当前，机器人“大脑”正走向多模态大模型，而本体供电与散热能力有限，业内普遍认为整机可承载的算力峰值功耗不超过100W，端侧算力由此成为制约机器人自主决策的关键瓶颈。《中国科学院院刊》刊发的研究指出，端侧计算系统中超过六成能耗消耗在数据搬运上。
与此同时，国内人形机器人仍大量依赖英伟达Orin、Thor等计算平台。存算一体将存储与计算融合于同一阵列，从架构层面绕开“存储墙”，为端侧高能效计算提供了新路径。国产存算一体芯片、国产大模型与机器人本体的贯通，是构建自主可控具身智能算力底座的重要一步。
近日，北京大学武汉人工智能研究院联合中国移动研究院，将后摩智能M50国产存算一体芯片与机器人集成，实现Qwen3-VL-8B多模态大模型在存算一体芯片上的本地化部署，支持行走、摆臂等26类基础动作的智能编排。双方联合团队完成了从模型优化、芯片部署到机器人整机联调的全链条验证。在同等推理性能下，系统功耗降至现有方案的一半。
技术逻辑
三层优化打通“模型—芯片—机器人”
存算一体将存储与计算深度融合，减少数据在存储单元与计算单元之间的频繁搬运，兼具高算力和低功耗优势。该架构可与传统计算架构形成互补，使机器人有望在同等功耗预算下运行规模更大、能力更强的多模态大模型。为加快存算一体芯片在机器人中的应用，联合团队提出面向存算一体架构的大模型优化与部署方案。
图 | 面向存算一体的多模态大模型优化策略
编译层解决“能部署”。提出面向存算一体架构的计算图融合与算子适配优化策略：通过编译优化将复杂算子拆分为适配存算阵列的基础计算单元，并将Transpose、Reshape等张量操作与相邻算子融合为单个内核，精简计算图结构，减少冗余计算与数据搬运。
量化层解决“放得下、算得准”。提出基于量化敏感度的自适应混合精度量化策略：以校准数据在量化前后输出的余弦相似度度量敏感度，对敏感部分保留较高精度，对其余部分做低比特压缩。在图像任务下，4-bit量化模型保持浮点模型99.5%的精度，相较FP16节省显存超过3.5倍。
调度层解决“跑得快”。提出面向多存算阵列的访存优化方案：将一组相邻算子的中间结果驻留于片上缓存，减少数据搬运；同时采用数据分块与流水并行技术，优化阵列间的数据传输与执行顺序，减少计算等待。
验证结果
15W以内实现大模型驱动的机器人闭环
基于上述方案，Qwen3-VL-8B在存算一体芯片上实现低功耗实时推理，推理速度达20 tokens/s，芯片平均功耗小于15W，支持26种机器人动作的组合编排，打通了“自然语言指令理解—任务自主规划—机器人动作执行”的智能闭环，验证了存算一体技术在机器人低功耗自主运行场景中的可行性。
图 | 存算一体芯片与机器人集成
以本次验证为起点，北武院将与中国移动研究院深化合作，持续在能力升级、架构演进、模型拓展和生态共建上发力；优化端侧推理性能与机器人交互能力，由基础动作编排向复杂环境感知、实时任务规划和自主决策拓展；探索存算一体与通用处理器协同的异构计算方案，支撑“大脑”推理与“小脑”控制在机器人端侧的一体化运行；推动VLA等具身大模型在存算一体芯片上的适配与优化；同时沉淀面向存算一体架构的部署工具链与测试评估方法，推动国产芯片、国产模型与机器人本体协同创新。
未来，北武院也将继续践行首席科学家的原创“通用人工智能”技术路线，依托自主研发的大型社会模拟器，为具身智能自主可控发展提供技术支撑，为湖北打造全国人工智能产业高地、建设中部崛起战略支点提供智能引擎。
别忘了点赞跟在看，关注更多精彩内容
