AI走向量产，安富利如何重新定义技术分销？

随着AI硬件从原型开发进入规模化部署，技术分销商能否从器件供应者进一步成为客户系统架构和工程决策的参与者？

导语：AI产业进入量产阶段，技术分销商的角色正在变化

过去几年，人工智能产业的关注焦点主要集中在大模型参数、训练算力和数据中心建设。但随着AI逐步进入机器人、工业设备和智能终端，产业面临的问题也开始发生变化。算力如何与传感器、电源管理、高速连接及控制系统协同？如何在性能、功耗与成本之间取得平衡？产品从原型验证走向批量交付，又该如何保证可靠性和供应链稳定性？

近日，以“算力赋能，产业拓界”为主题的安富利智慧科技生态圈论坛在深圳举行。论坛围绕AI基础设施、物理AI商业化和AI应用创新展开讨论。其中，物理AI从概念验证走向规模量产所面临的工程挑战，成为产业链企业关注的重点。

“有些产品不是说做出原型机就能量产了。”安富利中国区现场应用管理总监丁国骄（Grace Ding）在媒体采访中指出，产品进入量产阶段，还需要解决成本、可靠性、安全性及供应保障等一系列问题。

这一变化也在重新定义技术分销商的角色。在接受采访时，丁国骄与安富利华东区销售总监王航（Tom Wang）介绍，安富利正在将技术支持进一步延伸至客户的系统架构设计、原型验证、量产准备和供应链协同环节。当AI硬件的竞争逐渐从单颗芯片性能延伸至整个系统的工程能力，连接上游半导体原厂与下游设备制造商的技术分销商，也开始面临新的市场机会与竞争压力。

从云端到端侧，AI带来新的半导体增长机会

AI基础设施建设仍然是当前半导体市场的重要增长动力，但客户对硬件的需求正在发生变化。随着大模型训练和推理规模持续扩大，数据中心需要的不仅是性能更高的GPU，电源管理、散热、高速互联和存储等配套系统的重要性也在不断提高。

王航表示，从目前接触到的市场需求来看，AI基础设施仍是规模最大的业务机会之一。他将AI基础设施比作正在建设的“高速公路”，而边缘AI和端侧AI应用，则是未来在这条高速公路上运行的车辆。

安富利华东区销售总监王航

这一判断背后，是AI算力平台对半导体器件需求结构的改变。

以AI数据中心为例，随着计算性能和功率密度提高，电源转换效率、供电稳定性和散热能力逐渐成为制约系统性能的重要因素。王航指出，目前电源和散热是需求变化较为显著的两个领域。特别是在高功率密度条件下，传统散热方式面临更大压力，液冷等技术正在受到越来越多客户关注。

与此同时，高速连接器和光通信器件的需求也在增长。王航透露，安富利已经观察到部分电源器件、连接器及光通信产品出现供应紧张的情况。过去，分销商可能只需要解决一两个品类的缺货问题，如今则需要构建系统性的应对策略，必须从完整BOM出发，综合考虑原厂产能、客户需求预测、物流和库存管理，从而保证整套系统按计划交付。

这意味着，AI基础设施带来的市场机会已经延伸至计算芯片之外的多个半导体及电子元器件领域。对于技术分销商而言，能够同时覆盖多个产品品类，并协调不同原厂的技术和供应资源，正在变得更加重要。

不过，AI基础设施并不是唯一值得关注的市场。

在王航看来，云端、边缘和终端AI实际上处于协同发展的状态。尽管数据中心建设在投资规模上更为突出，但大量应用创新已经同步展开，工业自动化、物流仓储、机器视觉、自动化测试以及医疗康复等领域，都正在出现实际的端侧AI需求。

这些应用有着不同于数据中心的技术约束。例如，工业视觉系统需要满足实时响应和长期稳定运行的要求，移动机器人还要考虑电池续航、体积与运动控制，而医疗康复设备则对可靠性和系统安全提出了更高要求。单纯提高处理器算力，未必能够解决这些问题。

安富利面向中国市场设立了AI事业部、汽车事业部及风光储充事业部，但这些市场的技术边界正在相互交叉。例如，智能汽车在计算平台、传感器融合和控制系统方面积累的技术经验，可以部分迁移至人形机器人；新能源领域的电源技术，也能够为AI基础设施提供支持。

从这个角度看，AI给半导体产业带来的影响，已经超出了计算芯片本身。随着更多智能应用进入实际产品，围绕计算、感知、连接、供电和控制形成的系统级需求，将为上游芯片厂商和技术分销商打开新的市场空间。

从展台演示到批量交付，Physical AI还缺什么？

人形机器人正在成为Physical AI（物理AI）最受关注的应用方向之一。如今，机器人已经能够完成行走、抓取、搬运等多种任务，但从展台演示走向工厂、仓库等真实应用场景，仍然存在相当大的工程挑战。

在丁国骄看来，物理AI商业化首先需要解决算法泛化能力与实际应用需求之间的差距。

与运行在数字环境中的AI模型不同，机器人必须直接面对复杂的物理环境。物体位置、接触状态、外部干扰以及作业条件的变化，都可能影响任务执行。即使机器人能够在预设环境中完成某项操作，也不意味着它已经具备在不同场景下持续、稳定工作的能力。

面对这一问题，一些机器人企业正在采用更加务实的商业化路径。

丁国骄在采访中分享了一个客户案例：参加本次论坛的一家机器人企业，在约一年时间内实现了单月出货100台。其方法是首先明确应用场景，通过遥操作配合特定功能满足客户需求，再逐步积累实际运行经验，推动产品和算法迭代。

“我们很多的客户会考虑先落地，然后再去迭代。”丁国骄表示，对于物理AI这样复杂的系统工程，企业可以先定义具体应用场景，明确对智能化和硬件系统的要求，再针对关键问题进行突破。

这一案例反映出机器人产业化的一种现实选择：在通用自主能力尚未成熟时，先围绕特定任务建立可交付的产品，再逐步提高自动化水平。当然，月出货100台仅是个别客户的进展，距离真正的大规模商业化仍有距离。

算法之外，硬件系统同样面临挑战。

王航指出，AI进入物理世界后，需要考虑计算平台、连接、传感器以及系统集成等多个环节。以机器人为例，计算平台需要处理来自外部环境的感知信息，再通过控制系统驱动执行机构完成动作。任何一个环节出现问题，都可能影响整机运行。

更重要的是，机器人从原型验证进入批量生产，硬件设计需要经受不同运行条件的考验。

丁国骄特别提到产品的一致性和质量问题。机器人在展台上完成一次动作，与在实际场景中长时间、重复执行任务，对硬件系统的要求存在明显差异。传感器、电源管理、连接器、电机驱动以及控制系统，都需要在长期运行过程中保持稳定。

这也意味着，机器人厂商不能仅仅关注主控芯片的算力指标，还必须评估整套系统在成本、性能、可靠性和量产可行性之间的平衡。

在本次论坛展示区，安富利展出了多项面向机器人应用的技术方案，包括基于NXP MCX-A577的电子皮肤方案、基于NXP RT1189的灵巧手方案、GaN机器人关节伺服驱动方案，以及基于AMD Ryzen平台的机器人控制和基于ROCm平台的强化学习训练方案。

这些方案覆盖触觉感知、运动执行、控制计算及训练等不同技术环节，也反映出Physical AI对半导体器件需求的多样化。对于技术分销商而言，参与机器人项目意味着需要理解不同器件之间的协同关系，并协助客户完成从芯片选型、系统设计到工程验证的工作。

值得注意的是，机器人产业正在借鉴汽车电子领域已经积累的部分工程经验。丁国骄提到，人形机器人采用的一些计算架构，与此前智能驾驶平台具有相似性，安富利也在将汽车电子领域积累的技术能力迁移到机器人应用中。

不过，机器人在运动控制、机械结构和人机交互方面仍有自身的特殊要求，汽车电子经验并不能直接解决所有问题。

从产业发展来看，Physical AI的下一阶段竞争，将越来越多地体现在真实场景中的任务完成能力、运行可靠性和产品交付成本上。对于希望进入机器人供应链的半导体企业而言，能够提供高性能器件只是起点，能否支持客户完成系统集成与量产验证，同样重要。

国产AI芯片的新机会：从算力竞争转向架构优化

随着AI从数据中心进入机器人、工业设备和智能终端，计算平台的选择正在变得更加复杂。在模型开发和原型验证阶段，工程师通常更关注算力性能、软件生态和开发效率。但当产品进入商业化阶段，芯片成本、运行功耗、散热条件以及长期供货能力，就成为必须解决的现实问题。

对于机器人等Physical AI设备，这种矛盾尤其突出。高性能计算平台能够为复杂模型提供充足的算力，但也可能带来较高的硬件成本和功耗。如果产品需要依靠电池长时间运行，或者在有限空间内完成散热，直接沿用原型开发阶段的高算力方案，未必是最合适的选择。

丁国骄对与非网记者表示，过去一些机器人产品倾向于采用高端计算平台，但随着国产计算平台和专用AI加速器的发展，企业开始探索不同的计算架构。

其中一个方向，是根据训练和推理任务的不同特点，重新分配计算资源。

例如，模型训练通常需要较强的通用并行计算能力，而模型部署后的推理任务相对固定，可以考虑由NPU等专用计算单元承担。对于部分应用，将推理任务从高功耗GPU平台迁移至能效更高的NPU，有机会在满足性能要求的同时降低硬件成本和运行功耗。

丁国骄提到，部分国产计算平台虽然在高端算力指标上仍存在差距，但通过合理划分计算任务、引入NPU承担推理工作，也可以满足特定场景的应用需求。安富利FAE团队能够在产品架构设计阶段参与评估，并通过演示方案、软件和工程验证，帮助客户选择适合量产的计算平台。

不过，GPU与NPU之间并不存在简单的替代关系。实际部署还需要考虑模型对算子的支持程度、量化精度、片上存储容量、内存带宽以及软件工具链的成熟度。某些模型即使能够运行在NPU上，也可能因为算子适配、数据搬运或内存访问开销，无法达到预期的性能和能效。因此，计算平台的选择仍然需要基于具体工作负载进行验证。

医疗影像是丁国骄提到的另一个应用案例。通过在相关设备中引入AI推理能力，部分影像分析任务可以获得更快的处理结果。这类应用说明，AI计算架构的价值需要结合具体任务衡量。不过，推理速度的提升并不直接等同于诊断准确性的提高，实际应用仍需满足医疗设备的可靠性和相关验证要求。

除了计算芯片，系统级优化还涉及传感器、电源管理和外围元器件。

以智能汽车和机器人为例，增加传感器数量通常可以获得更多环境信息，但也会提高硬件成本、数据处理负担和系统复杂度。丁国骄认为，随着AI算法和数据处理能力提升，在满足功能安全及可靠性要求的前提下，部分系统可以重新评估传感器配置，通过算法与硬件协同实现成本优化。

这种思路也反映出AI硬件设计的一项变化：过去依靠增加硬件资源解决的问题，未来可能有一部分能够通过算法优化、异构计算和系统架构调整获得改善。

但这并不意味着硬件配置可以无限压缩。对于实时控制、工业安全以及高可靠性设备，必要的计算余量、传感器冗余和安全保护仍然不可缺少。过度追求低成本，同样可能增加系统失效风险。

在丁国骄看来，硬件方案选择的关键是找到性能、功耗和成本之间的合理平衡。对于安富利这样的技术分销商，这也意味着FAE团队需要从单颗芯片的参数比较，进一步参与计算架构、外围器件和整体BOM的评估。

从芯片选型到量产交付，安富利为什么强调“设计链+供应链”？

随着AI硬件系统日益复杂，客户对分销商的要求正在向产品开发前端延伸。尤其是在机器人、工业AI和数据中心等领域，芯片选型与系统架构、产品成本、可靠性及供应链稳定性之间的联系越来越紧密。

丁国骄介绍，安富利的FAE（现场应用工程师）团队通常在客户产品的概念定义和系统架构设计阶段就开始介入，并持续参与器件选型、原型开发、测试调试及量产准备。

这种早期介入具有重要意义。对于复杂电子系统，许多设计决策一旦确定，后续修改往往意味着重新调整PCB、外围电路甚至整个系统架构。如果在开发初期只考虑核心芯片的性能，而忽略外围器件、可靠性要求和长期供货情况，产品可能在原型验证阶段运行良好，却在量产阶段面临成本上升、设计变更或供应中断等问题。

丁国骄指出，安富利的技术团队不仅关注客户当前的设计需求，也会在方案选择时纳入后续量产所需的供应链信息。这要求FAE、销售和市场团队保持协同，在不同产品方案之间进行综合评估。

从单颗芯片走向系统级BOM，是这一变化的直接体现。

以电源系统为例，功率半导体通常是工程师关注的核心器件，但实际产品还涉及控制芯片、电容、电感、保护器件以及大量其他外围元件。即使采用相同性能的功率器件，不同企业设计出的电源产品，在成本、效率、可靠性和量产可行性方面仍然可能存在明显差异。

丁国骄认为，原厂通常更熟悉自身产品的性能和应用特点，而安富利能够结合多个供应商的产品资源，从整个系统出发评估不同元器件之间的匹配关系。部分看似普通的被动元件和保护器件，同样可能影响整机运行。

这也是安富利强调设计服务能力的原因。对于客户而言，获得一颗性能合适的芯片只是完成了部分工作，如何将不同品牌、不同类型的元器件组合成成本合理、稳定可靠的完整系统，仍然需要大量工程验证。更值得关注的是，供应链管理正在成为系统设计阶段需要提前考虑的问题。

王航在采访中举了一个例子：有些芯片在市场上非常受欢迎，性能和价格都具有竞争力，但当相关应用需求快速增长时，客户反而可能面临拿不到货的情况。

因此，安富利在推荐器件时，除了评估性能和成本，还会参考原厂的产能规划、工艺改进和未来供应能力。对于存在供货风险的产品，技术团队需要与销售及市场团队共同判断，是否应该选择供应预期更加稳定的替代方案。

与此同时，AI基础设施建设带来的需求增长，也使供应链管理更加复杂。

王航透露，安富利已经观察到部分电源器件、高速连接器和光通信产品的供应紧张。过去，分销商可能仅需要解决某一两个品类器件的缺货问题，如今则需要构建系统性的应对策略，从整套BOM出发，结合客户需求预测、原厂产能规划、物流条件和库存管理，协调多个品类的供货，从而保证整套系统按计划交付。其中还涉及库存管理的矛盾，需要妥善应对和处理。客户既希望确保关键器件供应，又不希望承担过高的库存成本。分销商需要在供货保障、库存水平和资金占用之间寻找平衡，而这已经超出了传统的订单交付范畴。

从安富利的业务实践来看，设计链与供应链正在形成更加紧密的联系。前者通过FAE团队参与产品定义、方案开发和工程验证，后者则将原厂产能、器件生命周期及供货风险等信息纳入产品开发决策。对于AI硬件厂商，特别是工程资源有限的中小型企业，这种协同模式可能有助于减少重复设计，提高产品从原型验证进入量产的效率。

技术分销商的护城河在哪里？

随着半导体产业竞争加剧，技术分销商正在面临新的挑战。一方面，越来越多的芯片原厂开始加强直销渠道，并向客户提供参考设计、开发工具乃至完整系统方案；另一方面，AI工具正在降低技术资料查询、器件选型和方案设计的门槛。传统依靠产品信息、渠道覆盖和技术支持建立的竞争优势，正在受到重新审视。

当客户能够直接获得原厂支持，甚至利用AI工具完成部分工程工作时，分销商还能提供哪些不可替代的价值？

丁国骄认为，原厂FAE与分销商FAE之间更多是一种互补关系。芯片原厂通常对自身产品拥有更深入的技术积累，但客户开发完整系统时，往往需要同时使用多个品牌、不同类型的元器件。分销商的优势在于能够从跨品牌、跨产品类别的角度，帮助客户评估整体方案。

另一个差异来自客户覆盖能力。大型芯片原厂通常会将更多工程资源投入头部客户，而数量庞大的中小企业和长尾客户，未必能够获得同等程度的技术支持。安富利可以依靠覆盖广泛的FAE及销售网络，在产品开发早期介入，帮助这些客户完成技术选型和产品验证，直至量产落地的完整链条。这种客户覆盖能力，在国产半导体产业的发展过程中也产生了新的商业机会。

丁国骄介绍，安富利进入中国市场已有30多年，近年来持续扩展国产半导体产品线，并与本土芯片原厂、模块和系统方案厂商开展合作。对于希望拓展国际市场的中国半导体企业，安富利的全球销售和供应链网络也可以提供支持。

值得关注的是，国产芯片企业本身也在向系统级方案供应商转型。一些厂商不再局限于销售单颗芯片，而是通过开发板、模块、软件工具链和参考设计，直接为客户提供应用方案。这意味着它们与技术分销商之间的业务边界可能出现重叠。

王航也指出，部分本土模块厂商通过安富利的渠道进入新的应用领域后，开始认识到分销商在客户开发和方案整合方面的价值。这种合作关系已经超出了简单的产品代理。

相比原厂直销，AI工具的普及则带来了另一种挑战。

如今，工程师已经能够利用大模型快速检索数据手册、比较芯片参数，甚至获得初步的器件替代建议。过去需要FAE反复回答的部分标准化技术问题，正在被自动化工具接管。

对此，丁国骄在采访中表示：“我认为FAE不会被替代。”她的信心主要来自两个方面：一是工程师对复杂系统的理解，二是对供应链信息的掌握。

在实际项目中，客户提出的需求可能只是寻找一颗替代芯片，但真正需要解决的问题，可能涉及外围电路调整、系统成本优化以及后续量产供应。简单的引脚兼容或参数匹配，并不意味着替代方案能够直接投入生产。

此外，器件的实际采购成本、原厂产能变化、新产品导入计划和未来供货情况，并不一定能够从公开技术资料中获得。分销商通过长期合作建立的原厂信息渠道，有助于客户在设计阶段判断不同方案的供应风险。

当然，AI工具对FAE工作的影响同样不容忽视。标准化技术问答、资料检索和初步器件筛选等工作，将越来越容易实现自动化。未来FAE的价值，可能更多体现在复杂系统的工程判断、跨供应商协调和实际问题解决上。对于安富利而言，原厂直销、国产芯片方案化和AI工具普及，既是竞争压力，也在推动其重新界定技术分销业务的边界。

总结：AI时代，技术分销的竞争才刚刚开始

最后，AI产业正在改变半导体市场的需求结构。数据中心建设推动高性能计算、电源管理和高速互联需求增长，而机器人、工业自动化及智能终端的规模化应用，则对系统设计、成本控制、可靠性和持续供货提出了更高要求。

对于安富利而言，这些变化正在推动技术分销业务进一步向产品开发和工程交付环节延伸。通过将FAE技术支持与供应链资源结合，安富利试图在芯片原厂与终端客户之间承担更多系统整合和工程协调工作。

但这一转型同样面临挑战。随着芯片原厂加强直销和系统方案能力，AI工具降低技术信息获取门槛，传统分销模式的部分价值正在被重新分配。未来，技术分销商能否获得持续的商业回报，将取决于其工程服务能够在多大程度上帮助客户缩短开发周期、降低整体成本并提高量产交付能力。