文章转载自《机器之心》
当俄罗斯首个AI人形机器人“艾多尔”伴着电影《洛奇》的主题曲蹒跚登场时，所有人都以为某个高光时刻即将来临。没想到，“帅不过三秒”——
向观众挥手后，它迅速失去平衡、倒地抽搐，被工作人员匆忙拖走。
近期翻车的机器人可不止这一家。9月，特斯拉Optimus因反应迟缓被吐槽；1X预售款的“惊艳演示”因系远程遥控，被舆论diss到起飞。
业内人士对此并不意外。很多演示高度依赖人工操控，大量机器人连“站稳完成操作”都难，在工厂里“插个dongle、贴个膜”，堪比“登月”。
英特尔在与数十家具身智能团队沟通过程中也发现，机器人“能跑会跳”和“能在产线干活”之间，还存在巨大鸿沟。
到底是什么原因阻挡它们踏入生产一线呢？
困在算力平台里的具身智能
11月19日，重庆*2025英特尔技术创新与产业生态大会的圆桌现场，训练数据、应用、“大脑/小脑分家”的架构问题都被摆上台面。但有一个答案被反复提及，算力平台正成为横在具身智能落地面前的最大门槛之一。
目前业内已量产、相对成熟的人形机器人，大多采用“大脑+小脑”的架构，所谓“慢系统+快系统”——
“大脑”负责深思熟虑，承担LLM、VLM、CNN、CLIP、SAM等对世界建模和理解的工作；
“小脑”负责“让身体动起来”，对反应速度极度敏感，包括3D定位导航、机械臂控制、步态控制等，控制频率动辄500Hz~1000Hz。
过去机器人主要依赖传统运控，如今动作生成模型、多模态感知与大模型推理层层叠加，算力需求呈几何级增长。一位现场嘉宾提到，“我们用的很多其他行业厂家的芯片，达到100 ~ 200个TOPS的稀疏算力，但依然是不够用。”而这，还只是触及工业场景的冰山一角。
算力飙升之下，不少企业搞“拼凑”、搭“两套班子”。
比如，Intel酷睿（12/13代移动处理器）跑“大脑”，NVIDIA Jetson Orin跑“小脑”，“两套班子”还要跨芯片通信、跨系统协同。
结果可想而知。想想“帅不过三秒”的“艾多尔”，视觉指令传输存在延迟，机器人就会摔倒。目前困扰人形扰机器人的精度、效率问题，乃至端侧控制器的性能瓶颈，有一部分“归功于此”。
算力平台不仅是技术问题，更是落地的经济问题。
真正到后面小批量落地的人形机器人， ROI肯定是我们第一个考虑的指标。有嘉宾直言。
制造业对ROI的考核最为严苛。
硬指标上，机器人不仅要能干活，“稳不稳定、安不安全、贵不贵、耗不耗电”都是老板们必须算清楚的账。
软指标上，为避免技术投资变成“一次性死资产”，企业希望它既能迅速上线，又能随着工厂和产线变化灵活扩展或缩减。
显然，搞“两套班子”硬件堆叠，满足不了这些苛刻要求（开发成本、散热方案，功耗、价格、部署、可扩展性等）。
现场嘉宾认为，机器人要同时利用CPU、GPU、NPU多种异构算力，如何将这些异构算力高效整合到一块小体积、低功耗芯片里，还要让它们高度协同、被开发者轻松调用，是一道极大的挑战。
而且，随着具身智能加速演进，算力融合、扩展和利用效率，正在成为限制行业落地的关键瓶颈。
“解药”：以“单系统”达成大小脑的“融合”
需要“两套班子”才能完成的“大脑+小脑”任务，如今在一套“班子”里就能搞定。这正是英特尔给出的“大小脑融合”方案——
用一颗SoC，把智能认知与实时控制统一到同一个架构中。
这颗SoC，就是酷睿Ultra处理器。它在单一封装内集成了CPU、英特尔锐炫™ GPU和NPU，并让三者协同工作，AI推理能力、高性能CPU计算与工业级实时控制，“一手”拿捏。
是不是很像重庆火锅的九宫格？每个IP（CPU/GPU/NPU/I/O）就像格子里的一道菜，既能选“套餐”，也能随需求自由组合，全看机器人厂商的“口味”需求。
结果，原本必须上云的大模型推理，能直接在端侧运行，响应更快，隐私性也更高，关键还很经济。
酷睿Ultra在保持类似功耗的情况下实现了约100 TOPS的AI算力。英特尔公司副总裁兼英特尔边缘计算事业部的总经理Dan Rodriguez在大会Keynote上说到。用户不需要重构系统，只要升级CPU，就能让原有产品具备AI能力。
先看看内置的GPU。
它拥有77 TOPS的AI算力，专门负责处理最重的视觉与大模型任务。这样的性能足以支撑7B～13B级别VLM的运行，对于物体识别、路径规划、分拣等任务已经游刃有余。
如果开发者需要更强的AI火力（更大的LVM、VLA等模型），可以通过Intel Arc独显进行扩展。
当算力需求冲上千TOPS量级，例如大模型控制全身动作、执行多模态长链推理，英特尔认为应进一步结合外部“云脑”或边缘大脑来完成协同推理。
这种按需扩展的异构算力体系，成为具身智能顺利迈向复杂任务的关键基础。
NPU则负责轻负载常驻任务，如持续监听语音唤醒、动态物体检测等长期在线的AI功能，保证低功耗、零感延迟的体验。
CPU的价值被进一步放大。
得益于英特尔在传统机器人运控领域多年的积累，以及对底层指令和架构的深度优化，CPU在跑传统视觉算法、运动规划时比过去更快、更稳。
比如，实时抖动小于20微秒，意味着机器人的平衡控制、复杂力控、手眼协调等对延迟极敏感的运控环节，现在都能跑在CPU上。
而且，CPU内加入了专用AI加速指令，使其在视觉伺服等场景中，能够分担部分原本由GPU执行的AI推理与轨迹规划任务。这让算力调度更灵活、能效更优，也更符合机器人对功耗、实时性的苛刻要求。
Dan Rodriguez还提到，明年1月发布的Panther Lake（18A工艺）将进一步提升性能。图形性能最高提升50%，同等性能下功耗降低40%，AI加速力提升至180 TOPS，并支持扩展温度范围与工业级实时性，这意味着具身智能的应用边界将被进一步推开。
软件栈：三管齐下，落地按下快进
算力之外，英特尔同时把软件栈也配齐了。
从“机器人看什么、怎么学、怎么动”，一直到系统层面的调度、驱动、实时控制，英特尔提供了全栈套件，开发者不用“零帧”起步。
对于OXMs、ODMs、OEM等硬件制造商，英特尔准备的是整机级方案AI Edge Systems。操作系统、驱动、SDK、实时优化、BSP、EtherCAT驱动，全都打包好。
比如一个已经打了Preempt-RT的BSP，厂商不用再为实时性去改内核，把系统刷进去，机器人立刻具备“工业级心跳”。
系统软件厂商处在中间层，需要把芯片的每一滴算力榨到极限，为上层应用提供最佳运行环境。英特尔给他们准备了Open Edge Software Toolkit，里面不仅有AI库和工具，更包含大量OSV级优化，确保在不同平台都能跑出稳定性能。
这里简单提几个英特尔构建自家AI生态的关键抓手。一个是oneAPI——一条贯通CPU/GPU/NPU的“算力高速路”。
开发者写一次代码，系统自动决定跑在哪颗单元上，CPU、GPU、NPU甚至FPGA，全自动调度与优化。
这能让存量设施（旧机器）和增量设施（新AI硬件）在同一套代码逻辑下协同工作，打破算力“孤岛”。要扩展算力？直接接上Intel Arc就行。
还有“黄金组合” OpenVINO + IPEX-LLM。
OpenVINO负责AI推理加速，把TensorFlow、PyTorch等模型自动压缩、量化、瘦身，并转成最适合英特尔硬件执行的格式，推理在哪块算力单元上，也自动决定并负载均衡。IPEX-LLM则让大模型在本地跑得更快。
两者组合，可以适配不同年代、不同规格的边缘设备，应对工业现场设备杂、环境复杂的现实挑战。
针对站在最上层的行业方案开发者（ISV/SI），英特尔提供了现成的行业模板AI Suites。抓取、导航等常见技能一键可用，需要加大模型就直接接LLM、VLM、VLA，还自带参考Demo，稍改即可落地，大幅缩短从“裸机”到“能干活的机器人”的周期。
破冰前行，开放致远
与动辄“全家桶、一锅端”的封闭路线不同，英特尔的“大小脑融合”选择的是一条更开放、更有弹性的技术路径：
同一套代码既能跑在CPU/GPU/NPU/FPGA上，也能在Intel与Arm平台间自由切换；
主流AI框架与模型全兼容，不锁库、不锁模型；
ROS2与各类开源算法库也全部敞开支持。
从底层算力、网络，到软件栈、模型框架、应用框架，企业都可以按需自由组合。这意味着，他们不必推翻既有系统，也无需被某家供应商锁死，而是能够在自己的IT/OT基础之上、沿着现有行业生态继续演进，把数据和大模型真正变成生产力。
过去几个月里，英特尔已与国内数十家具身智能厂商深入合作，已有十余家进入验证或POC阶段。在技术与市场都充满不确定性的具身智能赛道里，这种开放自由的体系，正成为越来越多机器人企业愿意尝试的路线。
更多细节，可参考英特尔具身智能白皮书。
扫一扫关注微信