盖世汽车注意到，有数据统计显示，2026 年上半年（截至 6 月 12 日），近 438 亿元资金涌入国内具身智能赛道，其中超过一半的钱流向 " 具身大脑 " 相关领域。

与此同时，英伟达发布 Halos 机器人安全系统与 GR00T 人形机器人参考设计，高通推出跃龙 IQ10 系列，优必选与沐曦合资成立曦选创智，理想发布自研芯片马赫 M100。产业信号密集释放。

然而，一个值得深思的问题是：当所有人都在谈论 " 造芯 " 时，我们是否真正理解了具身智能需要什么样的芯片？

盖世汽车注意到，围绕上述问题，当前产业界至少存在三组核心争论：算力与实时性孰轻孰重、" 大脑 " 与 " 小脑 " 如何分工、自研与通用谁主沉浮。

这些争论尚远未达成共识，而正是这种不确定性，构成了当前具身智能芯片产业最真实的底色。

算力之外：具身智能芯片的 " 实时性 " 命题

当前具身智能芯片领域最主流的叙事是 " 算力竞赛 "。

英伟达 Jetson Thor 可提供 2070 FP4 TFLOPS 的 AI 性能，高通跃龙 IQ10 系列达到 700 TOPS，黑芝麻智能 A2000X 以等效 1000 TOPS 领跑。

图片来源：英伟达

这些数字频繁出现在发布会和媒体报道中，构成外界对芯片能力的基本认知框架。

但这个框架是否完整，产业界存在不同看法。

一个被频繁提及的技术现实是：具身智能与云端 AI 对芯片的需求存在本质差异。云端大模型推理追求的是 " 吞吐率 "，单位时间内处理尽可能多的数据；而机器人执行精密操作时，需要的是 " 延迟确定性 "，每一次指令响应的时间必须稳定、可预测。

后者的重要性在当前的算力叙事中往往被低估。

以触觉反馈为例。当机器人手指接触物体时，传感器传来的力觉信号需要在毫秒级时间内被处理并回传至关节电机，否则就会出现 " 拿不稳 " 或 " 捏碎 " 的情况。这一闭环对中断延迟的苛刻要求，并不直接体现在 TOPS 数值中。

" 大小脑 " 分工架构的提出，正是对上述问题的回应。

业内的通行理解是：" 大脑 " 负责高层次感知、规划和多模态理解，运算量大但实时性要求相对宽松；" 小脑 " 负责运动控制和实时反馈，计算量较小但对延迟和功耗有极高要求。两者的芯片需求截然不同。

英特尔中国研究院院长宋继强在公开场合表示，当前并非推出机器人专用芯片的最佳时机，因为 VLA 面临能力天花板，通用芯片的适配性更能应对算法迭代的不确定性。并且，机器人市场的规模目前还很小，对于芯片厂商而言，专门为机器人定制芯片难以实现盈利。

但也有不同的声音。

中科无线半导体推出模拟域架构小脑 ASIC 芯片，在芯片内部植入了独特的模拟计算单元 ( ACU ) 与模拟微积分处理单元 ( A-IPU ) ，从而将 FOC 算法中最核心、最耗时的计算任务从传统的数字域处理，转向模拟域的实时、并行计算。这一架构级创新，使得关键控制指令的硬件处理延时实现了从 2.8 纳秒到 0.2 纳秒的数量级跨越。

此外，芯驰科技也在北京车展发布了具身智能全栈解决方案，覆盖 " 大脑 - 小脑 - 躯干 - 关节 "：全新 R1 系列作为机器人 " 计算大脑 "，提供 AI 推理能力；D9-Max SoC 作为 " 智控小脑 "，支持 EtherCAT 实时通信协议，为机器人运动控制提供低延迟主控方案；MCU 芯片产品同步赋能激光雷达、机器视觉、灵巧手、关节模组等分布式应用。

图片来源：芯驰科技

" 专用 " 还是 " 通用 " 的分歧，核心在于对算法收敛速度的判断。

如果未来 3-5 年内 VLA、世界模型等算法框架趋于统一，则专用芯片的投入产出比会显著提升；如果算法持续快速迭代，通用平台 + 异构计算的灵活性则更具吸引力。两种路线各有其产业逻辑，目前尚无法做出确定性的优劣判断。

" 大脑 " 与 " 小脑 "：两种芯片，两种产业逻辑

将 " 大脑 " 和 " 小脑 " 分开审视，有助于理解具身智能芯片产业的真实格局。

在 " 大脑 " 侧，英伟达事实上已经建立了从硬件到开发框架再到仿真平台的全栈生态。

2026 年 6 月发布的 Halos for Robotics 系统更进一步，将芯片、操作系统和安全认证打包，已有 43 家企业参与。对于机器人整机厂商而言，采用英伟达方案意味着更短的开发周期和更低的技术风险。

但这种主导地位并非不可撼动。

一位芯片行业分析师表示：" 英伟达的护城河在软件生态，但这个生态在机器人领域尚不像在 AI 训练市场那样根深蒂固。机器人开发者的工具链迁移成本，远低于云服务商切换训练框架的成本。"

高通从智能座舱向机器人芯片延伸，其跃龙 IQ10 系列支持 12 路摄像头输入和 700 TOPS 算力，在车载供应链积累的客户关系是其重要筹码。黑芝麻智能从自动驾驶芯片横向拓展至具身智能，A2000X 以 1000 TOPS 进入 " 大脑 " 赛道，受益于汽车与机器人在感知层的高度相似性。 

相较于 " 大脑 " 侧英伟达的强势地位，" 小脑 " 侧的国产化进展更为明显。

由于 " 小脑 " 芯片更接近传统 MCU（微控制器）和专用信号处理器的技术范畴，对先进制程的依赖度相对较低，国内厂商在成熟制程上的积累能够发挥更大作用。

芯驰科技 CTO 孙鸣乐也在采访中表示：" 高性能计算、极端环境可靠性、纳秒级实时响应、多总线通信、功能安全与信息安全、长期供货保障。" 六大维度上的高度匹配，恰好使车规芯片成为具身智能的理想技术底座。

今年 4 月，中科无线半导体发布国内首颗人形机器人专用氮化镓磁编码芯片 CT-21X 系列，底层肢体控制芯片已率先实现国产化落地。

这一细分赛道的竞争逻辑与 " 大脑 " 芯片截然不同，它不追求算力峰值，而追求与具体执行器配合的稳定性和能效。

有业内人士分析：" ‘小脑’芯片的特点是量大、面广、客户粘性高。每一个关节都需要一颗控制芯片，一台人形机器人可能需要几十颗。而且一旦适配完成，替换成本极高。这非常适合诞生专精特新的半导体企业。"

自研与通用：整机厂商向上游渗透的逻辑与边界

与此同时，盖世汽车注意到，6 月的两则消息将 " 自研芯片 " 推至聚光灯下：优必选与沐曦合资成立曦选创智，计划 2027 年下半年流片、2028 年量产；理想汽车发布自研芯片马赫 M100，明确将汽车定位为 " 具身智能终端 "。

这两起事件共同指向一个趋势：整机厂商正在试图掌握芯片定义权。

自研芯片的驱动力是明确的。 优必选董事长周剑公开表示，" 当前人形机器人产业依赖国外通用芯片，不仅成本居高不下，且性能无法匹配场景需求。国外芯片以及用于机器人端侧方面的物料成本较高，基本上占了 BOM 成本的 1/3。"

其认为，目前行业普遍使用的芯片并非为机器人专门优化，难以满足具身智能要求，这对国内产业的长远发展不利。

随着人形机器人量产规模扩大，芯片成本在整机成本结构中的占比将进一步凸显，自研成为控制 BOM 成本的必经之路。

供应链安全是另一重考量。过去几年美国对华半导体出口管制不断升级，虽然端侧推理芯片尚未成为重点限制对象，但地缘政治的不确定性足以促使整机企业提前布局替代方案。

但自研芯片的挑战同样不可低估。

从技术层面看，沐曦的 GPU 架构与机器人端侧芯片需求之间是否存在适配距离，是产业界关注的焦点。将 " 数据中心架构裁剪到边缘 " 这一路径的可行性，业内尚无先例可供验证。

从时间表看，曦选创智从成立到计划流片用时约两年。在芯片行业，这一节奏属于激进水平。

从商业模式看，成本能否通过销量摊销，是一个现实的经济问题。

自研不是唯一选项，合作与平台化提供了另外的路径。

沐曦与优必选的合资模式本身即是一种折中方案，既非纯粹的外采，也非整机厂独立造芯。这种合资结构分担了风险，也共享了场景定义权。

而地瓜机器人、芯驰科技等第三方芯片厂商则主张 " 平台化 " 路线，提供标准化的算力底座，让整机厂商在之上进行差异化开发。

三条路线：自研、合资、外采 + 平台化，目前均有实力玩家布局，最终孰优孰劣，取决于各家企业对自身场景规模、技术积累和资本实力的综合判断。

产业展望：三条主线与一个判断

从更长周期看，具身智能芯片产业的演变将沿着三条主线展开。

第一条主线是算法收敛与硬件定型的互动关系。 当前 VLA、世界模型等技术路径尚未统一，这决定了通用平台仍将是主流选择。但随着算法框架逐渐收敛，专用芯片的市场空间将逐步打开。这一进程的速度，直接影响着所有玩家的战略选择。

第二条主线是供应链安全与市场效率的平衡。 国产替代的政策导向与商业可行性的现实约束之间存在张力。过度依赖国产替代叙事而忽视产品竞争力，可能导致资源错配；完全依赖海外供应商则面临地缘政治风险。如何在两者之间找到均衡点，考验着企业和投资者的智慧。

第三条主线是整车 / 整机厂向上游延伸的边界。 自研芯片是否具有可持续性，取决于规模效应能否覆盖研发成本、芯片团队能否跟上算法迭代速度、以及内部客户（整机业务）能否提供足够的需求量。这三个条件缺一不可。

整体而言，当前具身智能芯片仍处于产业发展的早期阶段，" 大脑 " 与 " 小脑 " 的技术路线、自研与通用的商业模式、算力与实时性的优先排序，都远未形成共识。

这种多元探索本身是产业健康发展的必经阶段，不同路径的竞争与试错，最终会筛选出最适合市场需求的方案。

谁能在 " 功耗 - 算力 - 实时性 " 的三角约束下找到最优解，谁能在算法快速迭代的环境中保持架构的灵活性，谁能在规模尚小的市场中构建可持续的商业模式。

这些问题的答案，将在未来三到五年内逐渐清晰。

具身智能芯片的赛道上，终点线还很遥远。而此刻，发令枪才刚刚响起。