技术干货｜AI技术横向扩展——模拟技术纵深发展

先说几个核心判断：AI驱动的系统，正在越来越多地接管物理世界的控制权。但一个容易被忽视的问题是——这些系统自信满满地执行指令时，如果底层感知错了，那结果只会是“精确地走向错误”。这不仅是技术问题，更是潜在的隐患。

系统接收的指令与物理世界中实际发生的情况之间的差距，只能由一样东西来弥合：其底层的模拟基础。而这套基础，无处不在。

AI现在成了整个物理世界的隐形运行层，嵌入了工厂、车辆、机器人、卫星和数据中心。技术已经横向铺开了，但在每一个智能系统的底层，真正让一切成为可能的，是模拟技术。

当业界都在争论模型大小、参数数量和计算架构时，信号层面正在经历一场安静得多、但影响也深得多的变革。任何一个自主系统，无论软件多复杂，最终都必须感知世界、响应世界、在真实世界中行动。数字世界和物理世界之间的这个“接口”，就是模拟技术。而且，随着系统越来越智能，这个接口不仅在扩展——它正成倍地增长。

这里说的“信号链”，从传感器出发，经过模拟前端、转换、同步、供电和控制，直到模型实际接收到数据的那条完整路径。

所以现在的问题，已经不是AI是否在边缘运行。真正的问题是：它底层的模拟基础够不够扎实？这直接决定了系统的可靠性、速度、精度，以及能否达到应用所能要求的最高性能。

模拟附着曲线

为了理解这到底意味着什么，有必要给一个反复出现的模式起个名字：物理AI从原型走向量产时，总会出现这个现象。

在物理AI渗透的每一个领域，都存在这种模式。随着机器的能力、自主性、精确性和安全关键性不断提升，驱动它们所需的模拟和混合信号内容并不是线性增长的，而是呈复合式增长。

注：乘数因子表示方向性和示意性，用于展示曲线的形态。

图1：模拟IC内容与自主性的关系

如图1所示，自主性越强，模拟内容就呈指数级增长——更多的传感器接口、更多的数据转换器、更多的电机控制通道、更多的电源轨，以及更严密的安全监控。

人形机器人是这条曲线最具有说服力的例子。每一个手势、每一步、每一个决策，都依赖超过200个模拟IC。它们覆盖了每个关节的电机控制、位置传感、扭矩和力反馈、电源管理，以及LiDAR、视觉、触觉、压力和阻抗的全套感知。在指尖，毫米和毫秒决定了抓握的成败，而这里，整个架构又复制了一遍。智能升级，信号链也随之加深。每一层，需要的都不只是信号“够用”，而是要足够精确、足够快速、足够稳定，才能真正扛住实际运行。

图2：人形机器人各关节处电机控制所涉及的IC数量

图3：人形机器人平台信号链解析图

人形机器人的信号链在每个关节处重复出现：电机驱动与电流检测、位置反馈（编码器/旋转变压器）、扭矩/力反馈、本地电源管理以及高完整性通信——并一直延伸到指尖的压力/阻抗传感，确保稳定抓握。模拟技术并不输给AI。恰恰是模拟技术，让AI得以“物理化”。

为何缺乏纵深发展的横向扩展会失败

工业环境在电气特性上相当“不友好”。温度波动、振动、电磁噪声，还有长距离线缆传输，都会持续地降低信号质量。而且，软件事后是无法补偿的。一个位置传感器在热应力下漂移了半度，它不会报错，而是会直接给出一个错误的读数。AI系统拿到这个读数，会信心十足地采取行动。

这就是实验室里表现良好的AI，和现场实际运行的AI之间最真实的差距。

要弥合这个差距，靠的不仅仅是优秀的元器件。需要的是端到端的信号架构——传感、控制、供电和连接必须从一开始就作为一个整体系统来设计，而不是事后拼凑。

在物理AI的世界里，精度不是单一的技术指标。它是系统的固有属性。它体现在校准、时序、电源完整性，以及具备故障感知能力的控制之中。

未来十年

最终胜出的系统，不会是模型最大的那一个。而是那些在真实环境中，能够战胜温度、振动、延迟、噪声、功耗预算、安全约束和长生命周期等所有挑战，持续输出最可靠性能的系统。

这不是一个软件问题。这是一个信号链问题。如果你正在构建物理AI，请把模拟技术当作首要的设计要素：尽早规划架构，明确分配预算，把感知、控制、供电和连接作为一个整体来工程设计，而不是一堆零部件的简单堆砌。

关键要点

——上游信号完整性误差，往往表现为“自信满满”的AI所造成的失误。

——在设计早期就整体规划，明确分配预算，并面向现实世界而构建。

AI正在横向扩展。胜出者则在纵深发展。这场竞赛已经开始。