【万字长文】物理AI，如何成为大厂都在追的新风口？

如果文章对你有用，请在文末点击“在看”，“分享”和“赞”

AI发展到今天，你有没有想过一个问题：既然现在的这些万亿参数大模型这么聪明，为什么我们不直接把这些现成的神级大脑塞到汽车里让它们去自动驾驶、为什么不直接让这些大模型去接管工厂里的机械臂、为什么不让ChatGPT或者DeepSeek直接控制那些看起来智商不怎么高的机器人呢？

难道是因为它们还不够聪明吗？

显然不是。

让AI在虚拟世界里大杀四方是一回事，但要想让它进入现实，成为所谓的“物理AI”（Physical AI），麻烦才刚刚开始。因为在真实的物理世界里，很多时候没有再来一次的选项。在聊天窗口里AI答错了，最多再来一次，让它给你个最真实绝不绕弯子的回答；但如果汽车晚刹车一秒钟、工厂产线操作慢半拍、机器人左脚和右脚同时迈出去了，那再来一次就晚了。

过去几十年，控制电机、读取传感器、管理机器运转的从来都不是那些服务器芯片的工作，这些应用都是嵌入式芯片的绝对主场。那些默默无闻藏在你家洗衣机、微波炉、汽车引擎盖下面、甚至是心脏起搏器里的小芯片，它们才是物理世界真正的老司机。而给这些嵌入式芯片加上智能，绝对不是简单粗暴地给设备插上一块功耗几百瓦的AI加速卡就能解决的。

所以，物理AI为什么成了大厂争相追逐的热点、物理AI和传统嵌入式处理器应该如何结合，才能做到性能功耗可靠性的既要又要还要、这会催生怎样全新的芯片形态、在工业制造、智能汽车、医疗设备等领域会带来什么新机会？

为了彻底搞清楚这些问题，我动用了一些人脉，找到了德州仪器公司——它不仅设计和制造嵌入式处理器芯片，还拥有包括模拟芯片、数字信号处理芯片等等在内的八万多种各式各样的芯片产品。如果说谁知道嵌入式芯片到底该怎么和最前沿的AI技术结合，那肯定非TI莫属。

我和他们负责处理器业务的总经理Roland Sperlich聊了一个小时，我发现物理AI其实并不是科技巨头PPT里的高深概念，而是和我们每个普通人的生活息息相关——它不仅能通过数字信号处理技术让家里的各种设备听懂复杂的指令，还能在医疗流水线上精准检测每一根采血管的玻璃厚度，也能在汽车里时刻盯紧你，在你打瞌睡时拉你一把，甚至靠科技防止粗心的父母把孩子遗忘在后座上。

看懂了物理AI，你就会明白未来的AI不只是屏幕里陪你聊天的虚拟工具，而是真正在现实世界里帮我们干活、甚至在关键时刻保命的帮手。文章有点长，但如果你能看完，相信你也会对未来AI的发展拥有一个截然不同的全新认知。

一、物理AI：为何成了大厂追逐的热点？

我们要解决的第一个问题，就是物理AI到底是什么？为什么大厂都突然开始谈物理AI？它和我们现在熟悉的大模型、聊天机器人、代码助手到底有什么不同？

过去几年，我们对AI最直接的感受，大多来自屏幕。你输入一段文字，AI输出一段文字。这个阶段的AI，本质上是在虚拟的数字世界里工作。但是，虚拟世界的天花板是很明显的。人类社会的大部分价值创造，依然发生在真实的物理世界中。

所以如果我们想让机器人包揽家务、让汽车无惧暴风雪自动驾驶，让AI精准掌控复杂的工业设备，帮人们完成那些危险、繁重或者需要极高精度的物理工作，我们就必须让AI学会如何与这个充满未知的真实物理世界进行交互。

Roland:

我们可以想象一个很简单的场景：当一辆车开进了隧道，和云端的连接变差、甚至没有信号了。如果这时候车辆的安全系统还依赖云端的AI模型来判断下一步该怎么做，那它可能就会在最关键的时刻不知道该如何反应。

所以，汽车安全系统，尤其是由 AI 驱动的安全系统，必须部署在边缘侧，也就是直接运行在车上。因为真正的安全，不能等网络恢复，也不能等云端返回结果。像这样的例子还有很多。

而所谓 Physical AI，可以理解为边缘AI（Edge AI）的进一步延伸。边缘AI 解决的是“AI 在本地运行”的问题，而 Physical AI 关注的是：当 AI 的判断不再只是停留在屏幕上、数据里，而是进一步作用到电机、控制系统、决策链路，最终变成一个真实世界里的动作时，它就进入了 Physical AI 的范畴。

具体来说，和我们现在每天都在用的生成式AI相比，物理AI面临着三个全新的技术挑战。第一，它要处理的数据来自真实世界的传感器，这就需要强大的信号处理能力。第二，物理AI不能只算得快，还要反应准时。在聊天里反应慢100毫秒其实没感觉，但机械臂或者汽车晚100毫秒停下来就要出大事，所以需要很强的实时处理能力。第三，物理AI不是一次性的展示，而是要长期稳定运行，所以必须抗住极端物理环境、甚至是黑客攻击。

Roland：

这可能正是今天创新最密集的地方。

在边缘侧运行 AI，真正难的并不只是把算力堆上去，而是要在有限功耗下做出足够高的性能。所谓 TOPS per Watt，本质上就是衡量 AI 引擎能效的核心指标：每消耗一瓦电，能完成多少 AI 计算。

但要把这个指标做好，是一件非常复杂的事。芯片架构怎么设计，AI 加速器怎么调度，流水线怎么组织，数据如何进出 DSP，如何在片上计算单元和 DDR 内存之间高效搬运——这些都是边缘 AI 面临的核心挑战。

更麻烦的是，边缘侧设备并不是只要跑得快就行。它还要叠加安全性要求，要防攻击、防篡改；同时还要满足功能安全要求，不能在关键场景里出错。性能、功耗、数据流、安全和可靠性全部绑在一起，这就是为什么边缘 AI 的挑战远比表面看起来更难。

二、技术演进：从DSP到物理AI的基因传承

那在物理AI时代，到底该如何设计新的芯片呢？今天我们以为AI是从大模型开始的，但让AI进入物理世界的技术基因，早就藏在DSP和嵌入式处理器里。

老石：

你刚才提到了 DSP。其实我之前听过你和 Gene Frantz 的一期播客访谈，里面讲到了 TI 早期 DSP 的故事：上世纪 80 年代，TI 曾经用全球最早的 DSP 芯片，为 Speak & Spell 这类电子教育玩具实现语音合成的功能。

但今天，技术浪潮已经从早期的数字信号处理，走向边缘 AI、生成式 AI、智能体，以及正在进入真实世界的 Physical AI。在这样的变化之下，TI的角色发生了怎样的变化？在这个新的 AI 时代，TI 的核心价值，会发生怎样的改变？

Roland：

坦率地说，如果回到我早年的研究经历，尤其是研究生阶段所学的东西，AI、包括今天的大语言模型，本质上仍然是同一类算法的演进。

它们接收输入数据，经过计算和判断，再输出一个决策结果。你也可以把它理解成一个函数：输入信息，输出判断。而这种“输入—计算—输出”的过程，其实已经在 DSP 上运行了很多年。

真正发生变化的是，现在 DSP 的计算能力已经大幅提升，所以我们可以在上面运行规模更大、复杂度更高的算法。

但从工程本质上看，这并不是一个完全陌生的新东西，而是我们一直在做的事情继续向前演进：更高水平的 DSP 计算，更强的实时控制能力，从大量传感器中获取信息，基于这些传感器数据做出更智能的判断，然后再通过实时控制 MCU 或其他器件，把这个判断转化为真实世界中的动作。

也就是说，以前机器第一次能说话，靠的是低功耗实时信号处理。后来，DSP让声音、图像、通信、控制进入数字时代。现在，物理AI要让机器不只是处理信号，还要理解环境、参与决策、控制设备。

Roland：

在边缘侧，我们看到的设备形态其实非常丰富。有些设备可能只是传统的通用微处理器，并没有专门的 AI 加速器，但这并不意味着它不能运行 AI。

当然，如果没有专用加速器，系统在延迟、性能和功耗上可能会有一些取舍。但在很多场景里，这种取舍是可以接受的。并不是所有边缘 AI 应用，都需要一开始就上最强的加速器。

我们也非常看重自己在 Linux 社区和 Zephyr 社区中的工作。因为这些产品可以借助开源环境，帮助客户加快软件开发速度。

此外，现在的解决方案已经不能只看硬件，软件也变得越来越重要。不过我不会简单地去追求所谓的“交钥匙方案”，因为在很多情况下，这里面还需要生态伙伴和合作方一起参与。他们会帮助我们补齐一些更完整、更即用型的解决方案能力。

所以今天的边缘 AI，不只是卖一颗芯片，而是要提供一个更容易开发、更容易集成、更容易落地的系统环境。

老石：

那这些方案会以什么颗粒度实现？电路级、IP级、还是系统级？

Roland：

我们并不会给用户说你只能用某一种方式来做。更准确地说，我们提供的是一个“自助餐式”的产品组合，让客户可以根据自己的应用需求选择最合适的方案。

比如，如果你的系统不需要 Linux，也不需要外接大容量内存，那我们也有非常有意思的微控制器产品。它们面向实时控制应用，并且集成了嵌入式 NPU，可以让设备直接在边缘侧做出判断。

举个例子，电机的预测性维护就可以在边缘侧完成。设备可以利用 AI 分析电机运行状态，提前发现异常趋势，而不是等到故障真正发生之后再处理。这样的应用，今天已经可以直接在边缘设备上实现。

当这些产品组合到一起时，微处理器本身的处理能力也必须继续提升。这里可能正是边缘计算和云计算之间一个非常重要的分界点：云端计算主要面对的是互联网和数据中心里的数据流，而边缘计算面对的是真实世界。

边缘设备不仅要联网，还要理解各种外设、传感器、执行器和控制对象。它要知道外部世界正在发生什么，并且能够立刻做出反应。这也是为什么边缘计算的复杂度，并不只是“把云端算力缩小放到设备里”那么简单。

聊完这段我最大的感触是，物理AI不是什么凭空出现的新物种，它本质上就是底层数字信号处理和实时控制的基因觉醒。就像Roland的那句对比说的：云端AI只要管好网络就行，但边缘AI必须得亲自去搞定那些繁杂的物理外设。这就注定了，纯靠堆算力的大模型没法直接掌控物理世界。TI提供了自助餐式的软硬件矩阵，恰恰是为了填补这道鸿沟。这也让我更加确信，真正能让机器拥有智能的，还是得靠这些在物理世界里摸爬滚打了几十年的嵌入式老兵。

三、接口定制：PRU如何应对复杂的工业场景？

经常跑工厂的人都知道，实际工业场景的设备接口非常复杂，传统的标准芯片往往很难搞定这些碎片化的需求。为了解决接口定制的问题，TI给出了一种叫作PRU的新芯片架构。它不仅有着极低的延迟和功耗，还能直接和高性能DSP无缝打通；也支持在系统运行中直接编程，不需要像传统FPGA那样断电重启。这意味着，面对工厂里五花八门的定制接口，或者是还在不断演进的新标准，硬件团队直接写代码就能在物理世界里动态适配各种碎片化的需求。

Roland：

每个客户都有自己的核心价值所在：可能是他们积累多年的 IP，也可能是他们对行业场景的理解、系统能力和工程经验。

尤其是在工业市场里，很多客户并不是只需要一颗标准芯片。他们往往有自己的专有接口、控制逻辑和实时响应需求。为了支持这些差异化能力，我们提供了一类叫做 PRU 的 IP，也就是可编程实时单元。

你可以把它理解成一种可编程的逻辑和控制资源。它允许客户对实时 I/O 进行非常灵活的处理，并且可以根据应用需求重新编程。

这种能力的价值在于，它既有很高的成本效率，又能保持低功耗，同时还给客户留下了实现自有专有接口的空间。对于工业客户来说，这一点非常关键：他们不只是要把 AI 或控制算法跑起来，还要把自己多年积累的行业 know-how，真正嵌入到系统里。

老石：

我的背景和 FPGA 很相关，我们这个号也经常讨论 FPGA 技术，所以很多观众对“可编程硬件”并不陌生。

不过 PRU，也就是 Programmable Real-Time Unit，可编程实时单元，听起来和 FPGA 有一些相似之处：它同样强调可编程，也同样面向实时控制和 I/O 处理。

所以我想问的是：PRU 和 FPGA 之间最核心的区别是什么？它们分别适合解决什么样的问题？对于开发者来说，什么时候应该选择 PRU，什么时候又应该选择 FPGA？

Roland：

这里需要先把边界说清楚。

PRU 的核心价值，正如你刚才提到的，是支持客户定制化的实时 I/O。它和我们的高性能 DSP 之间有非常直接的数据通路，因此可以实现非常快、非常低延迟的处理。

当然，PRU 本身也很灵活，但它和 FPGA 的区别在于：它同时具备低功耗、低成本，以及更容易集成到系统中的特点。

另一个很有意思的差异，是 PRU 可以在运行过程中重新编程。一般来说，FPGA 往往需要针对某个应用提前配置好。如果后面想要改变功能，可能需要关闭设备，重新加载配置，再重新上电。而 PRU 的优势在于，它可以在系统运行中直接重新编程，不需要断电，也不需要重新启动整个设备。

这点在工业和汽车场景里非常重要。因为这些领域里的标准和接口一直在演进。比如 USB 在持续升级，工业和汽车市场里其他常用接口也在不断变化。我们也看到，像 TWS 这样的新标准，未来可能会成为一个有意思的补充方向。它未必是要取代 CAN，而是可能在汽车或工业场景中，与现有接口形成互补。

所以你刚才的说法其实很准确：很多客户都有自己的“独门配方”，也就是他们自己的专有能力和差异化设计。PRU 的价值就在于，它允许客户把这些能力实现出来，而不必每次都从零开始重做整个系统。

这就是 PRU 带来的灵活性：它不是要替代 FPGA，而是在低功耗、低成本、实时 I/O 和快速定制之间，提供一种更轻量、更容易落地的选择。

四、开发生态：AI如何降低物理AI的开发门槛？

很多人一听物理AI和底层硬件，第一反应就是开发门槛太高，觉得这是大厂专属的游戏。但通过这次交流让我有了一个非常直观的感受，AI不光是我们要去开发的产品，它本身也正在变成我们手里的开发工具。几句提示词就能让云端工具自动把底层硬件代码跑通，这种开发生态的重构，让中小团队也能跨越底层硬件开发的鸿沟，这可能才是物理AI真正能全面落地的关键。

老石：

现在很多团队，尤其是中小型团队，并没有条件配备一个规模很大的算法团队，来支撑 AI 集成、软件开发和模型部署。在这种情况下，AI 对他们来说还会是一个触手可及的能力吗？

Roland：

这恰恰是一个很有意思的地方：AI 可以帮助我们解决 AI 本身带来的问题。

就像你刚才说的，我们可以利用基于云端的工具，帮助开发者编写软件。事实上，我们已经把云端加速能力加入到一些传统开发工具里，比如 Code Composer Studio。

开发者甚至可以直接让 Code Composer Studio 里的 AI 智能体为 TI 的产品编写软件。这个 AI 智能体会先问你几个问题，然后基于我们的用户指南、产品手册和相关技术文档，自动生成软件，并把它烧录到设备上。

这件事其实非常令人兴奋。我们做过一些演示：你可以直接输入一句话，比如“在某个微控制器上生成一个游戏”。几分钟之后，程序基本就能生成出来，而且真的可以运行。我自己也玩过，确实挺有意思。

当然，我们也会和全球各地的合作伙伴一起工作，其中也包括中国的合作伙伴。这样做的目的，是帮助客户更快完成产品和方案评估。

我们希望先把评估和上手的门槛降下来，把工具、平台和生态资源提供给客户。然后，真正的创新和差异化，就交给客户自己去实现。

五、安全底线：物理世界没有“再来一次”的选项

在物理AI时代，安全至关重要。因为你用AI写文章写代码到时候，不满意可以多来几次；但在自动驾驶、机器人、工业生产的时候，可能大部分时候都没有第二次机会。所以，当汽车与工厂无法通过重启解决 Bug 时，安全机制不能仅依赖软件；怎么在芯片底层就把安全机制保证好，对于物理AI来说可能比堆算力更加关键。接下来我们会讨论，如何在芯片硬件层面构建安全防御机制，实现对物理系统的兜底，确保AI的每一次决策都不会危及生命。

Roland：

TI 在功能安全领域一直有很强的积累，无论是在微控制器还是微处理器市场都是如此。过去很多安全相关的能力，其实已经集成在器件内部。但这些安全特性的启用和管理，往往还需要通过软件来完成。

随着系统复杂度不断提升，安全挑战也在持续增加。接下来，我们必须把更多安全能力直接嵌入到嵌入式处理器本身。换句话说，系统需要减少对软件实现安全机制的依赖，更多依靠硬件来完成关键安全功能。

这也是 TI 非常重视的方向。比如我们即将推出的 TDA5 系列产品，就会预集成更多安全机制，让客户能够以尽可能低的开发成本，构建自己的安全系统。

当然，另一种思路是，有些客户会选择把安全监控任务交给外部微控制器来完成。也就是说，主处理器负责运行应用和执行任务，而另一个独立的微控制器负责监测系统行为，确认关键动作是否按照预期执行。

总体来看，功能安全的挑战不会消失，而且只会变得更重要。TI 的责任，是为客户提供足够完善的安全能力和安全工具；但最终把整个系统正确集成起来，同样也是客户和整个生态的责任。

因为安全系统的底线非常清楚：当系统出错时，不能让人受到伤害。

老石：

现在大家也越来越关注安全威胁，尤其是一些潜在攻击。比如，有人可能会试图攻击你的数据，篡改输入信息，或者诱导 AI 系统生成危险、不可靠，甚至带有风险的结果。在这种情况下，系统层面有没有办法防止这类攻击？或者说，面对数据攻击、模型误导和恶意输入，边缘 AI 设备应该如何建立自己的防护机制？

Roland：

是的，防护机制其实有很多种。

这里我们讨论的，本质上是网络安全问题，也就是如何保护设备不被攻击。在很多情况下，处理器内部已经集成了安全加速器，可以支持不同级别的加密能力和网络安全防护机制。

后量子密码也是一个非常重要的方向。TI 已经在支持这类能力，并且会在下一代器件中继续加强。

当然，和功能安全类似，并不是所有客户都希望把这些能力全部集成在主处理器内部。有些客户会选择把后量子密码相关功能放在处理器外部，通过独立器件来实现。在这种架构下，我们也可以通过 MSP 系列这类产品，为客户提供相应支持。

所以总体来说，我们给用户留下了选择空间：他们既可以选择高度集成的方案，把功能安全、网络安全和 AI 能力都放在一颗芯片或一个系统平台里；也可以把其中一部分能力拆出来，用外部器件单独实现。

这背后的逻辑是，安全没有唯一答案。不同应用对成本、功耗、实时性、认证和系统架构的要求都不一样。TI 要做的，是提供足够灵活的技术选项，让客户按照自己的场景，搭建最合适的安全架构。

老石：

现在各类法规正在变得越来越严格。比如欧洲最近推动的《网络弹性法案》（Cyber Resilience Act，CRA），就对联网产品和数字产品的安全提出了更高要求。那么 TI 如何看待这类法规对嵌入式产业的影响？尤其是当越来越多的嵌入式设备开始联网、开始运行 AI、甚至参与到工业和汽车等关键系统中时，这些安全合规要求会怎样改变芯片、软件和系统方案的设计方式？

Roland:

这其实是安全能力不断演进的结果。

过去我们的产品本身就已经具备不同层级的安全能力。现在，像欧洲《网络弹性法案》（CRA）这样的新法规，只是进一步提高了行业门槛，尤其是在后量子密码等安全要求方面提出了更高标准。

这些要求，我们会去满足，而且会同时从硬件和软件两个层面来满足。

当然，欧洲并不是唯一的市场。全球不同地区都有各自的法规和合规要求，中国也有自己的相关规定。对于 TI 来说，这些要求都必须被纳入产品设计和系统支持之中。

我们的器件并不是只面向欧洲市场，而是要服务中国、欧洲、美国以及全球其他市场。不同市场的要求会有差异，安全标准和合规细节也不完全一样。我们的目标，就是让产品能够理解并适应这些不同要求，持续满足全球客户在安全和合规方面的挑战。

六、智能汽车：物理AI落地的核心阵地

汽车一直是物理AI落地的最重要的场景之一，现在的汽车已经成了装了四个轮子的超级计算机。汽车智能化的背后，其实是海量传感器数据的疯狂爆发。我们该如何在车身周围和中央大脑之间搞定这么复杂的数据流，让算法第一时间识别驾驶员疲劳的瞬间、并在驾舱里持续感应守护乘客的安全，这些对于传统芯片来说是巨大的挑战。

Roland：

首先，用户对汽车体验的期待正在不断提高。

今天的汽车，早就不只是“四个轮子加一台发动机”了，也不只是把发动机换成电池那么简单。它仍然是交通工具，但同时也正在变成一个娱乐空间、一个舒适空间，甚至是一个移动的智能终端。

放在不久以前，一辆车的车窗靠手摇打开，大家也觉得没什么问题。但今天，你几乎已经很难再找到这样的车了。这背后反映的，其实是消费者需求的变化：我们对汽车的期待一直在升级。

当我来到中国，看到这里正在开发的很多优秀车型时，我会感到非常兴奋，也会自然地产生更多期待。我希望车里有更多屏幕，更好的舒适性，更高质量的音响系统，以及更丰富的驾驶体验。

当然，不同消费者的需求并不一样。有些人希望汽车在更多场景下自己完成驾驶任务，而另一些人仍然希望保留亲自驾驶的乐趣。所以，未来的汽车体验并不是单一答案，而是要同时满足不同用户对智能化、舒适性和驾驶参与感的不同期待。

尽管如此，但汽车行业面对的核心挑战，其实一直没有变。

大家都希望车上有更多功能，同时又希望功耗更低、成本更优，系统还必须足够安全。这些要求过去就存在，只是今天变得更复杂、更密集了。

真正的变化在于，汽车正在变得越来越电子化、数字化。车上有越来越多的节点在不断产生信息：激光雷达的数据、毫米波雷达的数据、摄像头和其他传感器的数据，都在源源不断进入整车系统。

这些数据通路，有些需要在车辆边缘侧就近汇聚和处理，比如靠近传感器或执行器的位置；而在很多情况下，它们最终还要被送到中央 ECU，进行更高层级的计算和决策。

因此，今天的汽车对互联能力和车内网络的要求，已经远远超过过去。它不再只是几个电子模块各自工作，而是大量传感器、控制器和计算单元组成一个高度互联的系统。如何把这些信息高效、安全、低延迟地连接起来，正在成为新一代汽车电子架构的关键挑战。

老石：

我知道TI有一个产品系列，TDA5。

Roland：

是的，TDA5 是我们部门最近发布的一款产品。TDA 代表 TI Driver Assist，也就是 TI 的驾驶辅助产品线；数字 5 则代表它已经发展到了第五代。

事实上，TI 做驾驶辅助相关方案已经超过 15 年了。早期的需求可能相对简单，但随着汽车智能化的发展，客户和消费者的要求也在不断提高。今天，大家希望汽车能够完成越来越多驾驶任务，甚至在某些场景下实现更高级别的自动化驾驶。需求变了，芯片和系统能力也必须随之成长。

TDA5 正是为这样的挑战而来的。它不是单一芯片，而是一整个器件家族，可以帮助客户实现符合法规要求的车辆自动化能力。在一些 OEM 的具体应用中，它也可以支持更高等级的功能，甚至覆盖超过 L3 的自动化需求。

你前面提到过 AM62A，这也是一个很有意思的例子。它非常适合车内驾驶员监测系统，也就是 DMS 应用。

今天的汽车里，不只是有 ADAS，不只是有座舱娱乐系统。车内还会有摄像头，它并不是为了“打扰”驾驶员，而是为了确认驾驶员是否处在安全驾驶状态。

比如，它可以检测你的手是否还在方向盘上，也可以判断你的眼睛是否还看着前方道路。更进一步，它还可以处理眼睛位置、瞳孔变化等信息，用来判断驾驶员是否疲劳。如果系统发现你已经不适合继续驾驶，车辆就可以提醒你靠边停车，喝杯咖啡，休息一下，甚至小睡一会儿。

这是一个非常重要、也越来越受到法规推动的应用。

而且，同样的能力并不只用于监测驾驶员，还可以扩展到车内乘员监测。比如，它可以检测乘客的位置，确认他们是否系好安全带；也可以在驾驶员分心或匆忙离车时，提醒车内是否还有孩子被留在后排座椅上。

遗憾的是，无论在美国还是全球其他地方，都曾发生过儿童被遗忘在车内、最终造成严重后果的事件。正因如此，这类车内监测能力并不是一个“炫技功能”，而是真正关系到生命安全的技术。

这也是很多汽车电子产品的特点：它们可能隐藏在车里，用户平时并不会意识到它们的存在。但当真正需要的时候，它们就在背后默默工作，帮助汽车变得更安全，也让人的出行体验变得更好。

七、虚拟开发：让软件开发跑在硬件之前

传统硬件开发里有个让人头疼的死结：芯片造不出来、软件就没法跑。软件团队只能等芯片流片回来，才能真正开始开发和调试。但这次我发现，TI已经在用一种基于数字孪生的开发新方法，在云端克隆出一套和真实芯片一模一样的虚拟环境，能让芯片还没就绪的时候，软件团队就已经能提前把代码跑通了。这种虚拟开发方法，给AI时代的硬件迭代按下了快进键。

老石：

我之前主要做的是芯片验证，尤其是功能验证。在这个领域里，我们经常会提到一个词，叫做 Shift Left，也就是尽可能把问题发现得更早。

它背后的逻辑很简单：bug 越早被发现，修复成本就越低；如果等到芯片流片之后、系统集成之后才发现问题，代价就会高很多。

所以我想问的是，在汽车软件和汽车芯片开发里，是否也正在形成类似的方法论？比如，能不能让软件团队不必等到真实硬件完全就绪，才开始做开发、调试和验证？有没有一些虚拟平台、仿真环境，或者软硬件协同开发工具，可以让软件尽早跑起来？

换句话说，汽车行业有没有自己的“Shift Left”实践，让软件在硬件到来之前就先动起来，从而缩短整体开发周期，加快产品上市时间？

Roland：

很高兴你问到这个问题。因为这正是 TI 正在积极布局的方向。

我们已经和合作伙伴一起，提供了虚拟开发套件，也就是 VDK，Virtual Development Kit。简单来说，它可以在真实硬件出来之前，先提供一个虚拟化的硬件环境，让客户提前开始开发。

这意味着，我们可以在实际芯片硬件交付之前几个月，就基于虚拟硬件发布软件库和开发套件。事实上，我们已经和合作伙伴一起，把这些 SDK 和 VDK 推向市场。

它带来的价值非常直接：客户不只能在真实硬件上开发，也可以在虚拟环境里开发。他们可以利用云计算资源，在虚拟平台上验证自己的系统，测试不同的 ADAS 场景、安全场景，以及更多复杂工况。

这种变化非常重要。我们相信，这会成为市场上越来越明显的趋势。未来，一辆车会有自己的数字孪生。它不只是某一颗大 SoC 的虚拟模型，也可能包括车内其他 SoC 的数字孪生。它们会在同一个 VDK 环境中协同运行，让客户能够评估完整的系统方案。

这对于后续的软件更新也非常关键。比如，当一辆车已经交付给用户之后，厂商如果要推送新的软件版本，就可以先把更新部署到数字孪生环境里，验证功能是否正常，覆盖更多场景，确认没有问题之后，再推送到真实车队中。

在 TI 看来，这可能是当前汽车开发流程中最重要的一次变化。我们已经在今年 1 月发布了面向 TDA5 的 VDK，而这个时间点比真实硬件上市早了几个月。

这不仅能让客户提前开始软件开发，也能让他们提前评估部分硬件能力，并给我们反馈。如果客户有一些特定应用场景或特殊需求，我们甚至可以根据这些反馈，在硬件真正完成之前，做出一些有价值的调整。

换句话说，VDK 的意义不只是让软件提前跑起来，而是把汽车软硬件开发的起点整体前移。它让客户更早验证系统、更早发现问题、更早优化方案，也让新一代汽车产品更快、更安全地走向市场。

八、智能音频：体验升级与安全保障的双重需求

现在汽车里的音频，早就不是放首歌那么简单了，它一边要给你营造极致的听觉享受，一边还要时刻充当行车安全的守护者。接下来我们要讨论那些藏在音响背后的硬核技术，看它们如何保证实时降噪、过滤掉杂音的同时，又能提取出救护车的鸣笛声这样强安全相关的声音，甚至能让主驾和后排互不干扰。

Roland：

我大概算是半个音频爱好者。大学的时候，我曾经很喜欢设计音箱、低音炮和 D 类功放，那是我过去很享受的一段经历。而到了今天，我依然很在意车内体验。对我来说，开车不只是看动力、操控和驾驶感受，我也一定会去听这辆车的音响系统。

但现在，车内音频已经不再只是服务驾驶员的娱乐体验。

比如，主动降噪就是一个非常重要的功能。而且它背后其实也有安全含义。你可以想象，如果驾驶员正在车里听很大声的音乐，气氛很好，但这时旁边出现了警车、救护车或者其他紧急车辆，驾驶员就必须被及时提醒。

所以，今天的汽车需要内置一些更智能的音频功能。比如，当系统识别到附近有紧急车辆时，它可以主动降低车内音量，让驾驶员注意到外部环境。这已经不只是舒适性问题，而是安全问题。

我们现在和客户一起做的一些工作，就是利用 TI 的音频 DSP，帮助他们实现更智能的车内音频体验。比如系统可以根据用户偏好提前调音。用户可能自己说不清楚到底喜欢更重的低音，还是更明亮的高音，但系统可以通过交互和算法，逐渐帮他管理和优化自己的听感体验。

而且，这种体验还可以因座位而异。驾驶员座位上的体验，可以和乘客座位上的体验不同。

举个例子，如果驾驶员接到电话，驾驶员这边可以暂时关闭音乐，专注通话；但乘客那边仍然可以继续听音乐，不影响他们自己的娱乐体验。也就是说，车内音频正在从“全车一个声音”，变成“不同座位有不同体验”。

这些功能背后，其实都是非常复杂的 AI 算法和 DSP 处理任务。但音频 DSP 正是 TI 长期积累的领域。TI 做音频 DSP 已经超过 40 年，所以我们相信自己在这方面有很强的能力，也对已经推向市场的新产品感到非常兴奋。

九、行业展望：给物理AI时代工程师的建议

最后的问题是，展望未来，你认为接下来 Physical AI 最有可能在哪些领域真正爆发？

Roland：

它还会继续演进。

当我看我们今天服务的那些解决方案和系统时，一个很明显的现象是：还有大量系统其实并没有真正用上 AI。换句话说，没有 AI 的设备和应用，数量远远多于已经使用 AI 的设备和应用。

这也意味着，Physical AI 的机会并不只是出现在那些已经很“智能”的产品里。更大的空间，可能恰恰来自那些今天还没有 AI、但未来可以通过传感器、实时控制、边缘计算和智能决策变得更聪明的系统。

而且，中国一直站在很多前沿创新的最前面，我也有机会看到一些非常令人兴奋的应用。

比如，我们在中国的一些客户，已经在用 AI 做驾驶员监测相关功能，包括识别驾驶员状态、行为和注意力变化等。也有客户使用 AM62A 这样的器件，去做产品质量和缺陷检测。

这类应用并不只是发生在传统工业产品上，甚至可以延伸到医疗检测相关的耗材。比如试管。试管玻璃的厚度、均匀性和缺陷，都可能影响后续检测结果。因此，AI 可以被用来检测这些细微参数，帮助系统判断产品是否符合要求。

这些场景在中国已经真实发生。它们说明，Physical AI 并不是一个遥远概念，而是正在进入汽车、工业质检、医疗检测等大量现实系统之中。AI 不再只是分析数据，而是开始帮助设备观察真实世界、判断真实状态，并对真实生产和安全结果产生影响。

老石：最最后一个问题，如果要给那些想参与这一轮 AI 浪潮，尤其是 Physical AI 浪潮的人一条建议，你认为他们最应该培养什么样的能力？

Roland：

我不认为这些能力会像大家想象中那样发生巨大变化。

对工程师来说，最重要的能力，首先还是好奇心。

你要对自己今天手里的方案保持好奇：它是不是已经足够好了？它是不是还有更好的实现方式？有没有可能用新的工具、新的器件、新的系统架构，把它做得更快、更可靠、更低功耗，或者更容易落地？

你也要对问题本身保持好奇。不要只是接受眼前的限制，而是要不断追问：真正的问题是什么？有没有更好的路径？有没有更合适的产品和技术可以帮助解决这个问题？

当然，也包括去了解 TI 能提供哪些产品和能力，看看它们能不能帮助你解决当前面对的工程挑战。

在我看来，一个工程师带到问题解决现场最宝贵的资产，不是某一个固定技能，而是持续追问、持续探索、持续改进的好奇心。

（注：本文不代表老石任职单位的观点。）