机器人需要边缘处理才能在现实世界中安全运行，Hailo 说。来源：Hailo AI

人工智能的发展经历了不同的阶段。早期的系统专注于感知：识别物体、识别语音以及从数据中提取含义。生成式人工智能扩展了这些功能，使机器能够创建内容。最近，代理系统已经开始协调数字环境中的复杂工作流程。

但在所有这些阶段，人工智能在很大程度上仍然局限于数字世界。现在这种情况正在改变。

人工智能的下一阶段是物理阶段。物理人工智能系统不是在屏幕上产生输出，而是直接与现实世界交互——导航环境意见、操纵物体以及做出立即产生后果的决定。这种转变引入了新的要求，并且已经重塑了机器人系统的设计和部署方式。

从感知到行动

多年来，机器人领域的人工智能主要与感知有关。机器可以通过摄像头“看”，通过麦克风“听”，并使用日益复杂的模型来解释周围的环境。但这些系统通常被输入到预定义的、基于规则的控制机制中。人工智能有助于理解环境，但它并不能完全控制机器在其中的行为方式。物理人工智能改变了该模型。

在现实环境中，机器必须不断解释周围环境，推理所观察到的内容，并根据这些见解实时采取行动。更重要的是，他们必须随着条件的变化立即适应。这创建了一个不同的操作模型：一个连续的循环，其中感知、推理和行动需要同时发生

即使在更常规的场景中，当今系统的局限性也很明显。典型的清洁机器人可能会遇到一些简单的东西，例如落在地板上的袜子，从上面碾过，然后被卡住——需要人工干预才能恢复运行。较新的系统由人工智能驱动的感知提供支持，可以识别并避开此类障碍物，从而继续清洁周围的障碍物。

但真正的自主性更进一步：识别袜子，捡起它，并将其放置在它所属的地方。这是循环的“行动”阶段变得至关重要的地方。可靠地执行这种级别的物理交互需要紧密集成的设备上智能，这使得边缘计算至关重要。

编者注：下周在波士顿举行的 2026 年机器人峰会暨博览会将举办有关物理 AI 的会议。立即注册参加。

为什么边缘对于人工智能至关重要

这一要求对人工智能的运行位置有直接影响。云基础设施仍然至关重要训练模型、聚合数据和提高系统性能。

但是，当在物理世界中执行决策时，对云的依赖会带来不可接受的风险。延迟、连接间隙或不可预测的延迟不能成为负责现实世界操作的控制循环的一部分。这就是物理人工智能属于边缘的原因。

本地运行智能可确保系统能够实时运行，而不依赖于网络条件。它还提高了可靠性、隐私性和一致性——随着人工智能系统承担现实世界的责任，这些因素变得更加重要。

这并不能取代云。相反，出现了一种混合模型，其中云训练和提高智能，而边缘则在行动时执行智能。

类人现实

与此同时，人工智能的进步激发了人们对类人机器人（机器）的兴趣。可以复制全方位的人类任务。虽然这一愿景令人信服，但它掩盖了更直接的现实。

当今机器人技术的主要限制不是智能。人工智能系统在感知和推理方面正在迅速发展。限制在于物理世界：硬件能力、灵活性、能源效率和成本。

构建能够执行各种人类任务的机器人需要高度复杂的机械系统，包括具有人类水平灵活性和精度的手、关节和执行器。这些挑战仍然严峻。

因此，通用类人机器人在短期内可能仍仅限于利基、高成本的应用。更广泛的市场正在朝着不同的方向发展。

特定任务系统的兴起

当今部署的大多数机器人并不是试图做所有事情，而是设计用于很好地完成一项特定任务。

特定任务机器人专注于定义用途受控或半结构化环境中的案例。厨房助理可以切碎、混合和清洁表面，但不会折叠衣物。仓库机器人可以有效地移动货物，但它并不是为家庭导航而设计的。

自主农业设备可以监测作物健康状况或进行精确喷洒，而机器人配送系统专门针对最后一英里的物流进行了优化。

消费系统遵循相同的模型。机器人真空吸尘器专为地板护理而设计。自主无人机检查基础设施或监控工业场地。 Husqvarna 的人工智能系统等机器人割草机能够持续导航不断变化的室外环境，同时避开障碍物并根据地形条件进行调整。

这些系统依赖于在嵌入式人工智能处理器上本地运行的实时感知-思考-行动循环，使它们能够在无需任何操作的情况下自主运行。持续的云依赖。在 Husqvarna 的案例中，Hailo 边缘人工智能处理器有助于实现设备上的智能和实时决策。

这些示例凸显了特定任务机器人技术与通用类人机器人愿景之间的对比。这些机器不是复制人类的每一项能力，而是经过优化，能够以高可靠性、高效率和可扩展性执行范围更窄的任务。

这种专业化并不是一种限制。这是一种设计选择。

通过限制范围，开发人员可以优化可靠性、安全性和成本。系统在现实条件下变得更容易部署、扩展和操作。

我们已经在机器人吸尘器、割草机、无人机和工业系统中看到了这种方法。现在正在改变的是这些系统可以为其任务带来的智能水平。

人工智能的进步使机器人能够超越脚本行为，转向更具适应性、情境感知的操作。他们可以解释环境、响应意外事件并随着时间的推移提高性能——所有这些都在定义的领域内。

扩展物理人工智能

这种向特定任务系统的转变对规模具有重要影响。人形机器人即使可行，也可能仍然昂贵，因此仅限于利基、高端应用，而不是成为家庭必需品。

相比之下，特定任务机器人的定位是跨行业扩展，从家庭和医院到仓库、工厂和公共基础设施。这些都是大容量市场，成功不仅取决于能力，还取决于效率。

在数百万台设备上运行高级人工智能需要能够在严格限制下提供实时性能的硬件：低功耗、最小延迟和适合大规模部署的成本结构。

Hailo 预见了智能机器人的未来。来源：Google Gemini AI，Hailo

这就是边缘架构变得至关重要的地方。物理人工智能不会由最大的模型或最强大的云基础设施来定义。它将由能够可靠运行的高效系统来定义

不同的前进道路

机器人技术的未来将由数以百万计的智能系统来定义，每个智能系统都为特定目的而设计，在它们创造价值的地方运行。

这些系统将依赖于连续的感知-思考-行动循环，在边缘硬件上本地运行，它们将优先考虑响应性、效率和可靠性，并且它们将扩展到需要实用性的行业。具有成本效益的解决方案。

从这个意义上说，人工智能的下一章是让智能具有可操作性——直接嵌入到物理世界中，必须立即做出决策，并以结果来衡量绩效。在那个世界中，边缘不仅仅是一种架构选择。这是一项要求。

关于作者

Yaniv Sulkes 是 Hailo 物理 AI 副总裁，负责推动公司的战略，将先进的 AI 计算大规模引入机器人、智能机器和边缘系统。 Sulkes 在人工智能、汽车和深科技领域拥有 20 多年的领导经验，在改变边缘设备实时感知、决策和行动的方式方面发挥了核心作用。

在 Hailo 之前，Sulkes 曾担任 Autota 业务开发和营销副总裁lks，促进 V2X 技术在全球的采用，为更安全、更互联的移动出行提供支持。此前，他曾在 Allot Communications 担任全球营销主管，并担任过多个成功的产品领导职务。苏克斯拥有学士学位。工业工程学士学位和硕士学位特拉维夫大学电气工程学士学位。