|
Karthi Gopalan VP of Business Strategy
由AI驱动的小工具往往基于漂移信号采取行动，无法意识到自身出现运行错误。它只是自信、精确地朝着错误的方向执行。没有精度的自信，算不上智能。这是一种隐患。
系统接收的指令与物理世界中实际发生的情况之间的差距，只能由一样东西来弥合：其底层的模拟基础，而这一基础无处不在。
AI已成为整个物理世界的运行层，嵌入了各类工厂、车辆、机器人、卫星和数据中心之中。AI技术已横向扩展，但在每个智能系统之下，都有一个让一切成为可能的基础。而这个基础就是模拟技术。
当业界还在争论模型、参数和计算机架构时，信号层面正上演着一场更安静、却影响更深远的变革。每一个自主系统，无论其软件多么复杂，最终都必须感知现实世界、对其作出响应，并在其中采取行动。物理世界与数字世界之间的接口就是模拟技术，随着系统变得越来越智能，这一接口不仅在扩展，更在成倍增长。
我所说的“信号链”，是指从传感器出发，经由模拟前端、转换、同步、供电和控制，直至模型实际接收数据的端到端路径。
问题已不再是AI是否在边缘运行。问题在于其底层的模拟基础是否足够深厚，这不仅关乎系统的可靠性，更关乎其速度、精度以及能否达到应用所需的最高性能水平。
模拟附着曲线
为了理解这在实践中的含义，有必要为物理AI从原型走向量产时每次都会出现的模式进行命名。
在物理AI所渗透的每个领域，都存在一种反复出现的模式。随着机器的能力、自主性、精确性和安全关键性不断提高，运行它们所需的模拟和混合信号内容并非线性增长，而是呈复合式增长。
注：乘数因子表示方向性和示意性，用于展示曲线的形态。
图1：模拟IC内容与自主性的关系 如图1所示，随着自主性提升，模拟内容呈指数级增长：更多的传感器接口、更多的数据转换器、更多的电机控制通道、更多的电源轨，以及更严密的安全监控。
人形机器人正是这条曲线最具说服力的体现。每一个手势、每一步骤、每一个决策，都可追溯到200个以上的模拟IC，它们涵盖了每个关节的电机控制、位置传感、扭矩和力反馈、电源管理，以及涵盖LiDAR、视觉、触觉、压力和阻抗的感知层。在指尖，毫米与毫秒决定了一次抓握能否成功，其架构在此再次复制。智能提升。信号链随之深化。在每一层，需求不仅在于信号是否足够可靠，更在于信号是否足够精确、足够快速且足够稳定，以支撑实际运行。
图2：人形机器人各关节处电机控制所涉及的IC数量
图3：人形机器人平台信号链解析图 人形机器人的信号链在每个关节处重复出现：电机驱动与电流检测、位置反馈（编码器/旋转变压器）、扭矩/力反馈、本地电源管理以及高完整性通信——并延伸至指尖压力/阻抗传感，以确保稳定抓握。模拟技术并不逊色于AI。正是模拟技术让AI得以物理化。而瑞萨电子的端到端解决方案就是为了实现这一目标。
为何缺乏纵深发展的横向扩展会失败
工业环境在电气特性上非常“不友好”。温度波动、振动、电磁噪声以及长距离线缆传输都会降低信号质量，且软件事后无法进行补偿。一个在热应力下漂移半度的位置传感器不会触发错误标志，而是会产生一个错误的答案，而AI系统会据此充满信心地采取行动。
这就是实验室中表现良好的AI与现场实际运行的AI之间的差距。
弥合这一差距所需要的不仅仅是元器件，更需要一种端到端的信号架构——其中传感、控制、供电和连接经过精心设计，作为一个整体系统协同工作，而非事后拼凑而成。
在物理AI中，精度并非单一的技术指标，而是系统的固有属性。其体现在校准、时序、电源完整性以及具备故障感知能力的控制之中。
未来十年
最终胜出的系统不会是拥有最大模型的系统，而是那些在现实世界中，能够战胜温度、振动、延迟、噪声、功耗预算、安全约束以及长生命周期等种种挑战，提供最可靠性能的系统。
这不是一个软件问题，而是一个信号链问题。若您正在构建物理AI，请将模拟技术视为一个首要的设计要素：尽早规划架构，明确分配预算，并将感知、控制、供电和连接作为一个整体系统进行工程设计，而非一堆零部件的堆砌。
关键要点
随着自主性增强，模拟与混合信号的深度呈复合式增长——性能、精度和可靠性成为决定性因素，而不仅仅是模型规模的大小。
现场环境会因漂移、电磁干扰、振动和线缆损耗导致系统故障——上游信号完整性误差往往表现为“自信满满”的AI所造成的失误。
成功的架构需要将传感、控制、供电和连接作为一个经过工程化设计的信号系统——在设计早期便整体规划，明确分配预算，并面向现实世界而构建。
AI正在横向扩展。胜出者则在纵深发展。这场竞赛已然拉开帷幕。
| 
