行业趋势：AI能力演进与算力需求转移 - AI能力发展正从基础能力大模型向智能体AI演进，更注重提供具体功能以构建工作流 [3][7] - 具身智能作为物理AI的重要形态，将数字世界的智能能力嵌入实体设备与真实世界交互，这类应用多以推理为主 [3][7] - 行业分析机构预示，AI算力需求的重心正从训练向推理转移，这将消耗相应比例的算力 [3][7] 技术架构：异构计算成为核心需求 - 多智能体构建完善工作流并实现多流并行运作，对异构基础设施提出需求 [3][7] - AI Agent的功能支持包含多种模型、调度器及预处理模块，这些模块需不同硬件提供最优能效比与成本经济性支撑 [3][7] - 尽管所有任务均可在CPU上运行，但难以兼顾及时性与功能有效性，因此需高端GPU、中端GPU等多种硬件组合搭配，针对不同规模模型与任务场景实现精准适配 [3][7] 系统构建：异构支持能力的三个层面 - 上层需构建开放的AI软件栈，屏蔽系统级变化以保障应用投资有效性 [3][7] - 中间系统基础设施需适配中小企业需求，提供友好的服务器设置配置及以太网互联方案 [3][7] - 底层需整合持续演进的多元硬件，包括不同架构的CPU、GPU、NPU、AI加速器及类脑计算设备，通过分层基础设施构建灵活异构系统 [3][7] 应用领域：具身智能机器人的实现与挑战 - 针对具身智能机器人领域，智能任务实现方式从传统分层定制模型到全端到端VLA模型，行业尚未确定最优方案，正处于多元尝试阶段 [4][8] - 传统工业自动控制方案侧重可靠性、实时性与计算精度，而基于大语言模型的方案偏向神经网络解决路径，需差异化计算架构支撑 [4][8] - 可通过CPU实现高速响应、NPU低功耗输出、GPU完成视觉与语言模型识别，依托CPU+GPU+NPU的异构芯片调度不同工作负载 [4][8] 未来展望：具身智能机器人的规模化发展 - 具身智能机器人时代必将到来，也将带来算力和能耗挑战，异构计算正逐渐成为AI基础设施的核心架构 [4][8] - 未来当机器人规模达到百万级，将突破工业场景限制，广泛承载商业化、个人化应用，亟需多智能体系统支撑 [4][8] - 多智能体系统运行于物理AI设备的技术堆栈仍面临诸多挑战，而异构计算是解决系统可信赖问题的关键路径 [4][9]