虽然人工智能（AI）很擅长回答问题，但许多人也会好奇，这项技术还能在日常生活中哪些方面提供帮助。但事实上，我们已然见证AI技术的下一个阶段：智能应用正从屏幕走向现实世界。

这一转变被称为“物理AI”，使机器能够感知、理解、推理，并与现实世界自然互动。随着该转变的加速，物理AI正在重塑智能系统从搭建、部署到规模化应用的全过程，同时对边缘计算、延迟和高性能本地数据存储产生深远影响。

物理 AI 已经融入我们的生活，例如辅助驾驶和自动驾驶汽车、无人机，当然还有机器人。这些都是科技奇迹，但物理AI的下一次转型，即人形机器人时代，将更为复杂。

从协同边缘AI到机器人新前沿

20世纪70年代初，移动机器人首次出现2，主要被用于焊接和物品搬运。这些基于实时操作系统（RTOS）的机器人被集中管理，在需要大规模精准调度的场景下确保平稳运行。当时，本地的存储空间有限，RAM仅有几KB，数据需要传输并保存在外部计算机或PC上。

自2019年起，AI技术迅速发展，已从中央云架构扩展至边缘侧，从而实现本地化的实时推理与决策。我们将此模式称为“协同边缘AI”，它在毫秒级响应的场景中至关重要，例如辅助驾驶和自动驾驶汽车。另一个例子是自主移动机器人（AMR），在仓储环境中，它能够自主规划路径并进行动态避障。随着边缘智能应用和推理能力的提升，对边缘侧或本地存储的需求也相应增长。此外，这些AI设备需要更快速地访问数据，高性能闪存存储便成为了保障其平稳运行的关键因素之一。目前，这些设备配备的闪存容量通常以GB为单位计量。

下一阶段可能是AI领域最令人兴奋的时代之一，即人形机器人时代。

开启人形机器人的新时代

到2030年代中期，人形机器人数量预计将达到140万，且由于该领域的投资增速超出预期，这一数字可能还会上涨。1这一物理AI用例依赖高速的NVMe闪存存储。此外，除了本地训练数据，物理AI还将持续推理和学习，无需手动编写所有代码。这将进一步推高设备端的数据量，从而加大对本地存储的需求。

例如，从学习软质水果能承受多大压力以及超出承压极限后会发生什么，到理解玻璃杯在桌上未放稳时会出现什么情况，物理AI通过与周围世界互动，在原有数据的基础上不断学习。此外，这些机器人内部的多个摄像头会生成用于异常检测和模拟回放的实时录像，这也会进一步增加对存储的需求。

边缘存储用于决策和缓存，重要数据则回传至云端，被长期存储并用于集中式模型训练。

应对存储悖论

不过，由于不同类型的人形机器人对存储有不同的需求，所以人形机器人的存储方案不能一概而论。工业人形机器人需存储大量的视觉-语言-动作（VLA）数据集、多摄像头激光雷达（LiDAR）数据、本地AI推理模型、高频运动日志以及维护遥测数据，因此可能需要数TB的NVMe SSD。而通用型“具身人形机器人”则需在本地运行涵盖语音、视觉与控制能力的多模态基础模型及世界模型，并通常在边缘侧部署大语言模型（LLM）和扩散模型以降低延迟。这类机器人的本地存储需求通常较高。至于在野外或危险区域作业的人形机器人，其本地或边缘存储需求甚至可能超过通用型人形机器人。为应对这些应用场景，闪迪提供了广泛的m.2 NVMe SSD和嵌入式闪存产品组合。

人形机器人所采集的海量数据会被上传至数据中心（DC）用于模型训练和推理，而这也会导致数据中心架构发生重大改变。AI工作负载需要更频繁、更快速地访问数据，由此催生了对高速数据湖的需求。因此，基于UltraQLC™技术平台的高性能、大容量SSD，便成为了支撑这类需求的基础。此前，闪迪宣布其基于UltraQLC™平台打造的SANDISK®UltraQLC™ 128TB3 NVMe SSD 和SANDISK® UltraQLC™ 256TB3 NVMe SSD，旨在为超大规模闪存存储树立全新标杆，专为驱动大规模AI应用的高速、智能数据湖而打造。