業(yè)內(nèi)流傳著“不做硬件的具身智能公司，不是好公司”，其背后邏輯是：如果想在軟件上登峰造極，必須深度理解硬件特性，而要發(fā)揮硬件極限也需軟件在架構(gòu)與調(diào)度層面予以配合。這種融合，需從設計之初就埋入系統(tǒng)。但現(xiàn)實是，我們常聽到廠商抱怨“做算法根本不懂硬件，做硬件的又不會算法”，兩撥人幾乎是各自為戰(zhàn)。

作者：彭堃方

編輯：呂鑫燚

出品：具身研習社

是什么桎梏了人形機器人的行動？到底是硬件跟不上還是軟件能力不足？關于這一問題，業(yè)內(nèi)的爭議已經(jīng)展開。

在不久前的ALL-IN SUMMIT上，馬斯克被問及Optimus目前硬件與軟件哪個更難突破？他坦言：我們?nèi)栽跒橛布淖罱K設計而掙扎。而當主持人追問：假如硬件挑戰(zhàn)得以解決，基于大語言模型（LLM）的進展，是否就能實現(xiàn)自然的人機交互，使機器人聽懂指令、執(zhí)行任務？馬斯克則信心十足地回應：沒問題。

圖片來源：ALL-INSUMMIT

和馬斯克硬件焦慮形成鮮明對比的是，宇樹科技王興興則在多場合表示“硬件夠用了”，相反在AI領域，他認為“讓AI干活整個領域目前都是荒漠”。王興興認為，目前數(shù)據(jù)和模型都是機器人的難點。AI模型本身的能力也還不太夠，沒辦法讓機器人真正用起來，比如AI模型難以很好地控制靈巧手。

這兩種看似對立的觀點，恰恰反映出同一本質(zhì)困境。問題的核心或許并不在于“軟”或“硬”單一維度的落后，而在于二者之間缺乏有效的協(xié)同與融合。

而這問題的答案也不應該只由整機廠來回答，更應該聽聽上游的聲音。

近日，具身研習社和亞德諾半導體(ADI)進行溝通，作為上游核心硬件和解決方案提供商，其視角跳出了單一的軟硬件孰優(yōu)孰劣的二元對立視角，轉(zhuǎn)而以“協(xié)同”思路判斷。

ADI院士兼技術副總裁陳寶興表示，問題的核心在于AI與硬件的深度集成�！氨热缱ト∫粋�雞蛋或其他物品，就需要優(yōu)化。機器人需要知道物體的性質(zhì)、用多大的力、如何防滑等具體要求。這些都需要硬件與軟件、AI與控制的深度集成，我認為這還有大量的工作要做�！�

這或許也是為什么我們很難看到靈敏的、聰慧的、動作有的放矢的機器人。其已經(jīng)超出了單純的軟件或硬件所能獨自解決的范圍，如何讓軟硬件更好的系統(tǒng)性協(xié)同或許是未來的主要攻關方向。

硬件真的夠用了嗎？

自從王興興在WRC說出：“目前的硬件某種意義上是完全夠用的”，一時間引發(fā)了業(yè)內(nèi)巨大爭議。但事實上，王興興旋即就提到了一個硬件普遍的難點：“更大的問題是把它（硬件）量產(chǎn)”。無獨有偶，馬斯克甚至直言：人形機器人沒有供應鏈，必須從頭開始，自己設計。這也是他的量產(chǎn)計劃推遲的重要原因。

因此硬件的第一個明顯的難點是“缺乏標準”。即便市面上已有成千上萬種來自工業(yè)、汽車等領域復用的零部件，卻始終缺少專為機器人設計的。簡單來說，硬件能用，但并不是好用的，因此也有了業(yè)內(nèi)流傳的觀點“硬件制約軟件”正成為束縛模型落地的現(xiàn)狀。

造成該現(xiàn)場的根本原因在于：其一，人形機器人屬于初期階段，體量較大的供應商，并不愿意分散精力投入到一個利潤極為有限，財報無法增色的產(chǎn)線上去。所以，各種零部件的不適配加上特定零部件的量產(chǎn)能力、良品率等問題，最終讓這個在技術上已經(jīng)鮮有卡點，但工程化問題卻十分明顯的硬件，成了人形機器人鋪展開的一道障礙。

其二，不同人形機器人廠商技術路線相差巨大，不管是本體硬件也好，亦或者是大腦模型，技術均未進入收斂期，不同的AI算法與不統(tǒng)一的硬件平臺之間更加難以匹配，于是誕生了另一道障礙，硬件“缺乏AI能力”的問題。

換句話說，硬件與軟件之間過于解耦，就像提線木偶斷了線一樣。因此，當前真正的難點在于缺乏如同智能硬件所強調(diào)的“AI原生設計”，這也是陳寶興口中所說的“要加速人形機器人的創(chuàng)新和落地，最重要的是AI與物理智能緊密、深度融合”。

陳寶興把“AI和物理智能”的關系類比成“大腦跟身體”的關系，比如AI是機器人的“大腦”，負責學習、推理、決策。物理智能是“身體”，負責感知、運動、與環(huán)境互動。他認為只有兩者深度融合，機器才能像人一樣靈活、聰明、可靠。

物理智能的核心是高性能傳感器，ADI的機器人團隊正致力于將其傳感器和執(zhí)行器模型集成進 NVIDIA 的 Isaac Sim 平臺，如此可以模擬真實世界的物理反饋，訓練可直接部署的控制策略，從而實現(xiàn)Sim2Real，從仿真到現(xiàn)實的突破路徑。

ADI認為想要實現(xiàn)物理智能有兩個要點，這也正是目前ADI主要發(fā)力點：第一，要能夠與大腦（即中央處理單元）配合；第二，要注重與小腦（即類似脊髓反應相關的部分）緊密相關，例如神經(jīng)元層面的功能——包括感知神經(jīng)元、運動神經(jīng)元，以及靈巧性方面的實現(xiàn)。

舉個例子，電機、驅(qū)動器能否快速、精準地執(zhí)行AI下達的“非標”指令？例如，如何讓一個關節(jié)在需要時瞬間輸出爆發(fā)力（如起跳），又能實現(xiàn)極精細的力度控制（如捏住雞蛋）？這過程中，就要求硬件本身具備低延時、高帶寬、高精度的特性，并能進行包括觸覺在內(nèi)的多維傳感器的數(shù)據(jù)傳輸進行邊云間通信與計算，這都要求AI算法深度適配。

圖片來源：特斯拉

這樣看來，硬件的問題不僅僅是單純的“缺乏行業(yè)標準”，又或者是更具體的“力量”“成本”“尺寸”“可靠性”等指標，而是如何被AI高效、精準、低延遲地驅(qū)動和控制的問題。這本質(zhì)上是一個軟硬件協(xié)同設計的難題。

從“軟硬全�！钡健败浻踩诤稀�

長期一段時間，軟硬件兩手抓的企業(yè)成為資本市場的寵兒。但這里有一個誤區(qū)，“軟硬件全�！睉摮絇R層面，進入到真實的“軟硬件協(xié)同”“軟硬件融合”，就像我們說“AI原生硬件”一樣，機器人本身作為大AI硬件在規(guī)劃、研發(fā)階段就圍繞AI進行設計與搭建。

業(yè)內(nèi)流傳著“不做硬件的具身智能公司，不是好公司”，反之也有人贊同。其背后邏輯是：如果你想在軟件上登峰造極，必須深度理解硬件特性，而要發(fā)揮硬件極限也需軟件在架構(gòu)與調(diào)度層面予以配合。這種融合，需從設計之初就埋入系統(tǒng)。但現(xiàn)實是，我們常聽到廠商抱怨“做算法根本不懂硬件，做硬件的又不會算法”，兩撥人幾乎是各自為戰(zhàn)。

總之，軟硬一體化策略的成果案例在手機賽道已經(jīng)很多了，如蘋果、小米、華為等，不再贅述。就說狹義上的模型廠商中也有像OpenAI收購io，要做AI原生硬件；Meta做AI眼鏡；字節(jié)做AI耳機；釘釘做AI錄音硬件等。

目前來看，具身智能賽道也有部分企業(yè)意識到這種融合的重要性，這部分企業(yè)可以分為兩種，一種是意識到軟硬件協(xié)同的。硬件在設計階段就通盤考慮，有清晰的接口和分工，是目前主流努力的方向。這些企業(yè)會預留開發(fā)接口，為特殊場景設計硬件構(gòu)型、尺寸以及加裝定制參數(shù)的零部件、功能模塊。

當然這是較普遍的做法，更高階的狀態(tài)應該是“融合”。它打破了傳統(tǒng)的軟硬件界限，你中有我，我中有你。硬件為軟件算法而生，軟件為硬件特性而寫。

例如，為特定的強化學習算法設計專用的計算芯片和傳感器；在AI模型訓練中引入硬件物理響應（如彈性、摩擦系數(shù)）的建模；硬件的設計也會為了適應AI的決策頻率而優(yōu)化，比如模型推理間隙，由端側(cè)芯片自主完成觸覺反射調(diào)節(jié)。

當前僅有少數(shù)領頭羊開始探索“融合”，大多數(shù)企業(yè)仍未進入軟硬件“協(xié)同”階段。

也正是因此，軟硬件融合將會是具身企業(yè)的競爭力與新機會，也會推動具身賽道走向進一步落地。但這遠不是本體廠商自己的命題，上游需一同努力。

例如，ADI作為上游廠商，在讓機器具備有思想、有觸感和有行動力的過程中，主要針對四個關鍵環(huán)節(jié)：感知（sense）、連接（connect）、解譯（interpret）、控制（control），而這四個環(huán)節(jié)正好串聯(lián)起機器人軟硬件協(xié)同。

從感知看，機器人需具備視覺、觸覺等能力，未來通過“多模態(tài)感知融合” 判斷物體形態(tài)、提升靈巧度；從連接看，機器人需高速穩(wěn)定的 “神經(jīng)網(wǎng)絡” 連接；而解譯則是對這些傳感器原始數(shù)據(jù)和各部件動態(tài)信息進行分析、理解；進而控制系統(tǒng)作為機器人“大腦皮層”，負責運動規(guī)劃與執(zhí)行，最新 AI 驅(qū)動的運動控制算法可實現(xiàn)其多關節(jié)協(xié)調(diào)與復雜動作。

我們可以看到，硬件與軟件之間的“結(jié)合部”存在著明顯短板，蘊藏著眾多機會。

人形機器人的發(fā)展，一定是一場軟硬件協(xié)同進化的旅程。不是硬件夠了軟件沒跟上，或者軟件行了硬件拖后腿，而是它們必須像生物界的腦與身體一樣，彼此塑造、耦合反饋、不可分割。未來的突破，將依賴于我們能否用技術創(chuàng)新與工程智慧加速這一“共同進化”的過程。