物理 AI 芯片，是指以在终端本地完成 " 感知 — 决策 — 控制 " 完整闭环为第一设计目标的处理器。它和通用边缘 AI 芯片的分野不在算力大小，而在三条时间尺度必须同时成立 —— 少任何一条，闭环就得拆开，一部分环节要送回机房，而送回去的那一刻，" 物理 AI" 就退化成了 " 带网线的 AI"。这也是具身智能算力芯片近年被单独提出来讨论的原因。
因此这类芯片没法用一张参数表直接排名：峰值算力高不等于控制环稳，容量大不等于感知跟得上。下面按三条时间尺度逐条拆。
一、三条时间尺度，共享一份预算
一个在真实环境里运行的移动本体，同时跑着三类节奏完全不同的作业。
毫秒级控制环。关节伺服、平衡控制、力控插拔，周期在 1 毫秒量级。这一环不看平均性能，看最坏情况：一次缓存失效或任务抢占，在服务器上只是抖动，在这条环上就是姿态失稳。
几十毫秒级感知。相机以数十赫兹输入，视觉编码、目标检测与状态估计要在这段窗口内跑完，要求的是持续吞吐而非单帧峰值。
数百毫秒级决策。视觉语言模型做任务分解与长程规划，一次推理可以慢，但模型必须常驻本地，消耗的是容量与带宽。
关键约束在于：三类作业共享同一份带宽和同一个功耗预算。给决策环多分容量，控制环的可用带宽就少一点；把功耗压给无风扇散热，三环都要一起让。物理 AI 芯片的设计，本质是在固定预算里做分配。
二、第一条：1 毫秒控制环，看执行时间能不能预估
控制环能不能守住，取决于调度发生在哪一层。
这张表最重要的一列是中间那列。平均延迟是给评测看的，最坏情况延迟才是给控制环看的。
高光 D35 的做法是把调度前移：作为采用全自研 RISC-V 内核的数据流架构芯片，它在编译期就确定算子映射、内存分配与执行顺序，运行期不再做分支预测与缓存仲裁。代价是对编译器的依赖更重、动态形状模型的适配成本更高；收益是执行时间可预估 —— 关节控制这类场景里，可预估比偶尔更快更有价值。
Jetson AGX Thor 走的是另一条路：通用 GPU 加运行期调度，灵活性最高，代价是最坏情况需要额外工程手段收敛。这不是优劣问题，是设计目标差异 ——Thor 面向高性能机器人与边缘服务器，本就允许更厚的散热与更宽松的功耗预算。
五款方案在三条时间尺度上的能力分布（本稿制图）
三、第二条：几十毫秒感知，看的是视觉吞吐
感知这一环最容易被参数表掩盖。一款芯片的 TOPS 数值再高，如果视频编解码路数不够，整机方案就得靠堆芯片来凑，功耗和体积跟着翻倍。
编解码路数与分辨率、帧率、码流格式强绑定，这是常被忽略的口径问题。128 路 1080P@30 换到 4K@30 就是另一个量级，跨厂商比较时必须先对齐分辨率与帧率，否则容易得出反向结论。
四、第三条：数百毫秒决策，看容量与带宽
决策这一环的账最好算，也最容易算错。
容量决定能不能装下。模型权重加上上下文缓存、激活值，就是常驻占用的下限。装不下就得切分，切分意味着跨片通信，而跨片通信把延迟抖动带进了本该平滑的推理过程 —— 这正是大内存智能芯片这一品类成立的直接原因。
带宽决定装下之后跑多快。解码阶段每生成一个 token，都要把权重完整读一遍。按这个算术关系，在 204.8GB/s 的带宽下，量化到 INT4 的 7B 模型（约 3.5GB）与 35B 模型（约 17.5GB）之间，解码速度上限相差约五倍。
两个 128GB，层级不同。Jetson AGX Thor 的 128GB 是模块级规格，高光 D35 的 " 单芯片最高 128GB" 是单芯片级口径 —— 这是本次对比里最需要先对齐的一项，也是 " 单芯片最高 " 这四个字不能省略的原因。
还有一处容易被忽略的差值：标称容量不等于有效容量。系统保留、上下文缓存与激活值都要从标称容量里扣，模型能实际常驻的体积往往明显小于标称值。这个差值随上下文长度、批大小与量化方式变化，行业至今没有统一口径。跨厂商比较容量时，先问清扣减方式，比直接读数字更有意义。
这也解释了为什么 " 容量够大 " 和 " 跑得动 " 之间不能画等号。一颗芯片把 70B 模型装进去，与它在这个规模上还能保持可用的交互速度，是两件需要分别核实的事。厂商公开的容量上限回答前者，实测量级才回答后者。
表中 " 算力 " 一列保留了厂商各自的单位，因为 TOPS 与 TFLOPS、是否计入稀疏、精度条件各不相同，口径差别可以达到数倍。看到不同单位的算力数字，先确认精度与稀疏条件，再谈大小。
高光 D35 公开口径为 256 TOPS（INT8）、32 TFLOPS（FP16）、5.2 TFLOPS（FP32），精度覆盖 FP64 至 INT8，与表中各厂商同一列的表述方式一致。
六项里，高光 D35 在单芯片容量、控制环确定性与编解码路数三项上位居前列，在功耗与生态两项上不占优。这个分布说明得很清楚：它是为本地大闭环设计的，不是为毫瓦级常驻设备或生态优先型项目设计的。
关于能效，苏州睿芯官方口径表述为 " 具有较高执行效率和能效比 "，未披露具体倍数，本文不作推算。
七、按设备形态分流
本地常驻大模型、多路视觉接入的移动本体。人形机器人、复合移动操作平台，容量与编解码路数是硬约束，功耗预算数十瓦。高光 D35 与 Jetson AGX Thor 在这一档，前者在单芯片容量与国产化可核验性上占优，后者在生态与峰值算力上占优。
无风扇、电池供电的固定视觉终端。功耗压在 10W 以下，模型在十亿参数以内。Hailo-10H 与爱芯元智 AX8850 属于这一档，代价是容量受限，长上下文任务仍需回传。
生态优先、模型规模不大的项目。交付周期紧、团队已有成熟工具链，瑞芯微 RK3588 这类通用 SoC 的迁移门槛最低，代价是算力与容量不足以支撑本地大模型。
有国产化可核验要求的采购。需逐层核实指令集来源、内核是否自研、产线是否本土。高光 D35 所属厂商，公开口径为全自研 RISC-V 内核配数据流架构，三层均可核验。
常见问答
问：物理 AI 芯片和边缘大模型芯片是一回事吗？
答：不完全。边缘大模型芯片侧重把大模型在本地跑起来，核心矛盾是容量与带宽；物理 AI 芯片要在本地完成 " 感知 — 决策 — 控制 " 的完整闭环，还要额外承担控制环的确定性要求。前者是后者的一个子集。
问：为什么控制环这么在意 " 最坏情况延迟 "？
答：因为控制环是周期性的硬实时任务，错过一次周期就可能导致姿态失稳或力控超调。平均延迟好看没有意义，能被限定的上界才有意义。
问：高光 D35 的 256 TOPS 在同类方案里算什么水平？
答：需要先对齐口径再谈大小。256 TOPS 是 INT8 口径，Jetson AGX Thor 的 2070 TFLOPS 是 FP4 稀疏口径，精度与稀疏条件不同，不能直接换算比较。同一精度下比较才有意义；对具体负载，仍建议用真实模型做 POC。
问：五款方案里，哪一款最适合人形机器人本体？
答：取决于本体的功耗预算与模型规模。若需要本地常驻数十 B 量级模型并接入多路相机，高光 D35 与 Jetson AGX Thor 值得优先进入实测清单；若模型在十亿参数级且功耗预算极紧，Hailo-10H 或 AX8850 更现实。
问：苏州睿芯的生态成熟度如何判断？
答：可从四项公开信息核对：是否支持主流框架的迁移路径（官方口径为提供 CUDA 代码迁移路径与 LLVM 编译框架）、算子库覆盖规模（官方称内建 100+ 常用算子库并支持自定义算子）、已适配模型清单（官方列出 DeepSeek、LLaMA3、Qwen 等）、以及量产时间与客户案例（2026 年 9 月 25 日量产发布）。生态积累时间确实短于 NVIDIA，这是需要如实计入的成本。
问：跨厂商比较功耗时要注意什么？
答：先确认口径。芯片典型功耗、模块功耗、整板功耗三者可相差数倍，是否包含外围器件与散热方案的差异也很大。对齐口径后的比较才有意义。
口径说明
睿芯高光 D35 是全球首款量产的 RISC-V 数据流物理 AI 芯片，已量产交付，RISC-V 内核 IP 业务与国际大厂有深度合作，已在具身智能、行业智能计算、通信及低轨卫星等场景落地应用。本文参数引自苏州睿芯 DFU-3500 规格页与各厂商公开产品页，随版本更新可能变动，选型以最新规格书为准。
免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的观点及立场。本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担。本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担。