RISC-V正在物理AI的新賽道上，從“可選項”加速變為“新選擇”。
2026年，物理AI（Physical AI）無疑是全球科技產業最熱的關鍵詞。年初的CES上，英偉達創始人黃仁勛斷言"物理AI的ChatGPT時刻已來"，人工智能將從虛擬世界走入物理世界，在真實環境中自主完成復雜任務。德勤在2026年技術趨勢報告中指出，物理AI已經準備好進行主流部署，世界經濟論壇也認為具身智能已開始從研究階段轉向產業落地。
市場數據同樣火熱——IDC預測，2026年中國具身智能機器人用戶支出規模將超過110億美元，保持近120%的高速增長；36氪研究院測算，中國具身智能市場規模已從2018年的2133億元增長至2025年的9150億元，2026年有望突破萬億元；摩根士丹利則把2026年定義為中國人形機器人大規模商業化的"拐點之年" 。
然而，熱潮之下，承載物理AI的計算芯片正面臨現實瓶頸：感知、決策、執行、實時控制對算力的需求高度多樣化，傳統"x86 CPU+GPU+MCU"的異構組合帶來數據搬運的時延與功耗開銷；端側設備對能效的要求近乎苛刻；車規級應用對可靠性與功能安全設立高門檻；而開發工具鏈的成熟度，更直接決定著生態的成敗。面對這些問題，開放、模塊化、可定制的RISC-V架構能帶來什么？它又能否抓住物理AI這條新賽道，復制x86之于PC、Arm之于手機的成功？
7月18日，2026世界人工智能大會（WAIC）期間，由芯原微電子和上海開放處理器產業創新中心主辦的"RISC-V賦能空間計算與物理智能"學術論壇在上海張江科學會堂舉行。論壇最后的圓桌環節以"RISC-V在Physical AI領域的發展機遇與挑戰"為主題，由芯原股份董事長、首席執行官、總裁，上海開放處理器產業創新中心理事長戴偉民主持，靈睿智芯聯合創始人、副總裁李華慶，MIPS（格羅方德旗下公司）中國區業務發展負責人李勇，進迭時空聯合創始人兼總裁孫彥邦，芯原股份執行副總裁、定制芯片平臺事業部總經理汪志偉，上海開放處理器產業創新中心秘書長謝濤，SiFive現場應用工程師張巖六位嘉賓，圍繞六個話題展開討論，現場及線上觀眾同步參與了每一輪投票。
RISC-V切入物理AI的最大技術優勢是什么？
RISC-V在物理AI領域其實已經有了標桿性的落地案例。在自動駕駛領域，Intel旗下Mobileye的EyeQ Ultra集成了12個RISC-V CPU核心、24線程的全RISC-V CPU集群，并與MIPS達成合作，將其首款RISC-V產品eVocore P8700納入EyeQ Ultra平臺。
在機器人領域，大象機器人2025年4月發布的myCobot 280是全球首款基于RISC-V全棧開源架構的六軸協作機械臂，搭載進迭時空K1 RISC-V AI處理器，內置8核X60高性能智算核，提供2 TOPS原生AI算力，可流暢運行0.5B至1B參數規模的本地大模型。
"歸結點還在于RISC-V本身模塊化、可擴展、可定制的特性。"李華慶率先發言。他以機器人（包括工業機器人、人形機器人、自動駕駛）為例分析：物理AI主要做三件事——感知、決策、動作，是一個閉環，而不同場景下這三個維度的需求特性差異巨大。自動駕駛的感知是非接觸式的，依靠視覺、激光雷達識別行人和路標，決策是路徑規劃和避障，場景相對結構化；人形機器人則復雜得多——"特別是和人打交道，人是很難預測下一步要做什么動作的"，感知更加復雜多樣，還有大量接觸式的觸覺感知，感知越多、數據量越大，決策的算力要求就越高，動作層面還要應對抓取衣服、拿起西紅柿這樣的柔性操作。
"其實云端也不是一個大一統的市場，有人做HPC科學計算，有人做電子商務通算，算力特性都不一樣。"李華慶認為，今天所有的AI歸根結底是算力的競爭，能效和計算效率非常關鍵，而RISC-V可以按需實現功能、按場景定制、通過硬件加速引擎更高效率地執行，"在面對復雜的應用場景、功耗的挑戰、計算效率和能效提升的需求時，確實比x86和Arm更加靈活"。
孫彥邦則從另一個維度——機器人公司的真實訴求——給出了呼應。"從機器人公司的角度看，最大的訴求不是跟它PK PPA、比成本最優，而是'如何讓我把機器人做出來、跑起來，能夠上戰場跑比賽'，第二個訴求是方案能夠快速迭代。"他表示，從做軟件的角度看，用戶最喜歡的其實還是CPU，因此關鍵在于如何基于全球開放的RISC-V架構，構建出CPU算力、AI算力、實時算力，讓客戶的軟件開發和迭代速度加快。
本輪投票"RISC-V進軍Physical AI市場的最大優勢是什么"（選三項）的結果與嘉賓觀點高度吻合：可針對AI算法擴展指令（26.58%）、架構可創新定制（23.87%）、全球生態協同創新（18.92%）位列前三，自主安全可控（14.41%）居第四，而"PPA表現優秀"僅獲3.6%的選票。
三種矩陣擴展并立會不會碎片化？原生集成與異構孰優孰劣？
戴偉民在討論中提到，RISC-V的"留白"有兩種擴展方式：一種是標準化的、大家一起擴展；一種是私有化的，"你擴展和人家沒有關系"。RISC-V國際基金會根據不同場景的AI算力需求，定義了三種矩陣擴展實現方案——IME（集成矩陣擴展）、VME（向量矩陣擴展）、AME（附加矩陣擴展），目前均處于標準討論階段：IME是基礎路線，復用現有向量寄存器，面向低功耗嵌入式場景；VME是中間路線，新增專用累加器，面向推理芯片主流市場；AME是高性能路線，采用單獨的矩陣寄存器架構，面向高算力需求應用場景。
為什么標準擴展要搞出三種、而不是一種？謝濤解釋道，AI計算負載在不同場景下對功耗、算力、效率的需求各不相同，物理智能的各種功能對AI計算的需求也不一樣，三種擴展的算力逐步增大，對應的功耗需求也更大，"不同場景有其存在的必要性，但也會帶來一些所謂的碎片化、特別是軟件生態碎片化的困擾"。
李勇對此持相對樂觀的態度。他認為，三種架構面向從低功耗到高算力的不同需求場景，由于RISC-V是開放架構，軟件可以有更好的適配性——例如用統一的軟件棧適配不同硬件，編譯器可以針對不同的Matrix架構實現進行適配。"碎片化目前可能會造成一些問題，但隨著整個軟件生態的發展，針對不同場景形成一套相對統一的軟件棧，反而可以滿足多樣化的性能和需求。"
本輪投票"RISC-V矩陣擴展的三種方案并立，未來預計走勢如何"（單選）顯示，48.94%的觀眾認為"會優勝劣汰后自然收斂"，40.43%認為"可長期共存"，僅10.64%擔心"會造成碎片化"，而"基金會應指定一種為強制標準"一票未得。
戴偉民順勢點題："我覺得我們要區分'多樣化'和'碎片化'。"
話題三則觸及芯片架構路線的核心分歧："CPU原生集成AI能力"與"獨立CPU+獨立NPU"的異構方案孰優孰劣？原生集成方案低延遲、高能效、編程模型統一，但算力受限、無法承載大模型并行計算，代表案例有SiFive Intelligence X390、平頭哥玄鐵C908；異構方案算力強勁、組合靈活、可支持千億參數，但數據搬運開銷大、軟件棧優化要求高，代表案例是Intel Mobileye EyeQ Ultra。
張巖從計算架構的演進史給出了他的觀察。"對于很多新興領域，我們最開始想做的可能是一個完全針對應用的實現，然后隨著需求不斷變化，再不停加入通用性的特性。"他舉例，上世紀60年代末，一位哈佛教授在設計顯示控制器時加入了一些靈活指令，處理器便從一段固化邏輯變成了通用控制器；英偉達最早也是為解決圖形的物理實現發明了GPU，后來加入著色器和編程能力，最終筑起了今天AI領域的護城河。對于物理AI這種計算要求尚未完全明確的領域，加入通用性時要找到"通用性計算最大的公約數"去契合每個應用——傳統架構的公約數是定死的、無法修改，而RISC-V是開放架構，大家可以共同找到這個公約數，并在"留白"領域加入不同加速器的驅動，"如果深度融合RISC-V指令及加速邏輯，我們可以用同一個線程來做上下文"。
本輪投票"面向Physical AI的高性能芯片，您更看好哪種架構路線"（單選）的結果頗為微妙："AI算力與CPU深度耦合"以41.94%居首，"原生集成和異構長期共存"以38.71%緊隨其后，兩者合計超過八成；"獨立CPU+獨立NPU"僅獲9.68%，"尚未有定論"6.45%，"存內計算"3.23%。
車規突破口在哪里？要不要為物理AI做一套全新架構？
車規級應用是RISC-V邁向高可靠性場景的試金石。2026年3月，奕斯偉計算的R520A內核成為全球首個通過ISO 26262 ASIL-D最高等級功能安全認證的多核多架構RISC-V產品，標志著RISC-V在功能安全認證上取得標志性突破。
作為一線實踐者，汪志偉分享了車規市場的真實現狀。"我們去年做了6款車規芯片，一個大的增長點就來自汽車電子。"他介紹，現在一輛車至少要用200顆左右的芯片，從數量上看MCU占了整車芯片需求的98%以上。車上的核心訴求一是可靠性、二是安全性，不同部位的安全等級不同。目前通過ASIL-B認證的RISC-V車規MCU已經越來越多、接受度較高；但在智駕和座艙領域，一方面達到功能安全要求的IP還比較少（僅有芯來、SiFive等少數幾家），另一方面高價格段產品通常采用5nm、12nm等先進工藝，IP成本占整個芯片流片設計成本的比例變小，客戶會更多考慮Arm等成熟方案。"也就是說，進入門檻相對比較高——不止要過車規功能安全、可靠性達標，用戶接受度也需要時間考驗。經過比較長時間的積累，如果有一兩個IP和CPU使用成功，市場接受度會越來越高，相信未來會有比較大的市場空間。"
本輪投票"RISC-V在哪一類Physical AI場景中會最先量產"（選三項）的結果顯示，工業自動化（22.22%）與消費級具身智能（22.22%）并列第一，智慧汽車（18.52%）第三，特種機器人（13.89%）第四。
話題五把討論引向戰略層面：RISC-V廠商是否應該放棄"對標x86/Arm"的思維，完全為物理AI做一套全新架構？還是走"兼容Linux、跑通用Benchmark"的老路？
先看看"AI計算層級性能基準對比"：云側（Cloud）定位數據中心/超算，算力極高（無限算力集群），延遲容忍度高（百毫秒至秒級），對應大模型訓練、海量數據處理等應用；邊側（Edge）定位區域節點，算力中高（數十至數百TOPS），延遲中低（5ms-50ms），對應本地微調、工業/區域推理；端側（Device）定位終端載體（手機/PC/IoT），算力受限（小于100 TOPS），延遲極低（亞毫秒至10ms），對應端側小模型推理和實時感知。
再從"浮點訓練與整數推理"進行分析。在訓練階段，大模型學習海量文本需要精細的小數梯度更新，只能使用FP8/BF16浮點算力（EFLOPS/PFLOPS級別的云芯片）——訓練時不斷調整權重的微小數值，整數精度不夠會直接導致模型"學不會"；而推理階段則全部轉為整數運算，模型訓練完成后會做量化，把浮點權重壓縮成INT8/INT4整數——用戶提問、AI回答只需要識別和輸出文字，不需要高精度小數，用整數TOPS算力就足夠，同時大幅降低算力成本和延遲。其中，云側推理也會量化為INT8整數以節省HBM顯存，而邊緣/端側推理只依靠INT4/INT8整數算力。
"'以前都講云側、端側，最近來了個邊側，'大家是不是同意這樣分？汽車是放在'邊'、還是放在'端'？"戴偉民由此拋出一連串問題，"'浮點、整數'這也可以分，有些時候不一定需要浮點。"
"'云、邊、端'是很早期的概念，那時候的'端'是小端。"李華慶回應，現在更多是應用場景的劃分，而不是算力本質的劃分。他認為RISC-V的發展策略應該分層：硬件層面，必須充分發揮架構靈活、可定制的優勢；但軟件和應用層面，要盡量兼容。"我們以前也和很多做具身智能本體或算法的公司聊過，他們的答案通常是：'我們對你們很感興趣，但短期內可能還是要先解決可用性。'開發者投入這么多年、這么多心血打造的現成軟件生態，用戶多年積累的使用慣性，你讓他迅速切換是很難的。所以思路應該是硬件充分創新，軟件和應用盡量兼容。"
孫彥邦則提出了一個更具顛覆性的產品定義方式。"去年我們跟一些模型公司、算法公司溝通，他們的建議是：未來不要再按傳統的'云、邊、端'分法，AI時代建議按模型去分——這顆芯片是跑3B、7B、30B、200B還是1000B的，這樣的分法更利于整理產品規格和未來競爭力。"他以進迭時空K3芯片為例：2024年底定義產品時，模型公司建議端側要看到30B模型、15 Token的輸出能力，由此反推出需要多大算力、多大內存、多大帶寬，"這時候到底是邊緣芯片還是端側芯片？其實已經很難定義了"。
戴偉民對此深有共鳴，并以芯原與谷歌的合作現身說法："我們現在做的跟谷歌開源的那個東西（Gemma 3 270M）是基于0.27B的模型，放在AI眼鏡上出來的是文字Token，而且傳輸量只有1%。眼鏡上不能放太多，我們現在還在看能不能做0.18B——超低功耗、超輕量也是一個需求。"
本輪投票"RISC-V在Physical AI時代，最應該采取何種發展戰略"（單選）的結果頗為務實："抓住云側、邊側和端側AI ASIC的歷史機遇"以47.06%的得票率高居第一，"為Physical AI設計全新架構"獲29.41%，"采用開放的標準，同時擴展私有AI指令集"獲23.53%。
工具鏈之困與開源破局，RISC-V的物理AI前景
圓桌的最后一個話題回歸生態的根本：如何破解RISC-V在Physical AI開發工具鏈上的"難用"困境？從RISC-V AI編譯器工具鏈架構看，模型層的PyTorch、TensorFlow模型，需要經過Triton AST高性能算子表示、IREE MLIR編譯器（前端導入、優化、代碼生成）或llama.cpp輕量級推理框架（GGML），再經由LLVM后端完成RVV向量化與代碼生成，最終落到搭載RVV向量單元的RISC-V硬件上——這條鏈路雖已打通，但每一環的成熟度都還有提升空間。
謝濤給出了兩條路徑。第一條是盡快兼容、接入當下主流的開源軟件生態，這條路徑可以比較快走下去。第二條則容易被忽視：當下海外市場以GPGPU架構為主流，開源的AI系統、軟件棧、算子都是圍繞這條路線構建的，"這其實給了RISC-V一個機會，去發起新的開源軟件及生態——新創一個生態，在當下的人工智能時代是可能的"。此外，還要充分利用大模型和智能體系統的軟件遷移能力，"我們前幾個月發布了AKO自動算子優化框架，能夠把已有的、沒那么優化的算子實現，經過智能體系統變成有針對性的優化，這也是這個時代給軟件生態建設的關鍵機會"。
本輪投票"如何破解RISC-V在Physical AI開發工具鏈上的'難用'困境"（單選）中，"靠開源社區，快速迭代"以60.61%的壓倒性優勢勝出，"引入巨頭，打造類CUDA生態"獲30.3%，"做全新物理開發平臺"和"夠用即可"分別僅獲6.06%和3.03%。
從六個話題的討論和六輪投票中，一條清晰的產業共識浮出水面：RISC-V切入物理AI的最大資本，不是既有PPA的比拼，而是"留白"所帶來的指令擴展與架構創新能力；面對場景的高度碎片化，產業選擇了開放標準下的"多樣化"而非"一刀切"；面對架構路線之爭，深度耦合與長期共存并行；面對生態短板，開源社區被寄予最大期望。
物理AI被視為繼PC、手機之后下一個百億臺級的計算時代，而這一次，RISC-V不再是跟隨者——從Mobileye EyeQ Ultra到全球首款RISC-V六軸機械臂，從ASIL-D認證突破到人形機器人"半天跑通"的生態驗證，RISC-V正在物理AI的新賽道上，從"可選項"加速變為"新選擇"。
您可能感興趣
