“如今的机器人看似动作灵活，但实际能干的有效工作十分有限，整体响应动作依旧偏慢。”
在聿核科技创始人许飞翔看来，当前具身智能发展遭遇的部分瓶颈，根源出在现有芯片存在底层架构上的先天短板。
过去一两年，行业的大量关注点集中在模型、数据与机器人本体，芯片端大多仍沿用CPU、GPU和智驾芯片“凑合做物理AI”。许飞翔表示，传统GPU擅长数字大模型推理，很难支持物理AI持续的感知-推理-执行的闭环过程，架构天生不匹配。
也有人把问题归咎于软件生态不够成熟，但在许飞翔看来，底层芯片架构本身对实际使用体验的影响占比可达70%，软件仅占30%。
也正因如此，2025年成立的聿核科技，选择为Physical AI（物理人工智能）重新设计一套芯片架构。许飞翔将这次创业的契机类比上世纪90年代从x86向ARM迭代的行业机遇：当上层应用发生根本性变化，底层架构也会迎来更新换代的机会。
聿核科技的核心团队，拥有丰富的GPU与处理器架构设计经验，核心成员曾参与英伟达多代GPU设计，完整经历过包括6纳米等多代大芯片从设计到量产的全流程。目前公司正在研发首款产品聿启Y10，计划于今年底推出FPGA版本计算平台，供客户开展实际测试，后续继续推进芯片的落地开发。
基于物理AI原生架构芯片Y10
“对照Physical AI的实际业务需求来看，我们当下具备的算力水平，或许只相当于1985年的386芯片。”
聿核科技押注的是一片前景广阔的市场。许飞翔判断，如果未来3‑5年Physical AI行业迎来大规模爆发，目前人们对机器人的真实算力需求是严重低估的。
以下为2026（第二十届）DEMO CHINA期间，创业邦与聿核科技创始人许飞翔的对话实录。在2026 DEMO CHINA大会上，聿核科技入选创业邦2026年度值得关注的创新力量20强。
01算力很高，机器人交互起来为什么慢吞吞？
创业邦：现在GPU、NPU已经广泛用于机器人，但涉及到感知、接触交互的自主操作，很多机器人动作依然很慢。你觉得问题出在哪里？为什么需要一套新的Physical AI芯片架构？
许飞翔：我们做处理器架构，更关注应用和模型的底层计算逻辑发生了什么变化。大语言模型关注上下文的概率，目前很大一部分工作围绕Transformer展开，芯片追求更大的吞吐量和更低的计算成本。Physical AI的底层计算范式发生了大的跃迁，对芯片的要求不仅是AI算力大小，机器人要感知周围空间，理解和推测物理世界，再做出动作，动作完成以后还要根据反馈持续高频调整。
所以两类芯片追求的指标不太一样。到了Physical AI，不能单纯看一颗芯片有多少TOPS，还要看整个闭环推理需要多长时间，感知和执行能不能处理，功耗和成本能不能降下来。我们希望把闭环推理的时延压到1毫秒以内。
现在机器人看起来已经“能蹦能跳”，真正干活还是比较弱，动作也非常迟缓。我们看到底层存在几个问题，一个是物理常识鸿沟，二是多模态感知能力，还有一个就是现有计算平台的闭环推理时间太长。芯片解决的是计算这一部分，给上层模型提供更多计算能力。
这有点像早期深度神经网络，当时大家还在用CPU跑，后来有人尝试用GPU，才有了近十几年AI的高速发展。底层计算资源会影响整个产业的发展。
创业邦：但机器人模型还没有定型。芯片研发周期这么长，现在做一颗Physical AI芯片，会不会模型换一代，芯片也跟着过时？
许飞翔：我们的芯片从应用上看是面向Physical AI的，但从我们内部的整个计算结构来说，我们设计的是一个具备极强通用能力的处理器芯片。AI计算，包括其他和物理世界相关的计算，我们没有做成简单的ASIC电路方式，而是通过自定义的高度可编程指令集，实现真正的处理器去完成。我们做芯片20多年，经历这样的过程很多，积累了自己一套成熟的方法论，有很多如何应对的know-how。
做处理器架构一直有一个矛盾，既希望它有很好的通用性，未来算法变化还能适配，又要保证这些计算有足够高的性能，这两点在实现上是相违背的，一个好的有经验的架构设计团队核心能力之一，就是把这两者很好的平衡，我们团队经验恰恰在这里体现。
另外从时机上，芯片产业有个重要的点就是必须要提前2-3年布局，否则等市场真正起来时来不及，大芯片的设计需要周期。就像ChatGPT爆发时，你才开始设计GPU肯定晚了。
实际上，现在我们也看不到机器人最终到底需要多大的算力。模型一直在发展，过去算力需求也是几个数量级地增长。未来的终点在哪里，现在没人能够给出准确答案。
02绕不开英伟达，也不能被英伟达困住
创业邦：上一轮国内AI芯片创业，很多公司硬件做出来以后，最后还是卡在软件生态和客户迁移上。你们怎么解决这个问题？
许飞翔：这里我有一个反共识的观点。现在大家觉得国产AI芯片不好用，经常把原因归到软件，或者觉得英伟达CUDA生态太强。我觉得这个锅不能完全让软件工程师来背。
芯片是一个软硬一体化的产品，软件能做成什么样子，是跟硬件架构的设计紧密相关的，尤其对于并行计算芯片，上层软件的开发过程和底层硬件架构耦合得非常深。工程师开发算子和算法的时候，底层架构直接影响它好不好用。我的观点，一颗并行计算处理器最终好不好用，芯片架构本身影响70%，软件占30%。
所以我们的思路是先把架构这70%的问题解决掉。架构设计之初，就把指令级的可编程性考虑进去。剩下30%，通过服务于客户过程不断迭代。我想说明的是我们做软件平台，绝不抢下游客户饭碗，最终是希望客户能够更容易开发自己的应用，降低开发成本，提高开发效率，驱动整个产业繁荣。
创业邦：但工程师已经习惯CUDA了。哪怕新的芯片性能更高、价格更低，让客户换一套平台还是很难。
许飞翔：确实，一线工程师很讨厌做迁移，这个我们接触客户的时候感受很明显。
我们团队过去做过多代英伟达的架构，对它的底层结构比较了解，所以在设计自己的指令集时，会尽量考虑跟现有体系的兼容，让客户迁移更平滑。
另外一个绕不开的问题就是成本。机器人以后要规模化，成本会是一道墙。现在客户使用的方案，很多还是传统CPU加上英伟达Orin以及其他传感器相关芯片。我们交流下来，客户比较集中的问题包括CPU实时处理能力不足、AI算力不够、时延特别大、可靠性，以及成本。
我想补充的是我们不是单纯的价格竞争，我们通过架构的革新，计算密度的提升，降低对先进制程、先进存储的依赖，更少晶体管可以做到甚至超过对手的性能，整个成本更低，所以我们将来更低的价格，但利润率比对手还高。
我们想把Physical AI从感知、推理到执行、反馈的过程尽可能放进一颗芯片。哪些任务应该留在端侧，我觉得最终取决于端侧处理器本身有多强。如果处理器能力足够，我们希望尽可能把任务留在机器人上，可靠性和时效性都会更好。
Y10芯片实验室测试中
创业邦：机器人本体一直在降价，未来厂商会越来越在意芯片成本。它们会不会干脆自己造芯片？
许飞翔：由于当前芯片行业一些不好的现象，大家低估了真正设计芯片的难度。如果回头看处理器的发展历史，在复杂计算场景下，真正能够自己做处理器的终端厂商其实很少。就像手机发展这么多年，大量产品依然使用高通和联发科的芯片。
处理器级别的芯片很难做。国内现在有很多芯片公司，可以购买IP，也可以找Design House帮助设计ASIC专有电路。但真正往处理器架构这一层走，难度非常高。
机器人还有一个特点，它的应用需求一直在发展和迭代。今天大家甚至还不知道未来的模型最终长什么样，很难靠一颗固定功能的ASIC把未来所有需求覆盖掉。处理器公司需要跟着需求持续迭代芯片，这背后要求团队具备真正的核心基础架构设计能力。
创业邦：但英伟达这样的公司未来同样可以做Physical AI芯片。作为一家独立创业公司，你们的机会在哪里？
许飞翔：英伟达当然可能做。我们的思路是单点突破同时寻找新的弯道，从Physical AI这个场景，重新定义新的架构范式。我们团队的优势之一也是真正熟悉英伟达架构。
大公司有一个特点，它过去积累的架构和软件生态很庞大，这会反噬限制大的架构调整。像英特尔的x86已经发展几十年，英伟达自己的架构也积累了30年，原来的体系越大，做大的调整越难。
所以我们把Physical AI原生架构看成一个新的机会。当然，大公司最后也可能选择收购一家做新架构的公司，那将来我们也可能会成为这个收购对象。
03芯片创业，最后要过客户这一关
创业邦：现在产品已经走到什么阶段了？
许飞翔：我们2025年先开始设计新的架构，做了很多芯片架构和性能仿真。按照我们团队过去做芯片的经验，性能仿真的指标和最终实际结果，误差可以控制在3%以内。架构做完以后，我们还是觉得要再验证得扎实一点，所以又把编译器写完，让系统算法真正在我们芯片上跑起来，之后又去做客户验证。
目前我们已经跟国内头部机器人公司做测试。和客户现在使用的x86加Orin以及其他传感器相关芯片的方案相比，我们目前仿真验证的结果是整体性能提高5倍，成本降低80%。目前我们芯片开发已经过半，今年底计划推出FPGA版本的计算平台，届时客户可以拿到实物测试，后面再推进芯片的工程化。
机器人应用
做这种大的处理器和做一颗专用ASIC不太一样，前端设计和验证周期会很长，后端设计也很复杂。大芯片投入很高，所以我们宁愿在前面的设计和验证上多花时间，提高后面真正做成芯片的确定性。我们团队近10年所有芯片都是一次流片一次点亮成功。
创业邦：今年具身智能融资很热，做大芯片本身也很烧钱。你怎么看资本对硬科技公司的作用？
许飞翔：资本的帮助当然很大，尤其我们做大芯片，前期投入非常高。但我觉得硬科技公司和过去很多互联网平台公司的发展方式不太一样。
过去二十年，中国很多科技公司走的是平台模式。平台公司讲流量，更多的钱确实能够帮助它迅速扩大规模。硬科技最后要回到产品。
什么叫硬科技公司？你的产品真正给到客户，可能三天客户就知道你这家公司行或者不行。
芯片拿给客户测试，性能怎么样、价格怎么样，很快就能看到。如果你的产品确实比英伟达性能更好、更便宜，在某些方向就有机会替代它。从平台规模去跟英伟达竞争，没有这样的机会，但硬科技公司随时可能找到一个点，前提是你真的有底层技术能力。
创业邦：现在一些机器人公司融资以后把钱放在账上，认为现阶段很难有大的技术突破，索性先等一等。你认同这种做法吗？
许飞翔：的确有一些这样的情况，但我觉得这是很大的浪费。
我比较关心的是，投资人投进去的钱，是不是真正用在技术迭代和产品发展上。有些公司融资以后甚至拿去理财。我想他们应该对底层技术没有足够的理解，也没有找到下一步的方向和抓手，拿到很多钱以后，也不知道怎么把它转化成技术迭代和产品。
我们团队靠谱的地方，我们并没有一开始先去讲故事融资，而是先设计架构。架构、性能、软件应用和客户验证一步步做下来以后，再往后走。架构设计的确是一件非常难的事。硬科技产品最后还是要交给客户测，很多事情讲故事解决不了。
04进入人形机器人之前，先改造好机械臂
创业邦：人形机器人什么时候真正放量还有不确定性，聿核的第一批商业化机会准备从哪里找？
许飞翔：人形机器人有很大的预期，未来我们非常期待。现阶段我们首先聚焦传统工业机械臂的智能化。
我们的合作伙伴老牌机器人公司提供一个数据，真正的工业场景里，现有机械臂能够替代的人工操作大概只有2%，剩下98%还需要人。这里最大的难点就是机械臂的智能化、柔性化。我们希望通过芯片和算法，让传统机械臂能够处理更多工作，这类场景有非常明确的付费意愿且技术收敛。
而且人形机器人和机械臂本身也有联系，人形机器人最终跟机械臂是不是就相差两条腿？所以我们会先从机械臂做更多探索，这条路也会更平滑的帮助最终走向人形。
具身智能域控制器
另外一个方向是世界模型服务器。现在世界模型本身还没有定型，但已经可以生成视频、训练数据等内容。我们也考虑基于自己的芯片推出小型世界模型服务器，支持这一类推理应用。
创业邦：如果未来3到5年Physical AI真的迎来快速增长，你觉得今天行业对机器人算力最容易看错什么？
许飞翔：我觉得大家最容易判断错的，是Physical AI对芯片的需求。
今天我们看到的算力需求，距离Physical AI真正发展起来以后需要的计算能力，可能还有非常大的距离。我们今天所拥有的算力，可能只相当于1985年的386芯片。
热门跟贴