Arm 物理 AI 计划 Total Design：80 多家伙伴，机器人能力分六级

Arm 控股正试图为机器人行业做一件事，就像 SAE 国际的自动驾驶分级为自动驾驶汽车所做的那样 —— 给一个碎片化的领域一套共同的语言，用来描述机器究竟能做什么。9 月 8 日，这家总部位于剑桥的芯片 IP 授权商推出了 Arm Total Design for Physical AI，这是一项协同的生态系统计划，吸引了机器人与自主系统技术栈上的 80 多家公司；同时还推出了一个机器人能力框架（Robotics Capability Framework），定义了六个递进的机器人能力等级，从只会按规则被动反应的系统，一直到能随时间学习并自我优化的系统。

在接受《The Robot Report》采访时，Arm 副总裁 Dermot O'Driscoll 表示，这项计划填补的是他今年早些时候加入公司物理 AI 部门时观察到的一个空白：一些公司已经准备好基于 Arm 架构进行开发，却找不到合作伙伴，无法就互操作性预期达成一致，也无法高效地整合一台可部署机器人所需的硬件、软件、传感器和执行器。

Arm 的商业模式让它顺理成章地成为生态系统协调者

Arm 不制造芯片。它授权处理器架构 —— 每当基于其设计的芯片随产品出货，它就能收取版税。这一模式让 Arm 有着独特的动力去减少整个物理 AI 供应链上的摩擦：每一台基于 Arm 架构成功部署的机器人，都会在芯片、软件和云端各个层面带来版税收入。

据 Arm 自己的估计，到 2030 年代，物理 AI 将成为每年 2000 亿美元的算力机会。这个数字反映了半导体行业普遍持有的一种信念：继云端 AI 之后，机器人、自动驾驶汽车和工业机器将成为下一波主要的算力需求浪潮。

Arm 此前已经为云基础设施打造过一个类似的计划。O'Driscoll 说，那段经验直接影响了物理 AI 计划的结构。「我们在云生态系统里做过这件事，后来我在 3 月转到物理 AI 领域时，发现这里也有同样的空白。」他对《The Robot Report》说。他也承认，不同之处在于物理 AI 更难：云服务器在已知的环境中运行受控的软件，而机器人必须在不可预测的物理世界中整合视觉、本体感知、实时控制、执行器反馈和安全关键的故障管理。

六级机器人能力：从 RL0 到 RL5

这个机器人能力框架（RCF）从行为复杂度、决策自主性、环境适应性，以及每一级在延迟、算力部署位置、内存、功耗和安全保障上的系统级要求等维度，定义了六个等级。

在 RL0 级，机器人能对刺激做出反应、执行命令，但遵循固定规则 —— 比如仓库分拣机或预先编程的取放机械臂。在 RL1 级，系统处理传感器数据，并在设定的参数范围内自行调整，无需人工重新编程，比如绕开意外出现的障碍物重新规划路线。到了 RL2 级，由 AI 驱动的推理让机器人能够理解复杂情境，并从更广泛的已学行为库中做出选择。RL3 级增加了协作能力：机器人能与人或其他机器协同，并共享情境状态。RL4 级代表在不断变化的环境中完全自主运行。RL5 级描述的是行为会不断演化的系统，能主动从经验中学习并自我优化策略。

Arm 首席架构师 Richard Grisenthwaite 发表了一篇宣言阐明其理由：如果没有一致的定义，厂商声称某台机器人「自主」或使用了「物理 AI」，在采购谈判、监管审查或保险核保中都没有可靠的含义。这个框架明确与架构无关 —— 无论机器人使用谁家的算力，都适用。

RCF 明确借鉴了 SAE 国际的 J3016 驾驶自动化分级。O'Driscoll 指出，机器人更加复杂 —— 车辆在道路和交通规则这个相对受限的领域中运行，而机器人要在制造车间、医院、建筑工地和开阔地形等各种场景中运行 —— 因此这个框架必然是多维的。

这个框架目前还不是什么

RCF 定义了类别，但还没有规定指标、测试条件或合格/不合格的阈值，第三方无法据此独立核实某台机器人属于某个等级。独立分析人士已经指出了这一区别：一套共同的语言能改善需求撰写和厂商比较，但要实现可复现的跨厂商评估，需要公开的基准、经过验证的数据集和一致性评估程序 —— 这些 Arm 都还没有给出。拿 SAE 作类比反而加重了这层担忧：汽车的 L3 和 L4 级，是在 ISO 和 SAE 制定了带有具体性能指标和运行设计域要求的后续技术标准之后，才真正变得实用的。

Arm 正在邀请业界共同进一步完善 RCF。与计划成员的协作会议预计将在未来几个月内开始。

算力基础：Arm Zena CSS

物理 AI 生态系统的算力层以 Arm Zena 计算子系统（Zena CSS）为基础。Zena CSS 基于 Armv9 汽车增强（AE）架构打造，集成了 16 个面向 ADAS 和车载信息娱乐负载的 Cortex-A720AE 应用核心、一个基于锁步 Cortex-R82AE 集群打造并具备 ASIL D 诊断能力的专用安全岛（Safety Island），以及一个目标为 ASIL B 的运行时安全引擎。可选的图像信号处理通过 Mali-C720AE 和 Mali GPU 提供，用于环视和驾驶员监测应用。

Arm 声称，通过在客户开始自己的设计周期之前完成预集成和预验证，Zena CSS 最多能把汽车 SoC 的开发时间缩短 12 个月，并把芯片工程工作量减少最多 20%。Total Design 计划被定位为这一基础之上的生态系统层：Zena CSS 提供经过验证的算力平台；计划合作伙伴提供可互操作的软件栈、AI 模型、传感器、执行器和系统集成。Arm 举了一个具体的联合成果：Arm、AWS、谷歌、HERE、RemotiveLabs 和西门子共同开发了一套集成式数字座舱参考方案，在最终芯片面世之前就已在 Zena CSS 上完成验证。

Arm 合作伙伴名单中的英伟达难题

80 多家创始成员之一是 AI 模型平台 Hugging Face，它托管着超过 300 万个开源模型，有超过 20 万家公司和 1800 万名开发者在使用。Arm 将 Hugging Face 列为关键合作伙伴，由它为机器人团队提供开放权重的视觉、语言和操作模型。

就在 Arm 9 月 8 日发布的六天前，英伟达向美国证券交易委员会提交了一份 8-K 文件，披露了收购 Hugging Face 的协议，交易金额约为 129.3 亿美元，预计在 2027 年上半年完成，尚待监管批准。英伟达的 Isaac 平台 —— Isaac ROS、Isaac Sim 和 Isaac 基础模型 —— 是物理 AI 算力领域中与 Arm 生态路线竞争的主要架构。英伟达的 GPU 硬件主导着 AI 训练和机器人推理负载，在这些高度并行的场景中，GPU 胜过 CPU 和 NPU 架构。

Arm 是在收购消息已经公开之后，才把 Hugging Face 列入名单的。黄仁勋承诺让 Hugging Face 保持为一个开放、多云、多加速器的平台，不要求使用英伟达的算力。随着英伟达不断深化其物理 AI 技术栈，这种中立能否维持 —— 以及企业买家是否会把一个归英伟达所有的 Hugging Face 视为 Arm 生态中真正中立的合作伙伴 —— 是这笔尚未完成的交易还无法回答的问题。

延伸阅读：英伟达同意以 129 亿美元收购 Hugging Face，接管开源 AI 枢纽

80 家合作伙伴覆盖了哪些环节，互操作性又能带来什么

该计划的创始成员覆盖了一套可用的自主系统所需的各个层级：芯片方面有恩智浦（NXP）和亿咖通（ECARX），安全操作系统方面有 QNX（黑莓旗下的汽车实时操作系统子公司），AI 模型推理方面有 Liquid AI 和通义千问（Qwen），云基础设施方面有 AWS，工业自动化软件方面有西门子，终端硬件系统方面有宇树科技（Unitree Robotics）和 PSYONIC。参与制定 RCF 规范本身的公司包括 ANYbotics、傅利叶（Fourier）、银河通用（GALBOT）、Gravis Robotics、麦肯锡和 Robotec.ai。

O'Driscoll 清楚地指出了其实际价值：当一家打造工业机器人的整机厂商（OEM）能够确认，来自多家生态成员的组件已经在一个已知的算力平台上实现了互操作，集成工作量相比逐一认证每个组件会大幅下降。这种集成上的摩擦 —— 而不是组件成本或模型质量 —— 通常才是工业机器人部署的首要障碍。

汽车领域的合作伙伴表现出尤其浓厚的兴趣，因为他们为汽车开发的技术 —— 经过安全认证的算力、实时传感器融合、符合 ASIL 的故障管理 —— 能直接对应机器人的需求。基于 Cortex 的 Arm CPU 出现在特斯拉、Rivian、蔚来、梅赛德斯-奔驰、本田和吉利的系统中，这让 Arm 拥有一批经过认证的合作伙伴作为基础，而这是其他物理 AI 生态计划所不具备的。

延伸阅读：触觉成为标配：机器人触觉传感为什么在 2026 年迎来产业拐点

决定这项计划成败的里程碑

O'Driscoll 计划于 10 月 20 日至 21 日在圣克拉拉举行的 RoboBusiness 2026 上发表演讲。买家、标准机构和保险公司是否开始在采购规范中使用 RL 分级，是该框架能否被采用的最重要的近期信号：SAE 的自动驾驶分级之所以在业内站稳脚跟，正是因为有足够多的参与方开始在监管申报和车辆采购合同中一致地使用它们，从而形成了一个自我强化的参考标准。

一致性评估上的缺口，是该计划最重大的技术风险。一套没有外部核查途径的能力分级，会让厂商以雄心勃勃的等级自我认证，制造出 RCF 本来要消除的那种定义混乱。Arm 表示将与业界共同开发，这是应对这一问题的正确做法，但这个框架的实际价值，直接取决于独立的一致性评估体系能多快建立起来。

英伟达收购 Hugging Face 一案在 2027 年上半年的监管结果，也将影响这个生态系统的构成。Arm 的物理 AI 战略，依赖于为英伟达的垂直整合技术栈提供一个广泛可得、算力中立的替代方案。一个真正开放的 Hugging Face 会让这个替代方案更强；而一个与英伟达紧密绑定的 Hugging Face，会拉大两个生态系统之间的差距，迫使 Arm 的合作伙伴决定自己要依赖谁的模型分发基础设施。