恩智浦高管谈具身智能：做得大不如做得巧

在2026年台北国际电脑展（COMPUTEX 2026）的主题演讲环节，恩智浦（NXP）首席执行官Rafael Sotomayor从边缘人工智能的视角出发，分享了关于人工智能发展的新思考。

Rafael Sotomayor以足球运动员的精准动作为例，说明人类的许多快速反应主要依赖反射神经。由于反射机制在日常活动中极为普遍，机器人及各类具身智能（Physical AI）系统的构建也应将“反射”能力作为基础。他指出，与公众的普遍认知存在差异，当前人工智能在处理推理和复杂问题方面已相对成熟，但在模拟人类本能的反射动作时，机器人的反应速度仍面临挑战。这种具备低延迟特性的反射能力是具身智能的关键技术需求。恩智浦长期深耕边缘计算领域的低功耗与低延迟技术，在此方面具备显著的技术积累。

在人类神经系统中，小脑和脊髓承担了大部分反射处理工作。这表明智能的实现并非仅仅依赖庞大的中枢计算，而是需要将计算能力合理分配到合适的节点。因此，具身智能的核心不在于系统具备多高的绝对算力，而在于能否平稳、自然地执行行走、折叠衣物等日常动作，即系统设计“做得巧”比单纯“做得大”更为重要。

为了进一步阐释这一理念，Rafael Sotomayor结合三大应用场景，详细介绍了由推理层、协调层和反射层构成的人工智能“神经轴”（Neural Axis）架构。

在无人机应用中，该架构已得到较为完善的部署。推理层主要处理航线规划与路径优化；协调层专注于飞行姿态平衡与性能调度，二者能够独立且同步运行；反射层则集成了摄像头、数据传输模块、电机控制及执行器等边缘节点，确保设备能够实时响应外部环境变化。

在汽车电子领域，软件定义汽车（SDV）是该架构的典型应用。推理层涵盖高级驾驶辅助系统（ADAS）和导航模块，用于规划车辆行驶轨迹；协调层利用独立计算单元管控车辆动态以保障行驶平稳；反射层则由控制刹车、悬挂等核心功能的处理器构成。这三个层级分工明确且协同工作，构成了汽车安全可靠的基石。

对于仍处于发展初期的人形机器人市场，Rafael Sotomayor认为这是当前最为复杂的具身智能应用场景。尽管业界对人形机器人的底层架构存在多种探讨，但恩智浦认为，既然“神经轴”架构能够维持生物体的正常运转，同样也适用于人形机器人。为了让机器人真正适应现实物理环境，其必须具备极高的反射响应速度，从而保证实际应用的可靠性与功能性。