作为人形机器人的铁粉，黄仁勋近日发布了一款专为人形机器人打造的端侧算力平台Jetson T5000，其算力高达2070TFLOPS。

这款芯片将人形机器人的端侧算力提升到了一个新高度，使机器人可以在本地执行更多AI推理计算和多模态传感器数据实时处理。

这意味着模型侧和传感器上的最新产研成果，有望更快在人形机器人领域落地应用。

这是2000多T端侧算力为人形机器人产业带来的潜在价值，尽管目前这更多是一种理论上的可行。

人形机器人实际所需的算力仍是一个开放问题。

目前市面上多数人形机器人搭载的端侧算力在100-200T之间，这样的算力对于当前任务已基本够用。

当前人形机器人主要执行抓取、分拣等简单动作，在具身模型加持下正逐步突破长程任务执行。

训练和执行这类任务，100T算力已能满足AI推理需求。

若涉及更复杂的多传感器数据处理、融合计算或更大参数模型运行，100T算力则可能不足，传统做法是依赖云端算力。

另一种技术路径是优化模型规模，将端侧模型做得更小。

波士顿动力近期公布的Atlas机器人采用基于Transformer架构的4.5亿参数LBM模型，可在干扰环境下完成抓取、分拣、折叠等任务。

该模型通过流匹配目标，将30Hz图像、体感、语言指令等输入转化为动作指令。

相较于动辄十亿、百亿参数的大模型，4.5亿参数模型在计算负载上显著减压，使人形机器人有更多算力用于实时数据处理。

英伟达也在推动端侧小模型发展，其研究员在论文中指出，小模型通过优化硬件资源和智能体规划设计，可以更高效地执行任务。

在智能体执行任务时，大模型适用于工具调用、任务拆解、流程控制等环节，而具体执行则可由多个经过微调的小模型完成。

这一方法同样适用于人形机器人领域，虽听似回归程序化“定式”，但实则是大模型范式下的新型“定式”。

随着推理调度优化和大模型推理系统模块化发展，该范式或将成为未来十年人形机器人产业化落地的重要路径。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。