芝能智芯出品
CES 2026 上高通把AI分成两个部分，一个是个人AI，一个是物理AI，Physical AI（物理 AI）可以理解为“让 AI 真正进入现实世界并产生可持续价值的能力集合”，高通在汽车与机器人领域的动作，从SoC 方案慢慢拓展到一套成型的、可规模复制的系统方法论。
高通在“高能效异构计算 + 端侧 AI + 安全级系统”上的积累，慢慢兑现出完整的能力。
Part 1智能汽车是物理AI最成熟的落地形态
物理 AI 的划分中，智能汽车是目前复杂度最高、商业化最成熟的载体，全球已有超过 4 亿辆汽车采用骁龙数字底盘方案，其中 7500 万辆搭载骁龙座舱平台。CES 2026 上，高通对汽车趋势变化是架构融合与 AI 能力的系统级下沉。
一个代表性产品是 Snapdragon Ride Flex，这套方案把辅助驾驶和座舱用上“同一个大脑”，在单颗 SoC 上实现安全关键系统与非安全系统的共存，让入门级和中端车型也能具备基础的辅助驾驶与智能座舱能力，在中国市场对成本的追求，使得舱驾一体在中国市场进入量产阶段，并开始形成规模效应。
在骁龙汽车平台至尊版（如 8397、8797）上，高通新目标是把“具身智能体 AI”引入汽车，车内 AI迭代成能够理解情境、持续学习、在不同子系统之间协同决策的智能体。
在软件层面，高通与谷歌的深度合作，通过统一的软件栈、可预测的 OTA、虚拟 SoC 等工具链，车企可以在整个车型生命周期内不断叠加 AI 能力。
智能汽车已经成为一个标准化程度极高、验证充分的复杂自动化系统，这正是高通后续布局机器人的重要基础。
Part 2机器人：物理 AI 的核心增长曲线
汽车是“已经跑通的物理 AI”，在全球范围来看机器人（最重要的人形机器人）是正在进入加速区间的下一站。
在 AI 的推动下，未来十多年内，机器人有望创造接近 1 万亿美元的经济价值，机器人行业要从“实验室原型”走向“可部署、可规模化”的真实应用，这是高通切入机器人领域的角度。
高通在机器人领域给出了一套端到端的统一架构：从异构计算芯片，到复合 AI 系统，再到数据飞轮与机器学习运维（MLOps）。
在汽车辅助驾驶中已经高度成熟的能力，迁移到机器人系统中，包括多传感器融合、定位与建图、AI 规划与控制，能力的共通点是都必须在非结构化的物理环境中稳定运行。
为了支撑这一体系，高通发布了面向机器人和工业自动化的 跃龙 IQ10 处理器，这颗具备 18 核 Oryon CPU、数百 TOPS AI 算力、支持多摄像头输入，并符合工规级温度与功能安全要求的处理器，覆盖从家用服务机器人、AMR，到更复杂的人形机器人。
高通在机器人领域不光是芯片解决方案，也是要帮助客户一起解决机器人如何持续学习并产生经济价值的问题。
通过 AI 数据飞轮、仿真、再训练与本地部署工具链，希望让机器人像汽车一样，具备可迭代、可维护、可升级的生命周期。
把汽车和机器人放在一起看，可以更清晰地理解高通的“物理 AI”方法论，有几个要点：高能效的异构计算、端侧 AI 与隐私保护和安全与可靠性。
在车载系统还是机器人，功耗与散热都是硬约束，在目标功耗下，长期稳定运行复杂 AI 工作负载的能力很重要。
从车内智能体到工业机器人，本地推理、低时延响应、数据不出端，正在成为默认要求，高通持续强化 NPU 能力，并把 Edge Impulse、本地大模型部署纳入物联网和机器人体系的原因。
当 AI 进入现实世界并具备行动能力，功能安全、系统隔离和确定性行为不再是“加分项”，而是基本门槛。这一点，在汽车与人形机器人领域尤为关键。
小结
从“AI in device”走向“AI in the world”，物理 AI 已经通过智能汽车的规模化落地，验证了这条路径的可行性，并开始把同样的系统能力复制到机器人领域。
原文标题 : CES 2026 | 高通“物理 AI”：从智能汽车到机器人
