从演示到量产的算力鸿沟

机器人行业现在面对着严苛考验, 展示很亮眼但落地很困难, 核心卡点在于如何把AI推理、感知、控制、安全等等类算力归集到统一系统, 要是这种归统没法处理好, 机器人就很难在真实场景里批量且稳妥运行。

全球工业机器人市场规模已创下167亿美元的历史新高。随着机器人进入制造领域、物流领域、医疗领域、农业领域等, 承担更繁复的任务, 这种增长态势还将进一步加速, 对机器人企业而言, 如何将出色的产品演示转化为安全、可靠且具备成本效益的商业化产品是当前最紧迫的挑战。

新增AI能力带来的系统级挑战

每每新增加的一项AI能力, 都会对算力、软件、能效、成本、安全性及系统集成提出极高的要求就也来。
这还引出了一个具备根本性特征的系统级挑战, 也就是如何让机器都具备一种能够支持可靠运行的智能, 得以实时细致敏锐感知一切、灵活稳定移动、自适应环境变化, 并安全稳当执行各项任务。对于那些要从实验室走向实际部署的产品来说, 这就正是都必须全力跨越的一道关键障碍呀。

Arm物理AI机器人技术研究全球负责人在最新发布的白皮书《机器人系统尚缺的科学基础》中, 深入探讨了这一问题。白皮书提出一种面向下一阶段物理AI发展的系统级方法, 阐明机器人若要在真实世界里可靠运行, 为何需要把多种能力深度融合到统一的平台之中去。

机器人本质是持续运行的自主系统

机器人并非单一功能模块, 反而是套自始至终持续运行的自主系统。电机控制须要具备可预测性并且可确定性的时序要求, 感知处理以及AI的推理运作则所需要高额输出强度计算算力储备。
运动规划须要快速访问各类传感器的全部数据信息并全部完成所处周边环境的认知判断工作, 而全方位的安全监测则须要具备更佳的工作优先级以及专属防护隔离设置, 这一类全部功能需求一定要相互高度协同才能进行工作。

各类功能之间需要高效协同与共享处理数据, 避免出现性能瓶颈、延迟且不可预测的系统行为。如何保障多元类工作负载无缝协同运行, 是当代机器人系统面临的核心大工程大挑战之一。随着机器人承担越来越复杂多样的任务, 工程团队需从系统层面理解每项特定能力对整体架构带来的潜在性影响。

算力与内存带宽的系统性制约

更大的模型、信息更完备的世界的模型或更长链路的连续推理的机制, 又或能提升物理AI系统的能力边界, 但伴随这些到来的, 也会显著提高对存储系统、内存带宽、资源的调度和实时运行控制的能力的要求, 这些底层的约束直接限死并碍着了顶层智能该有的能力的发挥。

无论是工业机器人、自动驾驶汽车、人形机器人还是服务机器人, 都需要能够对不同工作负载进行分配、调度、让其彼此隔离并协调的系统, 同时还必须保证实时的控制效果和安全的关键功能方面的行为具备可预测性, 虽然不同类型的机器人对算力具体需求有所区别, 不过它们都需要一套能在真实世界的相关约束之下用来有效协调智能决策环节和物理执行环节的系统性方案或者机制。

工作负载分配成为核心决策

这使得工作负载分配成了机器人设计的核心决策。工程团队得明确哪些任务交由CPU执行、哪些交由加速器处理, 哪些应布置在实时域之中, 同时需规划不同功能模块间的数据传输, 还得划定哪些工作负载得优先调配、哪些则必须完成隔离运行, 来保障系统稳定性。

AI加速器负责执行AI模型, 而CPU通常承担着整个系统繁复的协同调度工作, 具体包括管理传感器, 调度工作负载, 在处理器之间传输数据, 维系操作系统的顺畅运转, 即便AI工作负载不断变得更为复杂, 也要保障安全关键软件持续保持稳定运行, 这是维护机器人具备可靠性能的核心所在啊。

构建异构计算的高能效底座

能兼顾各类工作负载间性能、能效、安全性及软件可移植性这个计算基础的支持, 是离不开下一代机器人开发需求所需要的内容的。Arm倾力于推减机器人系统开发的复杂度以促进行业创新速度, 经过不断深化对机器人系统及架构的研究度与理解度来助力工程团队把前沿构思成落地布署的产品性能力。

Arm正通过面向异构计算高能效和可扩展系统, 为机器人生态系统打造计算底座, 从高性能应用处理, 到低功耗感知控制以及安全关键任务执行, Arm赋能工程团队打造能够在真实世界下实现更高智能、更高能效、更高可靠性的机器人, 推动行业愿景成为现实。

机器人规模落地里, 你觉着到底是算力瓶颈还是软件架构更难进行突破? 欢迎诸位点赞分享并留言参与讨论。