过去几年,大模型的发展主线是“做得更大”;进入2026年,产业开始更多地讨论另一个问题:如何让AI走出数据中心,进入汽车、机器人、无人系统和工业设备,并在真实环境中持续工作。
这正是物理AI与端侧AI迅速升温的原因。
与云端模型不同,真实设备不能无限增加显卡、内存和散热系统。机器人需要在移动中感知和决策,汽车需要在毫秒之间完成判断,工业设备还要面对网络波动、数据安全和长期稳定运行等要求。因此,端侧芯片比拼的不只是峰值算力,更是有限功耗、存储和散热条件下的有效计算能力。
Arm在其2026年技术趋势判断中,将物理AI与边缘AI同时列为重要方向:一方面,汽车、机器人等设备开始具备感知、理解和行动能力;另一方面,智能持续向设备端迁移,以获得更快响应、更强隐私和更高可靠性。
在刚刚公布的“2026强芯TOP100”中,AI芯片也成为最受关注的板块之一。本文将从“AI芯擎奖”获奖名单中,筛选出五家与端侧AI、物理AI关系较为紧密的厂商,观察国产芯片正在形成的不同技术路线,五家厂商排名不分先后。
“2026强芯评选”由集成电路设计创新联盟、原“核高基”国家科技重大专项总体专家组指导,ICDIA组委会主办,是面向国产集成电路产品和技术的年度推优活动。其中,“AI芯擎奖”专门面向大模型训练与推理、云端与边缘计算、端侧AI芯片,重点考察算力密度、计算精度、内存带宽以及对前沿模型的支持能力。
本届评选共收到近400款芯片产品与技术申报,经过组委会初审,来自171家企业的216款产品进入后续评审。评审专家组由5位集成电路设计创新联盟专家、2位《中国集成电路》编委专家,以及来自集成电路、车规芯片和消费电子等领域的专家组成,并从技术先进性、市场潜力和产业价值等维度进行评议。
从最终获奖产品来看,国产端侧AI芯片已经不再只有一种解法。
黑芝麻智能此次获奖产品为华山A2000家族芯片。
其技术路径具有较为鲜明的汽车产业背景。华山A2000家族面向下一代AI模型,采用CPU、DSP、GPU、NPU等多种计算单元协同的异构架构,并围绕高带宽、高能效及大模型支持能力展开设计。
随着智能汽车与机器人对感知、规划和实时决策能力的需求逐渐趋同,汽车芯片积累的可靠性、传感器接入和实时计算能力,也开始向机器人等物理AI场景迁移。黑芝麻智能已经将华山A2000定位为面向物理AI的算力平台,并形成从智能驾驶向机器人延伸的产品路径。
星凡智能此次获奖产品为星核S1芯片。
与从手机、PC或者汽车芯片向机器人延伸的路线不同,星核S1从设计之初便面向物理AI设备的实际约束:功耗与散热空间有限,存储资源受限,同时还需要处理多模态数据并持续进行实时推理。
围绕这些问题,星核S1采用硬件原生混合精度计算、低比特推理、稀疏化优化及算法—芯片协同设计,根据模型中不同参数和任务的计算需求分配合理资源。它追求的不是简单扩大峰值算力,而是让每一瓦功耗、每一GB存储更充分地转化为端侧智能。
在软件侧,星凡智能通过XBoost端侧加速平台,从算子优化、量化压缩、编译部署等环节释放芯片能力,缩短模型从“可以运行”到“稳定高效运行”的距离。
这种软硬件协同路线,使星核S1不仅是一颗推理芯片,也成为星凡智能端侧产品体系的计算基础。目前,公司进一步通过星核R系列智能引擎,将芯片能力导入具身智能、无人系统等设备,支撑本地多模态处理、模型推理和任务决策。
星凡智能所代表的,是一条更加垂直的技术路线:不把机器人仅仅视为又一种计算终端,而是针对物理AI的任务特征重新思考芯片架构与软件栈。
后摩智能此次获奖产品为后摩漫界M50。
传统计算架构中,数据需要在存储和计算单元之间频繁搬运。随着模型参数量增加,这一过程逐渐成为影响功耗、带宽和推理效率的重要瓶颈。后摩智能选择的存算一体路线,核心思路便是让存储与计算更加接近,减少数据搬运产生的能耗。
根据企业公开信息,M50是一款面向大模型推理的端边AI芯片,提供INT8与浮点计算能力,并通过存算一体架构兼顾模型承载能力和端侧功耗。目前,围绕M50,后摩智能已经推出M.2卡、加速卡和计算盒子等产品,面向AI PC、智能终端、工业自动化和具身机器人等场景。
存算一体的优势在于能效,但其进一步规模化仍取决于软件生态、模型适配以及芯片量产能力。
中星微技术此次获奖产品为采用多核异构GP-XPU架构的“星光智能五号”。
这颗芯片将RISC-V CPU、GP-GPU、NPU,以及ISP、视频编解码和安全处理等模块集成在同一架构中,通过异构资源调度,同时承接视觉感知、语言处理和任务规划等不同类型的计算负载。
根据中星微技术公开资料,星光智能五号能够在单芯片上运行通用语言大模型和视觉大模型,目标是让端侧设备同时具备“看见”“理解”和“执行”的能力,并由此构建本地化智能体。
与单一NPU加速器相比,多核异构路线更强调系统级任务协同,适用于智能制造、城市感知、智慧交通等需要多种计算能力并行工作的场景。
复旦微电子此次获奖产品为可编程片上系统芯片“复徽青龙JFMQL30TAI676H”。
物理AI应用具有明显的场景碎片化特征:机器人、工业视觉、商业航天和医疗设备面对的传感器、算法与实时控制要求并不相同。可编程片上系统的价值,在于能够通过可重构硬件适配不同算法和接口,降低固定架构难以持续跟随模型变化的问题。
复旦微电子近年来持续布局面向端侧AI的异构融合与可编程计算产品,应用方向覆盖工业视觉、机器人、医疗影像和商业航天等场景。
这条路线的特点不是用一种固定架构覆盖所有任务,而是以可编程性换取更长的产品生命周期和更灵活的场景适配能力。
梳理这五家企业,可以看到五条具有代表性的路径:黑芝麻智能将智驾计算能力延伸至物理AI,星凡智能面向真实设备约束设计专用端侧芯片,后摩智能以存算一体突破能效瓶颈,中星微通过多核异构构建本地化智能体,复旦微电子则以可编程架构应对场景差异。
路线虽然不同,指向的产业问题却高度一致:当AI进入汽车、机器人和工业设备,芯片需要解决的不只是“算得多”,还包括“能否实时算”“能否长期算”“能否以合理成本稳定运行”。
因此,未来评价物理AI芯片的指标,可能不再只有TOPS。单位功耗的有效性能、模型承载能力、软件工具链、传感器与本体适配能力,以及真实场景中的稳定运行表现,将共同决定一颗芯片能否真正进入物理世界。
