📰 从端侧推理到物理AI，芯片行业正面临新考题-钛媒体官方网站
过去两年，AI 讨论聚焦规模，然而2025-2026 年风向转向端侧与物理AI落地。端侧AI在口袋、车间、街头场景逐步普及，挑战来自有限电池、间断网络与严格实时性；从数据中心问答走向多场景部署。物理AI与数字AI存在本质差异，物理世界缺乏统一形态，场景千变万化，导致机器人在新环境中的适应性显著提升仍有限。端侧在成本、隐私与可用性上展现优势，云边端融合成为主流趋势，安全性与实时性成为关键。行业案例显示，导航、课堂、盲人辅助等场景需本地快速处理，单纯云端已难以满足；因此，端侧部署需与云、边协同，形成分层、分工的算力结构。芯片厂商面临边带宽成本、数据搬运等挑战，需通过在图形管线嵌入 AI、强化本地推理与混合 AI 架构来提升效能与能耗比。英特尔等公司提出 XPU、软硬件一体化方案，以及面向多场景的混合 AI 路线，以实现“云边端分工协同”的落地。总之，物理AI 的落地效率与稳定性，将成为未来产业竞争的关键。
🏷️ #端侧AI #物理AI #云边端 #混合AI #算力分工
🔗 原文链接
📰 从端侧推理到物理AI，芯片行业正面临新考题-钛媒体官方网站
过去两年，AI 讨论聚焦规模，然而2025-2026 年风向转向端侧与物理AI落地。端侧AI在口袋、车间、街头场景逐步普及，挑战来自有限电池、间断网络与严格实时性；从数据中心问答走向多场景部署。物理AI与数字AI存在本质差异，物理世界缺乏统一形态，场景千变万化，导致机器人在新环境中的适应性显著提升仍有限。端侧在成本、隐私与可用性上展现优势，云边端融合成为主流趋势，安全性与实时性成为关键。行业案例显示，导航、课堂、盲人辅助等场景需本地快速处理，单纯云端已难以满足；因此，端侧部署需与云、边协同，形成分层、分工的算力结构。芯片厂商面临边带宽成本、数据搬运等挑战，需通过在图形管线嵌入 AI、强化本地推理与混合 AI 架构来提升效能与能耗比。英特尔等公司提出 XPU、软硬件一体化方案，以及面向多场景的混合 AI 路线，以实现“云边端分工协同”的落地。总之，物理AI 的落地效率与稳定性，将成为未来产业竞争的关键。
🏷️ #端侧AI #物理AI #云边端 #混合AI #算力分工
🔗 原文链接
