Physical AI 开始建立“能力语言”：机器人评价从外形与 Demo 转向任务能力

Arm 9 月 8 日将其成熟的 Arm Total Design 生态项目扩展至物理 AI，首批汇聚 80 余家覆盖技术全栈的伙伴，包括 AWS、Hugging Face、NXP、QNX、西门子、通义千问、宇树机器人等。作为生态首批协作倡议之一，Arm 同步推出 Robotics Capability Framework，尝试用六个能力层级与一套共同维度描述机器人系统，把时延、算力部署位置、内存与功耗约束、确定性与安全要求，与现实任务关联起来。同日，Renesas 也在技术博客中把人形机器人定义为“系统集成与生态问题”，而非单颗芯片竞赛。

自动驾驶行业早已用 SAE 分级，把“自动化能力”从营销话术变成可比较的语言；机器人正在面对同样的课题。以往判断一台机器人是否“先进”，常停留在会不会走、长得像不像人、Demo 是否流畅，这些维度很难转化为采购、验证与规模部署的依据。能力分级框架的价值，在于让需求与能力之间建立对应关系：一台固定工位分拣机器人与一台需在复杂环境中自主完成多步骤任务的机器人，对时延、算力位置、功耗与确定性的要求显然不同，先把“希望机器做到什么”说清楚，软硬件才能围绕真实任务做匹配。

需要厘清的是，Arm 将这套框架定义为行业共同语言的“起点”，目前不是 IEEE、ISO 或 SAE 这类正式标准，也不能直接类比自动驾驶 L0–L5 后硬套成安全认证。它真正重要的地方，是补足机器人产业长期缺失的通用描述方式，降低设计、集成与规模化部署的沟通成本。

从工程落地看，能力分级框架改变的是评估维度：评估 Physical AI 成熟度，应优先看任务边界、成功率、人工接管率、确定性、安全与能耗维护，而非单纯追逐外形或单点 Demo。框架也把底层硬件能力推到前台——位置反馈、抗干扰、实时控制闭环，才是能力等级最终能否兑现的物理基础，这也给编码器、传感与实时控制链路的选型提供了新的切入角度。