芝能智芯出品

CES 2026 上高通把AI分成兩個部分，一個是個人AI，一個是物理AI，Physical AI（物理 AI）可以理解為“讓 AI 真正進入現實世界并產生可持續價值的能力集合”，高通在汽車與機器人領域的動作，從SoC 方案慢慢拓展到一套成型的、可規模復制的系統方法論。

高通在“高能效異構計算 + 端側 AI + 安全級系統”上的積累，慢慢兌現出完整的能力。

Part 1智能汽車是物理AI最成熟的落地形態

物理 AI 的劃分中，智能汽車是目前復雜度最高、商業化最成熟的載體，全球已有超過 4 億輛汽車采用驍龍數字底盤方案，其中 7500 萬輛搭載驍龍座艙平臺。CES 2026 上，高通對汽車趨勢變化是架構融合與 AI 能力的系統級下沉。

一個代表性產品是 Snapdragon Ride Flex，這套方案把輔助駕駛和座艙用上“同一個大腦”，在單顆 SoC 上實現安全關鍵系統與非安全系統的共存，讓入門級和中端車型也能具備基礎的輔助駕駛與智能座艙能力，在中國市場對成本的追求，使得艙駕一體在中國市場進入量產階段，并開始形成規模效應。

在驍龍汽車平臺至尊版（如 8397、8797）上，高通新目標是把“具身智能體 AI”引入汽車，車內 AI迭代成能夠理解情境、持續學習、在不同子系統之間協同決策的智能體。

在軟件層面，高通與谷歌的深度合作，通過統一的軟件棧、可預測的 OTA、虛擬 SoC 等工具鏈，車企可以在整個車型生命周期內不斷疊加 AI 能力。

智能汽車已經成為一個標準化程度極高、驗證充分的復雜自動化系統，這正是高通后續布局機器人的重要基礎。

Part 2機器人：物理 AI 的核心增長曲線

汽車是“已經跑通的物理 AI”，在全球范圍來看機器人（最重要的人形機器人）是正在進入加速區間的下一站。

在 AI 的推動下，未來十多年內，機器人有望創造接近 1 萬億美元的經濟價值，機器人行業要從“實驗室原型”走向“可部署、可規�；�”的真實應用，這是高通切入機器人領域的角度。

高通在機器人領域給出了一套端到端的統一架構：從異構計算芯片，到復合 AI 系統，再到數據飛輪與機器學習運維（MLOps）。

在汽車輔助駕駛中已經高度成熟的能力，遷移到機器人系統中，包括多傳感器融合、定位與建圖、AI 規劃與控制，能力的共通點是都必須在非結構化的物理環境中穩定運行。

為了支撐這一體系，高通發布了面向機器人和工業自動化的 躍龍 IQ10 處理器，這顆具備 18 核 Oryon CPU、數百 TOPS AI 算力、支持多攝像頭輸入，并符合工規級溫度與功能安全要求的處理器，覆蓋從家用服務機器人、AMR，到更復雜的人形機器人。

高通在機器人領域不光是芯片解決方案，也是要幫助客戶一起解決機器人如何持續學習并產生經濟價值的問題。

通過 AI 數據飛輪、仿真、再訓練與本地部署工具鏈，希望讓機器人像汽車一樣，具備可迭代、可維護、可升級的生命周期。

把汽車和機器人放在一起看，可以更清晰地理解高通的“物理 AI”方法論，有幾個要點：高能效的異構計算、端側 AI 與隱私保護和安全與可靠性。

在車載系統還是機器人，功耗與散熱都是硬約束，在目標功耗下，長期穩定運行復雜 AI 工作負載的能力很重要。

從車內智能體到工業機器人，本地推理、低時延響應、數據不出端，正在成為默認要求，高通持續強化 NPU 能力，并把 Edge Impulse、本地大模型部署納入物聯網和機器人體系的原因。

當 AI 進入現實世界并具備行動能力，功能安全、系統隔離和確定性行為不再是“加分項”，而是基本門檻。這一點，在汽車與人形機器人領域尤為關鍵。

小結

從“AI in device”走向“AI in the world”，物理 AI 已經通過智能汽車的規模化落地，驗證了這條路徑的可行性，并開始把同樣的系統能力復制到機器人領域。

       原文標題 : CES 2026 | 高通“物理 AI”：從智能汽車到機器人