具身智能芯片的结构性挑战
具身智能面临一个根本性的硬件困境：VLA模型与现有AI芯片架构存在结构性错配。
- 动作生成环节有强时序依赖+频繁数据访问，受内存带宽而非峰值算力限制
- 传统边缘平台（如Jetson Orin）的串行工作流难以适配高频物理控制
- 多模态传感输入+模型状态更新+控制信号下发在共享存储与互联架构下形成资源竞争
主流方案对比
| 方案 | 算力 | 功耗 | 价格 | 特性 |
|---|---|---|---|---|
| NVIDIA Jetson Thor | 2070 TFLOPS | ~40W | $1000-2000 | Isaac GR00T生态、Omniverse仿真 |
| 华为昇腾 | ~500 TFLOPS | ~30W | 国产 | 鸿蒙生态适配中 |
| 沐曦曦选创智 | 待披露 | 待披露 | 国产 | 与优必选合资，GPU架构边缘裁剪 |
竞争焦点切换
从"峰值算力"转向三大新指标：
- 持续吞吐vs瞬时峰值：机器人需要7×24稳定运行，而非跑分时的高峰值
- 内存带宽vs算力密度：VLA模型端侧部署的真正瓶颈是内存带宽
- 感控闭环延迟vs推理延迟：200ms端到端闭环远比单模型推理速度更关键
双轨并行策略
中国具身智能企业在芯片选择上采取务实的双轨并行策略：短期内大量使用英伟达Jetson Thor（宇树H2 Plus首发搭载），同时加速国产替代——华为昇腾和沐曦等积极适配具身智能场景。
参考：NVIDIA Jetson Thor白皮书、华为昇腾官网、沐曦招股书、优必选合作公告