作者：快思慢想研究院 田丰，每日经济新闻 朱成祥
引言
南京的签字仪式上，闪光灯亮起的那一刻，两个行业的命运被悄然系在了一起。
6月11日，国内高性能GPU厂商沐曦股份与"人形机器人第一股"优必选正式签约，合资成立曦选创智科技（无锡）有限公司，目标直指具身智能芯片——机器人的"大脑"。新公司由沐曦股份董事长陈维良出任董事长，优必选创始人周剑担任副董事长，原新华三集团高级副总裁、行业BG总裁杨献波出任CEO，全面掌舵公司战略落地、技术研发与市场化运营。产品计划2027年下半年流片，2028年量产。
杨献波并非业内新人。作为国内ICT行业资深"老兵"，他在新华三集团任职期间，曾统筹政府、企业、金融、能源、交通、教育、医疗等多个行业的市场与解决方案业务——这意味着曦选创智从诞生第一天起，就带着一张覆盖中国主要产业领域的资源地图。
在理解这场联姻之前，有一个认知坐标系需要先建立：具身智能可以拆解为本体、小脑、大脑三大部分。本体是机器人的身体骨架，小脑负责运动控制与平衡，这两部分目前发展已相对成熟。而大脑——也就是真正决定机器人能"思考"多少的那部分——正处在快速进化但远未成熟的阶段。这场南京签约，瞄准的正是这块最难啃的硬骨头。
故事讲到这里，听起来像是一桩教科书式的产业联姻：一个有"矛"（芯片设计能力），一个有"盾"（场景验证能力），强强联合，顺理成章。但故事背后蕴含着产业拐点。
真正值得追问的问题是：当一家以数据中心GPU见长的公司，试图把700瓦功耗级别的架构思维，塞进一台留给芯片只有十几瓦预算的人形机器人体内时，这究竟是一次"瘦身成功"的传奇，还是一次历史早已写好答案的重演？
一、各取所需：谁在补谁的缺口？
快思慢想研究院院长、特邀评论员田丰指出："沐曦借助优必选的场景验证能力打开数据中心GPU架构向边缘场景延伸的入口，同时优必选借助沐曦的芯片设计能力补齐自身在底层算力定义权上的缺口，双方各自填补了对方手中的稀缺资源。"
天使投资人、资深人工智能专家郭涛的判断角度略有不同，但指向同一个核心事实："优必选与沐曦股份联手布局端侧AI芯片，是具身智能领域'场景需求倒逼技术落地'的关键动作。"郭涛进一步解释，优必选作为人形机器人头部企业，其产品在运动控制、环境交互中对实时算力的需求极为苛刻，端侧芯片直接决定机器人的响应速度与决策精度。而当前依赖通用芯片或海外专用芯片，要么算力冗余导致能耗过高，要么面临供应链安全风险。
这是一场看上去严丝合缝的资源互换。但凡是看上去严丝合缝的故事，往往都藏着一个被忽略的变量。
二、被低估的风险："瘦身"还是"重生"？
田丰把这个变量直接摆上了台面："这是一次架构跨度极大的'降维'尝试，暗藏风险与机遇。"
逻辑链条是这样的：沐曦的核心积累在数据中心GPU，那是一种高功耗、高带宽、依赖主动散热（也就是风扇和液冷）的架构哲学。而具身智能端侧芯片要面对的，是完全相反的世界——低功耗、强实时确定性、被动散热、靠电池供电。"把数据中心GPU架构裁剪到边缘"和"从零设计边缘架构"，是两种截然不同的工程范式，前者更像是把一件礼服改成运动服，后者是从布料开始重新打版。
历史已经做过一次这个实验，而且并不顺利。
田丰举出的例子是英特尔："历史上Intel用Atom系列尝试把x86架构压缩进移动设备对抗Arm，最终在功耗效率上失利。根本原因不是制程落后，而是架构哲学本身没有为低功耗场景重新设计。"
这背后的道理其实朴素得近乎常识：英特尔是桌面PC时代的"王者"，而PC基本插电使用，功耗从来不是设计优先级的第一位；但基于Arm架构的手机处理器，从诞生第一天起，电池供电就决定了功耗必须是第一优先级。两种芯片的设计哲学，从娘胎里就走上了不同的路。这不是谁更聪明的问题，是出发点决定了终点。
田丰由此给出了一个判断标准："曦选创智能否成功，关键看沐曦团队是否真正进行了'从零开始的边缘架构设计'，而不是'GPU架构的瘦身版本'。这是技术层面被媒体报道完全忽略的核心变量。"
三、资本市场的另一张地图
如果仅从技术角度解读这次合作，那你只看到了故事的一半。
田丰提醒，这次合资公司成立的时点本身，就是一个值得放进资本市场分析框架的信号事件。沐曦股份（688802）于2025年完成科创板上市，上市后摆在面前的核心问题是：在数据中心GPU赛道与华为、寒武纪正面竞争的叙事下，如何打开第二增长曲线以支撑估值。而优必选作为港股上市公司（9880.HK），同样需要从"硬件制造商"升级为"具身智能平台型公司"定位，以获得价值重估。
换句话说，这次合资，在技术合理性之外，客观上也是两家上市公司同时进行的一次资本逻辑再定义。周剑选择在社交平台公开发声、强调"国产芯片大脑"，是一种面向二级市场的战略营销——这并不削弱合作的技术价值，能解释为什么这次合作的公开化程度，远远超出一般的供应链合作范畴。
田丰还指出了一个中国硬科技产业链特有的协同机制：周剑将此次合作定义为与陈维良的"第二次创业"，这种创始人级别的个人关系绑定，在中国芯片-机器人产业协同中频繁出现。它本质上是用创始人个人信任替代复杂的IP分成与治理结构谈判，以换取决策速度。这与硅谷模式形成了鲜明对比——后者更依赖模块化供应链与标准化IP授权（比如Arm的IP授权模式），合作双方不需要建立股权层面的深度绑定。
这种"创始人绑定"模式的优势是早期决策效率高，但风险也同样清晰：关键人依赖度高，一旦任一方核心团队出现变动，合资公司的协同效率会显著受损。这是评估这类合资公司中长期稳定性时，比技术路线本身更值得关注的变量。
四、机器人到底缺什么？答案藏在电池里
回到最初的问题：当下的机器人大脑，比如世界模型、VLA（视觉语言动作）模型，到底缺什么？
郭涛的回答是："当前机器人存在'大脑能力不足'的瓶颈，这种不足并非单纯缺算法，更缺与之匹配的端侧算力支撑。机器人大脑需要实时处理视觉、触觉等多模态数据，在毫秒级时间内完成环境感知、路径规划、动作调整等决策，这对芯片的算力密度、能耗比、响应速度提出极高要求。"
而田丰把这个问题拆解得更深一层："端侧芯片算力不足只是机器人'大脑'能力欠缺问题的表层呈现，真正的制约在于云端训练出的模型能力与端侧实时控制之间的转换效率，芯片是这个转换过程的物理载体。"
第一层真相，是一道关于能量密度的数学题。人形机器人电池系统的总功率预算通常在数百瓦量级，扣除电机和传感器功耗后，留给计算芯片的功率预算往往只有十几瓦到几十瓦——而数据中心GPU（如H100）的功耗在700瓦量级。两者之间是数十倍的差距。这意味着端侧芯片的"算力上限"从一开始就被电池供电系统的热设计约束锁死，不是靠制程节点的进步就能单独解决的问题。
这与智能手机SoC的演进史惊人地相似。田丰指出：Arm架构最终战胜x86移动化方案的核心，不是峰值算力，而是性能功耗比（performance per watt）。机器人芯片的设计目标函数，应该是"单位瓦特能完成多少次有效决策延迟"，而不是TOPS（处理器运算能力单位）数字本身——而这个目标函数，在目前公开的机器人芯片宣传中很少被作为核心指标呈现。
五、"大脑"不是一个模型，是一套延迟预算的分配方案
第二层真相，涉及到精妙的系统设计问题："大脑"从来不是一个芯片上跑的模型，而是一套分层决策系统对延迟预算的分配机制。
具身智能系统天然存在两套时间尺度：云端或大模型承担的规划、推理、语义理解任务，可以容忍百毫秒到秒级的延迟；而运动控制、姿态平衡、避障反应，必须在个位数毫秒内完成闭环。
田丰将这个结构与诺贝尔经济学奖得主丹尼尔·卡尼曼（Daniel Kahneman）在《思考，快与慢》一书中设计的"System 1 / System 2"思考框架对照——System 2（慢思考、规划）可以放在云端或大模型侧，System 1（快反应、肌肉记忆）必须在端侧以低延迟完成。端侧芯片真正要解决的工程问题，是如何让小模型在端侧以确定性延迟完成System 1任务，同时为System 2的云端结果预留接入接口，而不是在端侧塞入一个体量尽可能大的统一模型。这正是芯片设计与模型架构设计必须协同的根本原因，也是"反向定制芯片"逻辑的工程基础。
六、即便算力无限，缺口依然在数据
第三层真相，可能是最容易被忽略，却最根本的一层：即使端侧算力无限充足，"大脑"能力缺口依然主要来自训练数据，而非芯片。
具身智能模型的训练数据，本质上是"本体特异性"的真实交互数据——不同机器人的关节构型、传感器布局、控制频率各不相同，云端互联网文本和图像数据无法直接迁移为有效的机器人控制策略。这是Generalist AI创始人Pete Florence与Andy Zeng在机器人学习研究中反复指出的核心瓶颈：数据稀缺与数据分布不匹配，而非模型容量或算力不足。
梁文锋在DeepSeek的实践中展示的路径是——算法效率和数据质量的提升，可以在有限算力约束下逼近前沿模型能力。把这个逻辑迁移到具身智能领域，意味着：芯片是必要的基础设施投资，但如果真实工况数据采集规模和质量跟不上，再强的端侧算力也无法转化为"大脑"能力的实质提升。
这也正是曦选创智把"数据采集中心"和"芯片研发"绑定在同一个项目里的根本逻辑——这个设计选择本身，比芯片参数对标更值得关注。
陈维良将这次合作描述为"算力"与"身体"的深度融合，称芯片是人工智能从数字世界走向物理世界这场跃迁的"大脑"，沐曦在高性能GPU领域的技术积累，叠加优必选在人形机器人的场景深耕，将共同打造具身智能的算力底座，让每一台人形机器人都拥有自主可控的"中枢"——数据与芯片，共同决定这场跃迁能否成功。
行业目前对"机器人大脑"的讨论普遍把"芯片算力"和"模型能力"混为一谈，而真正决定产品体验的，是这两者之间的延迟预算分配与数据反馈闭环——这两点，都不会出现在任何一张芯片参数表上。
判断一款机器人芯片是否真正"为具身智能设计"，不要看它的TOPS数字对标谁，要看它的功耗预算是否经过电池系统的整体能量预算反向推导，以及它有没有为"云端慢思考+端侧快反应"的分层架构预留接口。能做到这两点的芯片，才真正解决了机器人"大脑"问题；做不到的，本质上仍只是数据中心芯片的边缘版本——披着机器人外壳的旧故事。
参考文章：《沐曦股份联手优必选造机器人 “大脑” 芯片 行业人士：并非简单的GPU架构“瘦身”》，每日经济新闻，朱成祥
出版社：人民邮电出版社
作者：田丰
帮助你定位AI当下发展坐标的指南针
帮助你洞察AI未来演进趋势的航海图
通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。
