具身智能爆发前夜，英特尔的价值坐标何在？

从 CES 2026 的热潮到多模态模型的狂飙，具身智能正在从科幻走向产业，但它也正在经历一次典型的“概念错位”——很多人以为把模型塞进机器人就够了。但英特尔研究院副总裁、英特尔中国研究院院长宋继强在近日的一次技术分享会上谈到：真正的拐点不在于会不会说，而在于能不能稳定地执行、持续地工作、出错时还能体面地收场。
 
具身智能究竟需要怎样的计算架构？在神经网络的幻觉与环境不确定性面前，如何把物理安全变成可设计、可验证、可兜底的能力？围绕这些关键问题，我们与宋继强展开了一场深度对话。
 
具身智能要落地，为什么异构计算绕不开？
 
“如果只是播放视频、生成语音、处理文档，这些都不叫具身智能”。宋继强指出，具身智能必须满足三件事：有物理实体能感知外界，能理解环境并做出决策，最关键是能通过执行器改变物理世界（搬运、抓取、移动、操控），并把改变反馈回感知与决策，形成闭环。
 
无论是无人机运送物资，还是机器人在工厂操控，只有具备这种“改变世界并持续闭环”的能力，才能被称为具身智能。而这种复杂的实时交互，对底层计算能力提出了极高的异构化要求。
 
问题在于，感知→理解/决策→执行→再观察这条链路上的每一段对算力形态的要求并不一致：感知侧可能需要高吞吐（多路相机、雷达、力觉等），决策侧既要“聪明”（泛化、推理），又要“稳”（可解释、可验证），执行侧拼的是确定性与实时性（控制频率、抖动、时延上界），工业、商用、消费场景在功耗、体积、温宽、可靠性、传感器精度上差异巨大。
 
于是很难用一种硬件吃下所有负载,底层更可能走向CPU/GPU/NPU/加速器组合的异构形态。哪怕你已经有 CPU/GPU/NPU，也不意味着“同一种 GPU 设计”能在功耗与性能上都做到最好；进一步拆分，你甚至会按负载用不同级别的 CPU、不同级别的 GPU 来做能效优化。
 
 
 
宋继强把今天的业务构建方式概括为一次范式迁移：越来越多的业务不再依赖预编程、预置功能库与固定框架，而会通过多智能体方式，根据用户要求、业务流变化、场景变化去自主构成业务流，并利用生成能力生成/组装智能体来完成需求。也就是说，具身设备将越来越像一个“可装配的能力容器”。你往上装什么智能体，它就表现成什么业务形态。
 
但这也把系统挑战推到台前——准确性、可靠性、安全性、可扩展性、成本结构与响应速度，都不再是 Demo 层面的“好不好看”，而是生产力系统的“能不能用、敢不敢用”。
 
一个智能体看似是“输入—决策—执行”的整体单元，但拆开看，它往往是多类 AI 组件的拼装体：可能有扩散模型、可能有多智能体交互机制、可能有大模型推理时 prefill/decode 的不同算力需求，还夹杂大量数据预处理、后处理与媒体处理。
 
这些任务的 kernel 形态、数据规模、并行度千差万别。即便你已经拥有 CPU/GPU/NPU，也不意味着“同一种 GPU 设计”能在所有负载上同时做到最佳功耗与性能。异构的意义，是把不同负载送到更合适的计算单元上，以更好的能效比完成同一条业务链路。
 
系统2/系统1/系统0：异构不是口号，是可映射的链路
 
在具身机器人上，业界目前并没有统一最优解。理想当然是端到端 VLA：视觉、语言输入后直接输出动作，并且动作高频、高精度、可控可证。但现实是，多路线混合探索，没有一种方法能覆盖所有精度与准确度要求，VLA 也不是万能钥匙。
 
宋继强给出的解释框架很清晰——把链路分成三套“系统”：
 
系统 2（慢系统）：逻辑与理解。主要任务是运行多模态大模型（VLM/VLA），处理高通量视觉输入，理解语义并进行任务规划。硬件匹配GPU，GPU擅长并行计算，能够应对大模型的高吞吐量需求。
 
系统 1（中枢）：动作专家（Action Expert）。其任务是将上层规划映射到具体的执行器（关节、轮子），输出频率约 200Hz。硬件匹配是NPU。如英特尔酷睿 Ultra 内置的 NPU，在低功耗下提供极强的矩阵运算能力，兼顾实时性与能效比。
 
系统 0（快系统）：硬实时控制。传统的MPC 控制器，需达到 1000Hz 级别的频率，确保动作的丝滑与精确。硬件匹配擅长高精度浮点运算与快速响应，处理高频确定性任务的CPU。
 
 
 
异构组合能以更好的能效比解决问题。我们不仅需要 CPU、GPU、NPU，甚至需要不同规格的内核来处理不同负载，通过软件基础设施（如 OpenVINO）隔离硬件多样性，实现软件定义的灵活性。
 
在CES上发布的第三代酷睿 Ultra For Edge，正是英特尔针对这一愿景交出的答卷。相比消费级版本，它增强了温宽、耐用性及 10 年可靠性，支持高实时性与高确定性精度。具备工业级硬核。采用 Intel 18A 制程，XPU 架构算力可达 180 TOPS。通过英特尔机器人 AI 套件，支持大语言模型（LLM）驱动的任务规划，正式将 EtherCAT 支持纳入软件堆栈，补齐了从感知到实时控制的最后一块拼图。
 
 
 
关于“机器人是否需要专门芯片、何时推出”，宋继强给了一个条件性判断：现在机器人多用手机/汽车/PC 芯片改造适配，因为产业规模还不够支撑专用芯片的商业闭环。此外，机器人负载与技术路线尚未定型，究竟围绕 VLA 优化，还是世界模型成为主轴，业界尚无定论。做ASIC本身不难，如果系统级规格明确的话，约 10 个月可完成设计流片，18 个月左右完成测试。最难的是先把系统级规格定下来，除了跑模型，还要明确业务跑起来需要哪些系统能力。
 
这也解释了英特尔的“机会在哪里”：它并不押注某一个大模型路线，而强调自身在工业机器人底层能力上的长期积累——运动控制、高精度浮点计算、逆运动学、工业控制板与视觉库等。上层路线可能变，但工业级可部署的底层约束长期存在。
 
但异构带来另一个关键命题：软件如何在硬件多样性之上保持长期有效？宋继强强调，中间需要“系统基础设施”去隔离底层硬件差异，让上层业务编程的投入不因供应商变化而作废；上层需要相对稳定的接口，底层可以灵活演进——这也是为什么产业界越来越重视 OpenVINO 等工具链与面向边缘/机器人场景的软件栈建设。
 
英特尔机器人AI套件在去年年中发布，每个季度都会升级。套件包含机器人领域常用的软件包。此外，英特尔的具身智能 SDK新增了对大语言模型的支持，把EtherCAT支持正式纳入软件堆栈，并在实时库支持方面补齐。
 
 
 
可信赖性：守住具身智能的“安全下限”
 
当基于统计学的神经网络（如 VLA 模型）进入物理世界，“幻觉”可能导致灾难。宋继强提出了具身智能可信赖性的三个层级：决策可信、执行可信、系统出错后依然可靠。
 
宋继强推荐混合模式控制，利用大模型的泛化能力提升“上限”，同时通过神经符号 AI（Neural-Symbolic AI），注入规则与知识嵌入，用来检测神经网络的输出。上限靠模型提升，下限靠规则保障。必须确保机器人不会因为一次幻觉而产生不可接受的后果。
 
 
 
例如，把复杂任务拆成可验证的步骤单元：每一步输入输出确定，可执行、可检测、可拼接。比如“喝水”可以拆成拿到瓶子—拿起—开盖—举起—喝—放下等 6~7 步，每一步都对应一个动作原语。执行过程中不需要频繁打断：给它一个原语让它完成，完成后再检查是否达标，再进入下一步。关键点在于：原语怎么拆通常由领域专家定义，但原语之间的推理组合是自动的；原语内部的检测与执行也可以自动化。这恰恰是“可信赖性工程化”的一种路径：把不可控的连续动作，拆成可验收的离散里程碑。
 
除了决策层，物理环境的突发状况（如地面打滑、电机故障）也防不胜防。为此，英特尔提出了 PMDF 解决框架：
 
l 安全子系统：独立于主系统，代码完全可靠，持续监控传感器与执行器状态。
 
l Fallback（备用系统）：当危险发生，系统不应“直接瘫痪”，而是实现类似汽车“慢速靠边”的优雅降级。例如，引导机器人在摔倒时避开人群，或卡死特定关节以减小损伤。
 
标准缺位带来的现实后果
 
既然自动驾驶有 L1 到 L5，机器人能不能也分级递进？宋继强的判断是：目前还没看到像 L1-L5 那样严格的标准来划分具身机器人的能力。
 
其原因的原因也很现实：自动驾驶一旦上路，安全要求必须“最高”；而当下很多服务机器人、智能机器人更多停留在跳舞、展示、演示阶段，大家关注“它能做什么”，对“工业级可靠性”还没有形成同等强度的社会与监管共识。
 
但标准缺位不代表问题不存在。相反，现实问题会更尖锐：当机器人 30% 的时候表现不好怎么办？怎么检测它、管控它？这也是宋继强强调“最好尽早形成可靠性框架”的原因：即便技术原型暂时不完善，也应该先有框架，后续逐步补齐，而不是等事故和舆论把行业逼到墙角。
 
为此，英特尔联合学界及产业界的合作伙伴发布了《具身智能机器人安全子系统白皮书》,从系统架构层面提出了一个安全子系统的设计框架，旨在为机器人系统提供全方位、多层次的安全保障。
 
 
 
结语
 
如果把今天的具身智能热潮做一个冷静的归纳：行业在拼命抬高能力上限，但能否落地，取决于能否把能力下限守住——守住幻觉、守住误差、守住不确定环境下的物理风险，守住长期运行的可靠性与一致性。
 
当下许多厂商都是从大模型“向下渗透”，英特尔选择以工业级的严谨“向上赋能”。当行业重心转移到执行层面，英特尔在底层运控上的积淀便凸显出不可替代的价值。从CPU核的精细分配到I/O的实时调度，从虚拟化隔离到关键任务的Fallback机制，英特尔正在为智能机器筑起一道安全堤坝。
 
一句话：上层智能能力可以慢一点，但底层动作必须准、必须稳、必须可验收。在工业与关键任务里，这一层的可信赖执行往往比能做更多花活更重要。世界上没有通往复杂场景的万能钥匙，唯一的路径是让创新技术在成熟的工程体系中落地生根。