在世界机器人大会WRC 2026开发者日上，Arm物理AI机器人技术研究全球负责人Federico Pecora发表主题演讲，深入探讨了物理AI从“能力堆叠”向“系统级自适应”演进的行业趋势。他指出，尽管机器人在感知、认知和运动控制等领域取得显著进展，但当进入人流密集、充满不确定性的真实场景时，仅靠单一能力的突破难以支撑商业化落地。真正的挑战在于构建一套能够动态组合多类能力、实现稳定可靠且自适应调整的完整智能系统。
Federico Pecora强调，对于物理AI而言，模型能力仅是起点，能力编排、实时调度、状态管理和行为约束机制才是机器人进入开放场景的关键。泛化能力被视为机器人规模化落地的核心，而如何通过高效计算支撑这一能力，成为Arm重点聚焦的挑战之一。他透露，基于Arm的计算平台已具备高能效计算、实时响应和安全隔离等技术优势，其在汽车领域的经验同样适用于物理AI场景。
机器人应用面临独特挑战：需处理形态各异的物体，执行多样化任务。这要求计算架构支持更多并行运行的感知与规划模型，同时满足复杂控制需求。Federico Pecora认为，未来计算平台需支持不同机器人间能力的复用与组合，提供统一、开放且可扩展的基础，降低开发复杂度，加速创新落地。他预测，定制化能力将愈发重要，机器人需在功耗和散热限制内实现智能能力，计算平台需在CPU、加速器、内存和带宽等维度灵活扩展，同时保持底层技术统一。
“Arm的核心使命是赋能生态系统和开发者。”Federico Pecora表示，通过提供ISA一致性等能力，开发者可在云端完成开发和训练，直接迁移软件至边缘侧和终端机器人平台，无需大规模重构或适配。这一优势为机器人技术落地提供了关键支持。
机器人能力演进正经历三个阶段：从跨对象泛化到多任务智能，最终实现系统级自适应。跨对象泛化已在分拣、物流等场景验证，多任务智能支持机器人根据需求切换能力组合，而系统级自适应则允许终端用户或机器人自身根据环境变化调整能力，无需重新开发或部署系统。泛化能力的商业价值在于降低机器人适配新场景、新流程和新任务的成本与复杂性。例如，在人形机器人超市购物场景中，机器人需推车跟随、无地图自主寻路、识别商品、搬运重物，并实时调整行为和运动模型，与人协作时遵守行为约束，在动态环境中持续提供可靠结果。
随着机器人从技术演示走向现实部署，产业需解决四大系统级挑战：如何实现不同环节的能力匹配，如视觉语言动作模型、参数化控制器等模块的协同；如何持续协同运行中不同时间尺度的工作负载，避免计算资源争抢导致的响应延迟或安全风险；如何将能力映射到计算资源，合理划分CPU、专用加速器、内存和通信链路的计算任务，降低数据搬运成本；如何约束和管控能力，确保安全屏障、运行时保障和控制问题建模随系统变化保持有效，构建具备强制约束力的行为防护框架。
Federico Pecora提出，泛化能力的落地将分层释放商业价值：从软件、模型与技能的跨任务复用，到终端用户通过演示或语言指令完成自适应配置，最终实现完全由环境上下文驱动的自主自适应，拓宽机器人用例范围。他指出，这首先是机器人系统架构的问题，其次才是计算架构的问题。目前机器人架构尚未成熟，优化空间巨大，这些演进可能反过来塑造计算架构的发展方向。
Arm架构解决方案凭借“高能效、高可靠、高适配”的优势，已广泛应用于各类机器人产品。为应对全场景自适应机器人的挑战，Arm计划通过专项研究攻克关键问题，与物理AI领域的生态伙伴合作构建下一代计算架构，同时与全球学术界推动前沿研究，将创新成果汇聚并在商用平台上验证落地。在中国机器人产业创新涌现的背景下，Arm计划携手本地伙伴，共同推动自适应机器人技术迈向更广泛的真实世界应用。
