)格期限。前端設(shè)計與驗證優(yōu)先級轉(zhuǎn)向：(1)延遲受限的數(shù)據(jù)流（暫存器、DMA、QoS、中斷延遲）；(2)混合關(guān)鍵性隔離（安全島、鎖步、ECC）；(3)RTL的實時屬性（截止期限/吞吐量斷言、WCET式檢查）；(4)機(jī)器學(xué)習(xí)在環(huán)驗證，其中感知錯誤與控制器邏輯一起建模。EDA必須通過物理/數(shù)字孿生仿真、基于場景的刺激生成、控制不變量的形式化檢查，以及涵蓋極端情況環(huán)境和RTL狀態(tài)的驗證方法，實現(xiàn)硬件、軟件與機(jī)器學(xué)習(xí)的協(xié)同設(shè)計?！?/p>

ChipAgents等公司的Agentic AI工具可用于協(xié)調(diào)這些需求。它們可以在加速器和軟件之間自動劃分感知與控制，合成遵循周期精確延遲預(yù)算的RTL，并生成從模擬器（如動態(tài)遮擋、滑移、延遲）到壓力接口和安全路徑的場景套件。它們還可以持續(xù)在PPA與閉環(huán)穩(wěn)定性/吞吐量之間進(jìn)行權(quán)衡，從而縮短機(jī)器人芯片的迭代測試修復(fù)周期。

物理AI將一些驗證環(huán)節(jié)從實驗室轉(zhuǎn)移到了實際應(yīng)用場景中?！澳Ｐ秃陀布粌H要在模擬環(huán)境中進(jìn)行驗證，還要在天氣、磨損和人為錯誤等現(xiàn)實條件下進(jìn)行驗證，”BrightAI的Hawkinson表示，“這需要新的設(shè)計流程和持續(xù)的驗證。這意味著要確保傳感器、芯片和AI模型作為一個集成系統(tǒng)協(xié)同工作，并在最少的人為監(jiān)督下運(yùn)行?！?/p>

物理AI的眾多需求之一是隱私，尤其是在具備監(jiān)聽功能的設(shè)備中?！八@類設(shè)備可能不會記錄你所說的內(nèi)容，也不會真正理解你的話語，但能通過你的說話方式和語音模式，檢測出早期癡呆癥的跡象，”Ambiq的Morales表示，“隱私和安全性都很重要。開發(fā)人員也重視低延遲，以實現(xiàn)即時響應(yīng)和節(jié)能?！?/p>

結(jié)語

即將到來的物理AI設(shè)計熱潮，將以海量且多樣化的設(shè)計啟動為顯著特征。“需求越來越多，而且各不相同，因此重點將放在基于不同垂直領(lǐng)域的定制芯片開發(fā)上，”西門子EDA的Balasubramanian表示，“終端需求與運(yùn)行環(huán)境都會有所不同，因為一旦進(jìn)入物理AI領(lǐng)域，芯片面臨的外部環(huán)境影響遠(yuǎn)超過普通芯片。它們不再處于受控環(huán)境中，因此設(shè)計出穩(wěn)健可靠的產(chǎn)品、充分理解終端產(chǎn)品的應(yīng)用場景需求，將成為關(guān)鍵。芯片與系統(tǒng)架構(gòu)師需要全面考量，明確PPA的約束范圍，同時兼顧運(yùn)行環(huán)境要求。這在一定程度上由軟件棧決定，并將指導(dǎo)該特定芯片或系統(tǒng)的整體開發(fā)過程。物理AI的成功之道不在于試圖面面俱到，而應(yīng)聚焦自身優(yōu)勢領(lǐng)域，再將成熟的應(yīng)用場景復(fù)制到更多類似場景中?！?/p>

挑戰(zhàn)還會更大。Cadence的Posner表示：“把它看作是它自己的單片設(shè)計。如果只是做簡單的目標(biāo)檢測，單一芯片就足夠了。但隨著功能復(fù)雜度提升，需要配套的AI加速器、CPU，以及一個或多個特定領(lǐng)域處理器?！?/p>

為此，EDA工具、驗證和仿真都需要實現(xiàn)指數(shù)級升級，因為單芯片的設(shè)計管理已頗具難度，多個芯片的協(xié)同設(shè)計更是難上加難。工工程師們需要實時追蹤所有設(shè)計細(xì)節(jié)，找到“分而治之”的解決方案，確保設(shè)計出的系統(tǒng)既能對不同傳感器輸入做出最優(yōu)響應(yīng)，又能在整個生命周期中持續(xù)學(xué)習(xí)與迭代進(jìn)化。