算力越做越大，人形机器人为什么还量产不了？

摘要: 大算力芯片只是人形机器人商用落地进入产线的第一关。

近年来，人形机器人的“脑力”正在迅速膨胀。英伟达在2021年发布的Jetson AGX Orin最高算力为275 TOPS；Jetson Thor把低精度稀疏算力一下子推到2070 TFLOPS；在国内，地瓜机器人旭日S600给出560 TOPS@INT8；小鹏IRON搭载3颗自研图灵芯片，公开总算力达到2250 TOPS。

单从算力来看，人形机器人的算力似乎已经有点过剩了。

然而，一旦涉及到真实的场景落地，仅仅对比算力已经不够了。

2026年7月15日，地瓜机器人在旭日S600媒体沟通会上披露，旭日S600以560 TOPS进入高性能机器人计算市场。为了验证真实工作负载，地瓜机器人展示了空间感知、MultiCAM SLAM、VO-DP+、HoloBrain和WM-LOCO等算法。这款具身智能算力平台已经与20多家机器人和具身模型企业展开合作，并与超过100家软硬件及解决方案伙伴完成协同适配。这个进展反映出国产高算力平台已经进入客户测试范围，但合作、点亮、真机适配、量产验证和批量交付是不同阶段，数量之间不能直接画等号。

地瓜机器人开发者生态副总裁胡春旭

“过去的炫技时代，一次翻跟头、一次成功抓取就足够吸引眼球；但如今我们已经进入真正的生产力时代，要求机器人能在环境中稳定、连续作业，具备高可靠性，耐受户外严寒与室内高温，在各类工况下都能稳定运行。” 地瓜机器人开发者生态副总裁胡春旭对与非网记者表示，人形机器人算力竞争已经进入第二阶段。能够运行VLA、VLM或大语言模型，只说明计算平台具备承载新一代算法的可能。模型能否在机身功耗内低时延运行，感知、规划和控制能否长期并发，机器人能否跟上生产节拍，部署成本能否算过ROI，还要在真实工位逐项验证。

人形机器人算力竞赛，为什么不能只看TOPS？

首先要明确一个概念:芯片厂商公布的AI性能通常建立在特定精度、稀疏率和峰值条件之上。

真正影响机器人体验的是“有效算力”。同一个模型在目标精度下能跑多少帧，端到端时延有多长，多路相机、激光雷达和力觉数据并发时是否争抢内存，VLA推理与运动控制同时运行会不会抖动，芯片在机身散热条件下能维持多长时间的峰值性能，这些指标比单一的对比TOPS更接近实际的使用场景。

所以在笔者询问旭日S600已经达到560TOPS的算力，对于人形机器人是否已经够用了？

地瓜机器人CEO王丛

对于这个问题，地瓜机器人CEO王丛坦言：“现在行业里没有任何的一个标准，这个芯片算力应该做到多大，也没有任何一个人跟我说你的算法要跑多大……所以这个问题每年都有不一样的答案。”

实际上，由于具身智能算法仍在快速变化，芯片的算力需求也很难在短时间内固化。比如这一代的机器人可能把视觉感知、定位和运动控制分散到多块计算板上，下一代产品则希望把世界模型、任务规划和控制闭环装进一个平台。模型参数继续增加，低精度量化又在降低推理负担；传感器数量上升，算法也在通过端到端架构减少中间模块。

人形机器人所需的并非一颗孤立的“大算力芯片”，而是一套覆盖云端训练、端侧推理和实时控制的计算系统。

其中云端负责模型训练、数据生成与仿真，端侧高算力平台承担视觉感知、环境理解、任务规划和多模态交互，实时控制单元则处理关节、电机与执行器指令。三个分层之间能否顺畅协同，直接影响机器人的响应速度、运动稳定性和任务成功率。单纯提高机器人本体的TOPS，无法自动解决控制时延、系统功耗、散热、续航以及规模量产等问题。

上图根据“高算力大脑平台”和“轻量级主控平台”进行了分类，其中不同平台尽管峰值算力有所差距，但是不能简单的进行算力排名。

因为计算精度、稀疏率、模型结构、芯片利用率和测试条件不同，同一个算力数字对应的实际推理性能可能相差很大。即便两款芯片的TOPS接近，在运行视觉模型、语言模型、世界模型或运动控制算法时，也可能呈现完全不同的时延、功耗和吞吐表现。

对机器人厂商而言，真正有价值的是能够持续调用的有效算力。人形机器人需要同时处理摄像头、深度相机、激光雷达、IMU、力传感器等多路数据，还要完成模型推理、任务调度、通信和安全控制。如果内存带宽不足，算力单元可能长期等待数据；如果软件栈不能充分调用GPU、NPU和CPU，峰值算力也很难转化为整机性能。此外，端侧平台还要满足长时间运行、快速唤醒、低时延控制和异常状态下的安全响应，这些要求共同决定了一颗芯片能否真正进入机器人产品。

具体到每家算力芯片商。其中英伟达的核心优势仍然是通用计算和软件生态。Orin已经形成较成熟的商品化模组，开发者可以借助CUDA、JetPack、TensorRT和Isaac完成模型开发、部署和仿真，服务器上训练的模型也更容易迁移到机器人端侧。Thor进一步提升低精度推理能力、内存容量与带宽，并与GR00T等机器人开发体系结合，适合需要快速验证多模态模型和端到端算法的团队。

这套方案的代价同样明确。Orin公开功耗范围为15—60W，Thor达到40—130W。计算平台每增加几十瓦，都会传导到电池容量、散热结构、整机重量和续航时间。高性能模组的采购成本也会影响机器人的整体物料成本。研发阶段，通用平台有助于缩短从算法到真机的距离；进入批量生产后，整机厂需要重新评估性能冗余、供应稳定性和单位成本。英伟达能够守住高端通用开发基线，但其在规模量产阶段的份额，还要看机器人企业对功耗和成本的容忍度。

相比英伟达，国产芯片商地瓜机器人正在从本土工具链、软硬件协同和实时控制等方向切入。旭日S600采用4核Nash BPU承担AI推理，18核Cortex-A78AE处理任务调度与通用计算，6核Cortex-R52+负责安全实时控制，内存带宽达到204.8GB/s。其设计思路是让模型推理、系统任务和控制闭环在同一SoC内分工，减少多个计算模块之间的数据交换和系统集成压力。

在软件层面，S600通过RDK Studio、RoboGo和Moss Agent Engine覆盖开发、训练、量化、部署与真机调试。相比单纯公布TOPS，这种平台化思路更贴近机器人企业的实际需求。芯片厂商不仅要提供硬件，还要帮助客户迁移模型、适配传感器、打通操作系统并解决真机调试中的问题。S600下一步需要证明的，是这套工具能否在不同客户和机器人型号中复用，使项目合作逐步从共同开发转向标准化交付。

高通IQ-9075和黑芝麻智能SesameX Liora则延续了汽车与工业计算平台的部分能力。IQ-9075将AI加速器、Kryo CPU和实时MCU集成在4nm SoC中，强调工业温度、长期供货和实时子系统，具备从AMR、工业机器人延伸到人形机器人的基础。Liora面向世界模型、端到端控制和多模态感知，试图将车规异构计算经验带入具身智能。两类平台在可靠性、软硬件整合和控制协同方面具有切入口，但目前公开的人形机器人批量交付数据仍然有限，更适合被视为进入验证阶段的挑战者。

小鹏代表整机厂自研芯片的垂直整合路线。自研图灵AI芯片可以围绕自家模型、传感器、数据和机器人本体进行联合优化，软件与硬件团队也能按照同一产品节奏迭代。它的风险在于研发投入、流片成本、工具链维护和芯片规模效应都要由整机销量承担。小鹏已经公布IRON采用三颗图灵AI芯片以及2026年底量产的目标，但最终仍要由实际交付验证。特斯拉Optimus当前端侧芯片的明确型号、算力和批量交付数据尚未充分公开，因此不宜强行纳入参数比较。

瑞芯微、英特尔和AMD则处在机器人算力链条的其它位置：RK3588凭借较低成本、成熟开发资源和供货基础，可以承担整机主控、视觉处理或轻量级“小脑”；英特尔Core Ultra依靠x86兼容性切入工业控制、机器人上位机和通用计算；AMD Ryzen AI、Kria等平台则通过CPU、GPU、NPU或FPGA异构计算，支持端侧推理、原型验证和部分低时延任务。这些产品并没有与人形机器人的大脑”平台正面竞争，而选择在控制、连接、视觉或辅助计算环节占据重要位置。

人形机器人商用量产要跨过哪四道门槛？

主流人形机器人出货现状，来源:与非研究院整理

2026年被人形机器人行业称为“商用元年”，出货量增长只是其中一个表现。更具实质意义的变化是，机器人开始走出实验室和展馆，进入工厂及具体业务流程，接受可靠性、成本、交付能力和投资回报率的共同检验。随着整机从技术演示转向产品交付，作为机器人“大脑”和“小脑”底座的算力平台，也进入商业化验证阶段。

地瓜机器人开发者生态副总裁胡春旭认为，具身智能量产由四方面力量共同推动：资本开始进行长期投入；算法平台、传感器和硬件等技术底座持续成熟；各类场景对提高作业效率的需求加快释放；产业链上下游的协同能力逐步提升。不过，形成量产共识并不等于已经解决量产问题。机器人从实验室样机走向工厂稳定作业，仍然存在巨大的工程鸿沟，模型部署、有效算力、硬件可靠性和产线回报缺一不可。

从公开案例看，算力平台的商业落地大致经历四个阶段。首先是芯片或模组完成商品化，例如Jetson Orin与Thor；其次是搭载相关平台的机器人进入开发者市场，例如宇树G1 EDU可以选配Orin；随后是客户完成真机适配、场景测试或量产验证，例如旭日S600与多家机器人企业开展合作；最后才是明确的批量交付和规模应用。小鹏IRON虽然提出2026年底量产目标，目前仍属于规划阶段。

这四个阶段不能直接画等号。芯片模组能够稳定供货，不代表搭载它的机器人已经在工厂批量运行；完成芯片点亮或真机适配，也只能说明技术路线基本可行。真正进入量产，还要经过订单、整机良率、供应链组织、产线节拍和交付成本等多重检验。

以地瓜机器人推出的旭日S600为例，目前披露的合作方包括它石智航、优必选、北京人形机器人创新中心、人形机器人（上海）有限公司、千寻智能、自变量机器人、智在无界和帕西尼等。不同项目进度并不一致，有的完成了算力适配，有的仍处于真机测试，也有部分机型公布了后续量产验证或批量交付计划。因此，现阶段更准确的判断是，S600已经进入多客户适配和量产验证阶段，距离大规模商业交付仍需要更多数据证明。

地瓜机器人CEO王丛对此保持谨慎：“到今年，我觉得已经进入到‘部分场景可落地、开始出现真正产品级应用’的阶段。”目前相对容易部署的任务，主要集中在物料转运、上下料、分拣和巡检等边界清晰的场景。行业的考核标准正在从机器人“能不能动”，转向“能不能稳定干活”。要实现跨工厂、跨行业复制，算力平台还要跨过四道门槛。

第一道门槛是模型部署和软件迁移。行业正在探索将VLA、世界模型等大模型部署到机器人端侧。如果模型主要运行在云端，网络延迟和抖动会影响控制的实时性与可靠性；如果转移到端侧，又要面对功耗、成本、内存容量和带宽等约束。模型从训练框架迁移到BPU、NPU等异构平台，还要完成算子适配、量化、精度回归、内存调度和性能分析。

王丛表示：“切换到不同的芯片架构，就必然需要投入更多人员做算法迁移和适配，这是更换技术路线的正常现象。”芯片性能可以在一两代产品中迅速提高，算子库、开发工具、调试能力、技术文档和工程人才却需要长期积累。如果国产平台长期依赖驻场工程师逐个项目适配，客户越多，交付压力可能越大。因此，工具链成熟度最终要由迁移周期、投入人力和后续维护成本衡量。

第二道门槛是把峰值算力转化为可持续调用的有效算力。人形机器人需要同时处理相机、激光雷达、IMU、编码器和力觉数据，完成感知、定位、任务规划和动作生成，再把结果发送到数十个关节的控制回路。VLA模型能够跑通，只覆盖了整个计算链条的一部分。当模型参数、视觉特征和多路传感器数据频繁搬运时，内存带宽可能比AI计算单元更早成为瓶颈。

公开资料显示，Orin 64GB与S600的内存带宽均为204.8GB/s，Thor提升到273GB/s，高通和黑芝麻相关平台则缺少统一口径下的整机内存带宽数据。在没有统一基准模型、计算精度、批量大小和功耗条件的情况下，TOPS只能说明理论上限。指定模型的推理吞吐、首帧时延、多任务并发能力，以及长时间运行后是否降频，更接近机器人厂商需要评估的实际性能。

第三道门槛是协调“大脑”与“小脑”的不同时间尺度。大模型完成高层决策可以使用几十毫秒甚至更长时间，关节和电机控制则要求更短、更确定的响应。S600配置Cortex-R52+实时控制核心，IQ-9075也设置了实时MCU子系统，反映出芯片厂商正在将感知决策与安全实时控制整合到同一SoC或计算平台。

这种集成有助于减少板卡数量和数据往返，降低整机复杂度，但也提出了新的可靠性要求。当视觉推理、语言交互、路径规划和关节控制同时运行时，平台能否保证实时任务的确定性，需要通过真机长时间、高负载运行验证。展会现场的一次流畅动作，无法替代异常状态、温度变化和持续负载下的可靠性测试。规模量产还要求PCB和接口标准化，并完成耐高温、耐冲击、高负载等认证，这些工作需要芯片、本体、传感器、控制器和制造企业共同推进。

第四道门槛是产线成功率、作业节拍和投资回报率。工厂要求机器人长时间重复作业，在发生识别错误、抓取失败或路径阻塞后安全恢复，并与前后工序保持节拍一致。模型推理增加几十毫秒、偶发识别错误或重新规划路径，都可能转化为生产效率损失。

它石智航联合创始人陈同庆指出：“所以，POC验证技术可行，产线验证商业可行。产业化不是把POC放大一点，而是重新回答良率、产能和ROI这三笔账。”机器人进入工厂后，还要接入WMS、MES和安全系统，适应不同工位、物料、照明条件及人员流动。如果每增加一个工位都要重新采集大量数据并调试数周，规模复制便难以成立；如果停机恢复长期依赖人工，节省的劳动力成本也可能被运维投入抵消。

因此，2026年所代表的“商用元年”，更接近人形机器人从样机竞争转向产品和产线验证的起点。对于S600等国产算力平台而言，获得多家机器人企业的适配机会只是第一步。

它石智航联合创始人陈同庆

从算力到生态，更高维度的竞争

人形机器人算力竞争的下一个问题，是国产平台能否复制英伟达的CUDA生态。

CUDA的壁垒远不止GPU性能，还包括编译器、算子库、开发框架、调试工具、技术文档、开发者社区和工程人才。英伟达又通过JetPack、Isaac和商品化模组，将云端训练、仿真验证与端侧部署连接起来。围绕这套体系，开发者已经积累了大量代码、工具和项目经验，切换芯片架构往往要重新处理算子支持、模型量化、精度回归、内存调度与性能优化。即使国产芯片拥有接近的峰值算力，也很难在短期内复制CUDA长期形成的软件黏性。

不过，人形机器人行业尚未形成统一的硬件架构和开发标准，这给国产SoC留下了市场窗口。机器人既要运行VLA、世界模型和多模态感知算法，也要处理多路传感器数据、系统任务调度和关节实时控制。通用GPU在开发生态上占优，却未必能够同时满足功耗、成本、控制确定性和本地化服务需求。国产平台可以先从端侧推理、实时控制、本地供应和场景适配切入，在具体机器人任务中建立优势，再逐步扩大开发者基础。

地瓜机器人等国产厂商的机会也在这里。据介绍，旭日S600将BPU、CPU、实时控制核心和多传感器接口集成在同一SoC中，并通过RDK Studio、RoboGo等工具覆盖模型量化、部署、性能调试和真机开发。提供空间感知、MultiCAM SLAM、VO-DP+、HoloBrain和WM-LOCO等算法，一方面向客户提供参考能力，另一方面也用于验证多路视觉、Transformer算子和运动控制闭环能否在平台上稳定运行。地瓜提供的已经不只是一颗芯片，而是一套覆盖硬件、操作系统、开发工具和基础算法的机器人计算底座。

但开放平台仍然要面对迁移成本。地瓜机器人CEO王丛表示：“切换到不同的芯片架构，就必然需要投入更多人员做算法迁移和适配，这是更换技术路线的正常现象。”有端侧量化和智能驾驶开发经验的团队，通常能够更快完成迁移；过去主要从事算法原型开发、缺少量化部署经验的团队，上手成本则会更高。英伟达平台要获得较高效率，同样需要进行深度量化和性能优化，只是大量开发者已经熟悉其工作流程，相关成本不再显得突出。

这也决定了地瓜机器人需要解决的核心问题：如何把一次性的工程支持沉淀为标准化工具。胡春旭介绍，地瓜的软件体系基本采用开放方式，并配套技术文档和Agent开发工具，希望降低二次开发门槛。他举例称，团队近期帮助客户适配一款此前未支持的相机传感器。传统方式需要经验丰富的ISP工程师花费5至10天进行调优，使用Agent工具后，约两个小时便获得了人眼难以察觉色差的图像效果。这个案例显示了自动化工具提高适配效率的潜力，但其通用性仍需在更多传感器、算法和机器人项目中验证。

在此基础上，地瓜提出了“母生态”的定位。按照胡春旭的解释，“母生态”并非由地瓜完成所有软硬件环节，而是提供行业通用的标准化平台，让本体、传感器、执行器、控制器、操作系统和应用开发企业在同一底座上协同开发。地瓜希望通过芯片、模组、操作系统、开发工具、基础算法和标准接口，成为机器人领域的“最大公约数”。

据透露，过去多年地瓜机器人已经连接全球10万余名开发者，参与打造数百万台机器人产品，落地机型超过百种，平台沉淀了400余款智能算法和应用；算力产品覆盖5 TOPS至560 TOPS，并提供芯片、模组和开发套件等不同形态。这些积累主要来自此前的消费级、服务型及其他机器人产品，能否顺利迁移到具身智能和人形机器人，还要看不同技术资产的复用程度。

已有案例提供了初步验证。维他动力Vbot超能机器狗采用旭日S100，在端侧运行自然语言交互和环境感知模型；加速进化的中小尺寸人形机器人采用旭日S100P承担大脑计算，并通过RDK X5处理双目感知。双方还计划基于S600探索多模态机器人的端侧应用。上述项目表明，地瓜的平台已经进入具体产品，但从单个项目走向跨客户复制，仍需经历更长时间的量产检验。

目前地瓜机器人已与博世半导体、兆易创新等硬件伙伴完成基于旭日S600的深度适配，与思特威、OV等感知厂商完成方案打通，与立讯精密、知行科技、金脉电子、华勤技术等汽车产业Tier1机器人团队，合作推出基于旭日S600的量产级机器人控制器方案。通过上下游提前协同适配，有效降低客户整机集成、调试与量产试错成本。

最后，笔者认为，未来两三年，随着VLA、世界模型和多模态感知进入机器人本体，厂商竞争将从算力延伸到内存容量、带宽、异构计算、实时控制和开发效率。与其打造人形机器人领域的CUDA生态，更现实的方向是先成为国产机器人计算平台中的通用底座，在端侧推理、实时控制、软硬件协同和本地工程服务方面建立差异化优势。从算力到生态，国产人形机器人算力芯片将迎来更高维度的竞争。