端侧AI崛起，芯片行业面临物理AI新考题
随着AI从数据中心走向日常生活场景，端侧AI和物理AI成为产业发展的新方向。文章分析了端侧AI在机器人、PC等领域的渗透现状，探讨了其对芯片设计、测试带来的挑战，并指出云边端融合将成为未来趋势。
过去两年，AI讨论的核心围绕模型规模和参数数量展开。然而，2025年至2026年间，AI应用的落地场景正在发生深刻变化。当AI从数据中心走向口袋、车间和街头，它需要适应有限的电池续航、时断时续的网络连接以及严苛的实时性要求。这种场景优先的转变，使得端侧AI和物理AI成为产业界关注的焦点。
根据CounterPoint Research的数据，2025年全球人形机器人装机量中，中国占比已超过80%；IDC预测，中国具身智能机器人用户支出规模将从2025年的14亿美元增长至2030年的770亿美元，年均复合增长率高达94%。在更广泛的端侧AI领域，IDC统计显示，2025年全球AI PC出货量约为1.14亿台，渗透率约43%，预计到2026年这一数字将升至1.43亿台，渗透率超过55%。
英特尔公司副总裁高嵩指出，从数字AI到物理AI，出现了本质性的不同。数字AI可以低成本收集海量数据，而物理世界的历史难以获取，且物理AI不能只做一件事。Figure AI的研究表明，通过特殊训练方法，机器人在新场景的成功率可以从9%提升至56%，但仍距离可部署、可复制、可量产的目标存在差距。
在汽车导航场景中，视源股份商用显示BG副总裁王玉龙算了一笔账：虽然Token单价下降，但实际所需上下文快速扩张，导致每月AI账单非常可观。端侧部署算力不仅能降低用户成本，还能保障隐私安全。以零售场景为例，商米科技执行董事陈桂鸿表示，点餐时如果完全依赖云端服务，会受到网络带宽和稳定性的影响。
高嵩举了一个电能领域的客户案例：一家公司需要机器人模拟空间仿真来规划安装流程，这实际上把后端工作前置到前端，对算力和工作流提出了前所未有的要求。
端侧AI的发展给芯片厂商带来了新的挑战。首先是带宽与距离成本问题，AI推理的瓶颈往往不在算力本身，而在数据搬运。其次是存储墙问题，Agent业务需要持续生成、更新大量KV Cache与任务状态，进一步放大访存压力。
芯片测试环节也因AI芯片的复杂性而变得尤为重要。AI芯片通常拥有更复杂的逻辑、更密集的接口、更高的运行频率和功耗，一旦进入封装阶段，前序投入的价值会迅速上升。因此，晶圆阶段筛出'已知良品'变得至关重要。
展望未来，端侧AI的深度普及将成为消费电子行业的核心驱动力。传统手机、PC、平板等成熟终端将持续导入端侧AI能力，同时AI PC、智能穿戴、空间计算设备等创新终端将成为行业增量来源。产业链各方需要协同应对硬件性能、系统稳定性、生态适配等多重挑战，共同推动AI技术从实验室走向大规模商业化落地。
