不久前，摩根史坦利在一份針對中國具身智能產業(yè)的報告中指出，除了「大腦」（即芯片）部分仍依賴于國外高端 AI 芯片，人形機器人幾乎所有的身體部件都可以在中國國內生產。

具身智能市場期待著中國團隊在AI芯片領域迎來破局。

作為從中國明星智駕芯片公司地平線孵化出的機器人團隊，地瓜機器人在6月11日正式對外發(fā)布了新款算控一體開發(fā)平臺RDK S100。以2499元限時定價提供百TOPS級異構算力（集成CPU/BPU/MCU），并搭載「開箱即用」的全套開發(fā)工具鏈。

「只需10分鐘就能體驗到所有核心AI功能。」地瓜機器人開發(fā)者生態(tài)副總裁胡春旭表示。

RDK S100其技術核心在于創(chuàng)新的「大小腦」異構架構——通過單顆SoC集成三類計算單元并實現功能協(xié)同：

大腦系統(tǒng)采用6核CPU處理復雜邏輯調度，搭配新一代自研"納什"架構BPU（專為CNN/Transformer優(yōu)化），提供80TOPS（S100）或128TOPS（S100P）AI推理算力；

小腦系統(tǒng)則由4枚Cortex-R52+核心構成獨立MCU，以鎖步模式（Lock-Step）運行確保高實時運動控制與功能安全。

地瓜機器人表示，經算法-芯片聯合調優(yōu)，該架構展現出顯著性能突破：運動控制算法經BPU加速后，推理效率較純CPU方案提升超百倍；前沿操作策略模型（如Diffusion Policy優(yōu)化版）在同等硬件環(huán)境下亦實現10倍以上效能躍升。

同時，2499元的這一價格幾乎只有英偉達同等算力水平方案的一半。

而能做到這一點的原因，離不開地平線內部資源的復用，以及成熟的產業(yè)鏈經驗，使其可有效控制SoC成本。

據介紹，這款新發(fā)布的RDK S100在正式亮相前，已經與超過20家具身智能領域頭部客戶建立了合作，并獲得了超過50家合作伙伴展開測評。

此前，地瓜機器人已經發(fā)布過兩款機器人芯片，算力接近10TOPS，主要服務于使用中低算力的掃地機器人、割草機等機器人。

此次發(fā)布的 RDK S100意味著第一次將算力提高到上百TOPS級別，可以滿足更高階具身智能機器人的使用。

在現場演示環(huán)節(jié)，地瓜機器人使用 RDK S100 連接了宇樹機器人，用 RDK S100 的算力實現了機器人跳舞；在求之科技AIRBOT機械臂上，一個機器人用RDK S100 的算力則實現了對桌上物品的識別和抓取。

地瓜機器人剛剛完成1億美元A輪融資，但其目標并不是加入具身智能產品的競爭中去，其定位與地平線在智能汽車行業(yè)的定位相似，成為機器人時代的Wintel，打造機器人時代的CUDA。

生態(tài)是科技公司的護城河，地平線已經在自動駕駛領域證明過這一點。

現在，地瓜機器人要做的事，一定程度上可以看作地平線在具身智能機器人領域復刻其成功路徑。

在這場發(fā)布會上，《深度AI》與地瓜機器人開發(fā)者、生態(tài)副總裁胡春旭進行了對話：

01.

做類似英偉達 CUDA的機器人生態(tài)

Q：地瓜的定位為什么聚焦在機器人套件和計算中心，而非直接制造機器人本體？

胡春旭：我們團隊的核心背景來自自動駕駛領域?；仡欁詣玉{駛的發(fā)展歷程，以及更早的計算機和手機時代，一個清晰的規(guī)律是：當一個行業(yè)（如汽車智能化）即將迎來爆發(fā)性增長時，其底層支撐技術必然走向標準化平臺化。Wintel聯盟（Windows + Intel）之于PC，ARM+Android之于手機，都是經典例證。底層標準化是支撐上層應用繁榮和行業(yè)規(guī)模擴張的關鍵基礎設施。

在地平線的時候，我們就致力于構建生態(tài)和平臺。進入機器人領域后，我們延續(xù)了這一核心思想——堅持做底層的、支撐性的平臺。這就是為什么我們選擇聚焦于套件和計算中心，而非直接下場做本體。

Q：您提到機器人行業(yè)還在初期，那地瓜選擇現在這個時機切入底層平臺建設，是基于什么判斷？

胡春旭：機器人行業(yè)目前仍處于早期階段，但放眼未來10年、20年，它必將迎來爆炸式增長。伴隨這種增長，行業(yè)內部一定會分化出類似「Wintel」這樣的角色，提供標準化的核心平臺（包括硬件套件和計算中心）。

Q：地瓜提出「機器人母生態(tài)」目標，而英偉達通過CUDA構建AI生態(tài)并側重云端（如Omniverse），地瓜則聚焦端側落地。如何將端側差異化轉化為生態(tài)護城河？是否擔心英偉達「Omniverse+邊緣芯片」的組合擠壓空間？

胡春旭：現階段我們與英偉達更多是互補協(xié)作而非直接競爭。英偉達的核心優(yōu)勢在云端算力（如Omniverse訓練仿真），而地瓜專注解決未來海量機器人終端的本地化智能需求與高效端側算力平臺。我們主動融入現有生態(tài)——利用Omniverse進行模型訓練，同時通過自研工具鏈實現模型到地瓜端側平臺的無縫、高效遷移，以大幅降低開發(fā)者成本。

02.

大小腦是機器人走向具身智能的更可行方案

Q：汽車智駕當下最新的技術方案是世界模型，機器人領域是什么？如何看待世界模型技術在機器人領域的應用？

胡春旭：地瓜機器人是從地平線孵化出來的團隊，所以繼承了很多汽車上的技術和Know-how。這些經驗放在機器人行業(yè)看，我覺得都是有效的。具身機器人的技術演變邏輯與智駕之間有很多相似之處，但區(qū)別在于汽車的驗證進度要比機器人要快。原因主要是汽車場景的數據獲取成本比機器人低得多。

機器人未來的演進路徑，可能也會類似汽車智駕L1-L5等級。目前汽車大概是在L2-L3之間，機器人可能相對滯后一點。假設機器人L5是真正的AGI，那L5的機器人會替代其他機器人嗎？我們覺得不會，L2-L5機器人之間應該是并存的關系?？赡軈^(qū)別是機器人的L4-L5是端到端、世界模型的方式驅動智能，L2-L3還是分段式。

回到RDK S100上來，我們的定位肯定不是一步到位。畢竟100TOPS級的算力，做不到端到端大模型的算力支持。我們現在的定位，更多是為了解決機器人L2-L3分段式模型的技術路徑。

Q：參考汽車智駕分類體系，機器人不同等級應該有什么樣的能力，分別對應多少算力配置？

胡春旭：我個人判斷的話，類比汽車L2+需要400TOPS、L3需要1000TOPS算力，機器人需要的算力分級可能會比汽車的需求高50%-100%。類比汽車L2+，機器人可能需要600-800TOPS算力。這是因為機器人AI面臨的任務復雜度比汽車高得多。但算力也不是越大越好，因為算法和模型的效率也相當重要。所以并不能完全說800TOPS算力支持的模型效率就比400TOPS高一倍。整體看來，我認為機器人L1-L5之間對應的算力大概會有一個相對值，但具體是多少，現在其實沒有形成共識。

Q：當前機器人行業(yè)熱議「大小腦融合」，是否所有機器人都需要該方案？哪類場景會率先落地？

胡春旭：我們認為大小腦的方式一定不是所有機器人都會有的，如果對應到G1到G5階段，我們認為從G2到G3，在G3整個Level里都是大小腦協(xié)同的方式。但是到G4和G5，是以端到端的方式，那輸入就是各種多模態(tài)視覺的信號，輸出直接到明確帶時間戳的關節(jié)信息，直接產生運動了，這才能叫端到端。所以目前整個兩種技術流派中，在短期內能夠有落地快速可能性的是大小腦模型。

具象化到我們的場景來看，100T算力對應到的幾個場景，一個是商業(yè)化清潔，一個是低速物流的車，有可能是在園區(qū)跑的，有可能是在室外跑的，類似于配送這種場景；也有可能是四足類的機器人，做一些巡檢的工作。這種場景既滿足場景相對可控，是一個比較結構化的場景，又滿足算力要求相對沒有特別大。所以從成本、功耗到功能，他能夠在短期內最容易達到一個相對均衡產品化規(guī)模的可能性，所以我們認為這種場景會更合適，所以這也是反推我們先推出RDK S100 SoC的原因。

Q：數據和算法是機器人開發(fā)的兩大難題，地瓜如何幫助開發(fā)者，尤其是小團隊解決這些問題？

胡春旭： 大家都在面臨數據的問題，大概的解決辦法有兩大類。

第一大類是沒有數據，就去產生數據。我們內部會做一個云平臺，核心功能就是去產生數據。比如一個國內公司做海外業(yè)務，沒有海外的數據，沒問題，我們通過云平臺，基于大模型輸入一些prompt，就可以產生一千張、一萬張甚至更多的數據來支持他做訓練。我們也會有大模型的方式來做自動化標注。整個過程提供一套完整的工具鏈。

第二種方式，是通過盡量小的數據讓模型泛化程度更高。比如抓取，市面上主流的方式叫GraspNet，我們算法團隊會對這個模型做充分的優(yōu)化、改造，做完之后能夠跑到非常高的效率，同時我們把結果通過開源的方式分享出去。這樣開發(fā)者就不用再從頭做訓練、數據采集了，只需要基于我們的模型，把它當成一個Foundation Model，結合他的業(yè)務場景做一些調優(yōu)。我們在ModelZoo里面現在提供了100多種類似這樣的模型。

03.

答案不在舊地圖上

Q：地瓜機器人現在與地平線如何合作推進具身智能？雙方是獨立運營還是存在更緊密的協(xié)同？

胡春旭：兩家公司在技術淵源上緊密關聯。地平線機器人實驗室專注前沿研究（如四足/人形機器人），地瓜則與其開展深度算法合作——例如本次展示的人形舞蹈算法即由雙方聯合開發(fā)：地平線提供通用框架，地瓜貢獻行業(yè)know-how與部署經驗，共同推動技術落地。

Q：從智能駕駛到機器人，既有掃地機等消費場景的「降維」，也面臨具身智能（如人形機器人復雜任務）的「升維」挑戰(zhàn)。這些升維挑戰(zhàn)如何破解？

胡春旭：現在升維這部分最大的挑戰(zhàn)是數據，因為車場景里數據的獲取成本相對較低，有大量車在跑了，他有不斷的數據可以進來，但機器人數據很少，這是一個核心卡點，所以我們會通過很多種方式來解決數據的問題。

我們認為目前機器人在某些點還沒有單點突破的一個很重要原因是，他沒有把需求真正提煉出來，這時候地瓜機器人的角色很特別，我們是在布局整個生態(tài)，所以我們會看到各種各樣的開發(fā)者、需求，以及國內和海外不同化場景，因此我們會將提煉后的行業(yè)判斷輸出給生態(tài)伙伴，針對性解決其落地痛點，例如優(yōu)先攻克封閉場景中運動規(guī)劃、多模態(tài)感知等關鍵模塊。