高通技术公司副总裁兼ADAS和机器人业务总经理Anshuman Saxena本周在高通美国圣迭戈总部与媒体交流时透露，高通在今年年初发布的跃龙IQ10平台已交付多家客户，众多客户正基于该平台进行产品开发。他还表示，多款基于高通跃龙的产品正在中国量产，用于不同类型的机器人。

高通在物理AI领域持续加大投入，机器人被视为物理AI下一个重要应用方向。高通在AI计算模块、硬件、软件基础设施以及面向ADAS和机器人的物理AI软件栈方面已有大量进展。高通已公开宣布与Figure AI、NEURA Robotics等机器人公司合作，并宣布在日本成立机器人中心。许多合作伙伴正处于对IQ10的早期评估阶段，Saxena表示，机器人行业在评估和验证新方案上需要时间，相关工作正在积极推进，接下来不久会有更多客户和合作伙伴加入。

在中国机器人领域，高通拥有广泛的客户合作和相当大的客户基础。Saxena强调，高通在汽车领域积累的技术，如智能座舱的人机交互逻辑，与机器人系统高度相通，可复用至机器人领域。他将此称为混合关键级任务处理，其中代表性方案是高通Flex融合方案，该方案确保用户交互与安全操作在机器人系统中共存。

关于机器人规模化落地的瓶颈，Saxena指出，除AMR（自主移动机器人）和机械臂等已发展一段时间的形态外，整个机器人行业仍处于早期阶段。要打造具备通用能力的机器人解决方案，需攻克多层挑战：一是数据，要让机器人具备泛化技能，需针对每项任务积累大量数据；二是传感器、机械臂和执行器与不同任务的适配，每个场景需求不同，不存在通用机械臂能适配所有场景；三是系统架构，许多公司主张用一台强大计算机解决一切问题（“单一大脑”方案），但高通认为这未必正确有效。低时延、功耗管理、通信能力必须在系统层面统一解决。

以抓取动作为例，让机器人抓玻璃杯或软塑料瓶时，对物体的识别和抓取力度判断应在机械臂端完成，这里不能运行大型GPU，必须采用低功耗、低时延并能直接处理传感器数据的解决方案，同时信息需传输到“大脑”用于更长时间跨度的动作规划。中间还需解决连接性问题，可通过多机器人协同或网络基础设施统一调度，而不必将所有任务集中在一个大型控制器中。高通重点关注数据收集、仿真、仿真到现实、现实到仿真，以及可扩展的SoC和硬件平台，并构建完整全栈方案，配合支持不同技能的基础模型。

在机器人芯片和模型路线方面，Saxena认为，机器人系统甚至比汽车系统更复杂，不存在能解决所有问题的芯片，智能必须更靠近执行器，即分布式智能。成本与功耗是两大要点，只有控制成本才能规模化，而成本合理需要可扩展的解决方案。高通拥有涵盖通信、传感器、计算等环节的完整可扩展方案。

模型方面，今年CES上高通展示了用VLA（视觉-语言-动作）模型控制的人形机器人，该模型由高通自己训练。Saxena提到，市场普遍一开始使用通用VLA模型，再根据需求训练，但高通重点在于系统层面优化。直接使用很大的通用VLA（几十亿、上百亿参数）运行速度会很慢。VLA、感知语言模型存在局限性，因为动作执行需等待对现状的感知，缺少物理要素。更前沿的方向是WAM（世界动作模型），涉及物理引擎，模型会非常庞大，需针对特定用例进行蒸馏。构建WAM并训练、蒸馏时，实际上仍在探讨物体的真实物理特性及行为方式，这是机器人系统的最终目标。

Saxena认为，业界距离确定最终机器人形态还有很长的路要走。安全约束会影响机器人的尺寸和任务范围，各类形态将在不同应用场景中存在，但具备双足行走能力和机械臂的人形机器人将是最终形态中最高阶的解决方案之一。高通重视生态系统，拥有AI模型、硬件、电机、传感器等合作伙伴，之所以覆盖完整技术栈，是因为真正的技术积累和价值在于从系统层面解决问题。合作伙伴可将自研AI模型接入高通平台，由高通提供平台其他部分，帮助推动量产。

总体来看，高通在物理AI领域的角色是搭好地基、定义接口、验证系统，让合作伙伴的模型、模块及解决方案快速量产落地。基于分布式智能、可扩展硬件、系统级优化和生态协同策略，高通正布局长线大局，在中国市场，这套逻辑正被越来越多客户验证。