SemiAnalysis 算机器人该在哪推理：放数据中心成本不到机载芯片一半，难在无线网络

来源 SemiAnalysis2026 年 9 月 14 日

本篇要点

SemiAnalysis 按一块 B300 带 12 台机器人测算：工业场景下推理放进数据中心，单位算力成本是机器人自带 Jetson Thor 的 46%，家用场景低到 12%。
省钱全靠利用率：不计利用率两者单位算力成本几乎一样，差距来自 GPU 按 90%、机载芯片按 40% 满负荷的假设；一块 GPU 至少要带 5 台机器人才划算。
实际部署多数仍放机身：Sunday 进家庭测试两天就因 WiFi 抖动放弃云端推理，Agility、Verne 的模型都在机身上跑；波士顿动力是少数把推理层放到谷歌 TPU 上的公司。

这是一份什么报告

SemiAnalysis 2026 年 9 月 14 日发布的长文，作者 Ivan Chiam、Gianluca Bencomo、Zane Fong、Bryan Shan、Dylan Patel、Reyk Knuhtsen。它回答一个问题：通用机器人的「大脑」应该装在机器人身上，还是放在数据中心的 GPU 上。
全文分四块：机器人模型分几层、哪一层能离开机器人；芯片与内存供应链对两条路线的约束；B300、RTX PRO 6000、Jetson Thor 三套方案的总拥有成本；以及五家已经在出货的机器人公司各自怎么选、为什么。
讨论范围：只谈能听懂开放指令、适应陌生场景的通用机器人。工厂里跑了几十年的传统运动控制，以及只干一件事的窄域策略模型，本来就跑在小芯片上，不在讨论之列。
口径说明：原文为英文，本篇为中文重制与注释，金额均为美元。报告正文与表格有两处数字不一致，本站以表格为准并在对应位置注明。凡本站计算或解读之处，均标注「本站」。

机器人模型为什么还小：先定硬件，再让模型去适配

和大语言模型的顺序正好相反

大语言模型的做法是先训练、再想办法部署：模型第一，硬件第二。报告说机器人把这个顺序倒了过来，原因是两条约束。

时间：机器人跑的是实时控制回路，不能错过截止时间。聊天机器人慢一点只是让人多等；机器人慢一点，周围环境已经变了，算出来的动作就作废了。
成本：用大模型时，屏幕是用户自己的。机器人则要由制造商在每一台上预先装好算力并买单，规模上去之后是数十亿美元量级的资本开支。

所以机器人身上的硬件是固定的，模型要去适配能以合理成本造出来的硬件。报告的原话意思是：前沿机器人模型的能力上限，会被「买得起、跑得了实时」的硬件卡住。

这解释了为什么机器人模型比大语言模型小两到三个数量级。报告也提醒，机器人模型的参数量不像大语言模型那样有意义：大模型实验室按训练预算和推理成本选尺寸，机器人实验室按数据能撑多大、装得进 Jetson 或 H100 延迟预算来选。参数量反映的是约束在哪，不是尺寸最终停在哪。

模型	机构	参数量	在哪跑
π0	Physical Intelligence	约 30 亿	—
π0.7	Physical Intelligence	50 亿	机器人外的一块 H100
GR-3	字节跳动	40 亿	—
GEN-0 等	Generalist	约 100 亿	—
DreamZero	英伟达	140 亿	机器人外两块 GB200 才能实时
RoboTTT	英伟达	约 30 亿	足够小，可装在机器人上
对照：大语言模型
gpt-oss	OpenAI	1,200 亿	—
GLM-5	智谱	7,440 亿	—
Kimi K3	月之暗面	2.8 万亿	—

模型尺寸往哪走，报告没有下结论。DreamZero 是一个基于视频扩散的世界动作模型，140 亿参数要两块 GB200 才能实时跑；几个月后英伟达的 RoboTTT 走了反方向，用约 30 亿参数、靠测试时训练不断更新自身权重，换来几分钟的可用上下文，而且小到能装在机器人上。

报告的判断是「多种方案并存」：有的机器人全部机载，有的把一部分认知放到数据中心。对需要真正智能的通用机器人，SemiAnalysis 倾向于机器人外的算力，理由是能摆脱机身的算力和功耗预算，还能在整个机队之间共享推理资源。代价是网络问题。

哪一层能离开机器人：看它每秒要算多少次

控制频率高于约 100 Hz 的回路永远留在机身上

报告把机器人模型分三层。频率越低的层参数越多，这是整篇论证的出发点。

层	做什么	运行频率	参数规模	能否放出去
规划层	理解指令和场景，决定下一步做什么：子任务、目的地、抓取姿态、落脚点	低于 20 Hz	数十亿	可以
动作层	把规划输出变成短动作序列、身体姿态、速度（视觉运动控制）	20–100 Hz	数百万	留在机身
伺服与安全层	估计自身状态，应对接触与打滑，保持平衡，驱动电机，急停	高于 200 Hz	数千	留在机身

10 ms

100 Hz 回路每次输出的时间预算

10–50 ms

一次典型无线往返的延迟；调优良好的链路低于 10 ms

200 ms

5 Hz 规划器每次决策的时间预算

算术很直接。100 Hz 的回路每 10 毫秒要出一次结果，一次无线往返就把预算吃光了，模型还没开始算。所以高于约 100 Hz 的层不可能离开机器人。

规划层不一样。5 Hz 的规划器每次决策有 200 毫秒，10–50 毫秒的往返放得下，还有余量。报告认为网络栈调得好，可放出去的边界还能推到 20 Hz 以上。

真正的难点是抖动，不是平均延迟。固定延迟可以提前规划：系统知道这段时间里自己和周围会移动多少。抖动让指令到达的间隔忽长忽短，机器人不知道下一条什么时候来。可以按最坏情况缓冲，把不确定的延迟变成确定的，但那样每个动作都要付最坏情况的代价。报告的结论是：控制住抖动，才能把规划层放出去。

规划层恰好也是算力需求最重的一层，而且泛化要求越高越重：开放任务需要推理，推理模型都大。

机器人能买到的最强芯片，和数据中心差一个数量级

Jetson Thor 的算力约为 GB200 的十分之一，内存带宽约为三十分之一

指标	B200 / GB200	B300 / GB300	Jetson AGX Thor
芯片功耗（W）	1,000 / 1,200	1,200 / 1,400	40–130
代工节点	台积电 4NP	台积电 4NP	台积电 4NP
FP4 稠密算力（每封装 PFLOPs）	9 / 10	14 / 15	1.04
内存	192GB HBM3E	288GB HBM3E	128GB LPDDR5X
内存带宽	8 TB/s	8 TB/s	273 GB/s

以 Jetson Thor 为 1，GB300 各项指标的倍数：

内存带宽

29.3×

FP4 稠密算力

14.4×

芯片功耗

10.8×

内存容量

2.3×

功耗是装不上去的直接原因。报告给的数字：一台人形机器人带约 2 kWh 电池，正常行走功耗几百瓦，峰值连同全部部件一两千瓦，所以机载 GPU 通常是 40–130 W 的 Jetson Thor。一块数据中心级 Blackwell 要 1.2–1.4 kW、需要液冷机架。装到机器人上，这一块芯片的功耗就超过整台机器，散热背不动，电池几分钟就耗光。

供应链：机器人芯片排在晶圆和内存队伍的末尾

英伟达没有理由把稀缺产能让给利润更低、量更小的 Jetson

报告用英伟达自己的出货结构说明这一点：2023–2024 年是 Hopper 爬坡，2025–2026 年 Blackwell 占满出货，Jetson 在图上只是底部一条几乎看不见的细线，到 2026 年也一样。机器人市场还在早期，真正的量在几年之后。

利润率也指向同一个方向。报告称数据中心 Blackwell 毛利率在 70% 中高段，Jetson 模组在 60% 中段。按 SemiAnalysis 加速器模型，Jetson Thor 的物料成本约 $1,103，平均售价约 $3,000，毛利率约 63%。报告认为需求起来后 Jetson 会涨价、利润率会拐头，但眼下英伟达有充分理由把先进制程产能留给数据中心。

Orin

上一代 Jetson，用三星 SF8 工艺，和数据中心 GPU 不抢同一条产线。

Thor

当前一代，已经换到台积电 N4，和 Blackwell 同一代节点。

下一代

报告预计跟着 Rubin 上 N3。

再下一代

预计跟着 Feynman 上 N2。量小、利润低的 Jetson 将一直在最先进节点上排在队尾。

AI 加速器占该节点产能比例	2025	2026	2027	2028	2029	2030
N3	3%	26%	56%	67%	31%	22%
N2	—	—	—	11%	47%	64%
N5 及更先进合计	14%	20%	25%	33%	37%	45%

但报告也说明，机器人自己的晶圆需求并不构成压力。2030 年假设出货 100 万颗 Jetson 级芯片，每颗约 400 mm²，全年只需约 1 万片晶圆，和数据中心 GPU 相比可以忽略。要到每年上千万颗芯片（远在 2030 年之后），供给才会紧。

所以报告换了一个问题：服务同样一支机器人队伍，哪种方案消耗的先进晶圆和内存更少。在产能稀缺时，省硅的方案才能放量。

7 台

晶圆交叉点：一块 B300 服务超过约 7 台机器人，每台机器人分摊的晶圆就比机载一颗 Thor 少

5 台

内存交叉点：超过约 5 台，每台机器人分摊的 DRAM 就比机载 128GB LPDDR5X 少

内存这条更紧。Jetson 每一代的 DRAM 都在翻倍：Xavier 32GB、AGX Orin 64GB、Thor 128GB LPDDR5X。报告指出 DRAM 晶圆总产能虽在增长，但新增部分大多被 AI 加速器的 HBM 吸走，留给 LPDDR 这类普通内存的晶圆池在缩小，而机器人大脑用的正是这一类。

成本账：同样服务 96 台机器人，三套方案各花多少

SemiAnalysis 先实测一块 GPU 能带几台机器人，再算总拥有成本

测什么模型：英伟达的 RoboTTT。它没有公开代码和权重，SemiAnalysis 用真实的 GR00T N1.7 权重，在动作头里插入 16 个测试时训练模块，按论文的计算量和内存特征重建了一个「计时等效」版本。这个版本输出的动作没有意义，测的只是服务成本，不是任务成功率。

RoboTTT 比普通VLA 模型更难批量服务：每台机器人各带 151 MB 的「快权重」状态，每次批量推理前要收集、推理后要写回，共享权重的模型没有这笔开销。

测试条件：每个动作块截止时间 500 毫秒，每台机器人每秒 2 次请求，5 轮、每轮 180 秒。

12 台

一块 B300 在 500 ms 截止时间内能带的机器人数，p99 延迟 449 ms；加到 13 台失败

4 台

一块 RTX PRO 6000 能带的机器人数，p99 延迟 367 ms；加到 5 台失败

据此设三个方案，都服务 96 台机器人。机器人的机械部件、外壳等三者共有的部分不计入。

B300 外置：一台 8 卡 B300 服务器，每卡带 12 台，另配 96 块无线收发卡。
RTX PRO 6000 外置：每卡只能带 4 台，需要三台 8 卡服务器。
Jetson Thor 机载：96 台机器人每台一颗 Thor（按每颗 $3,500），各自配底板、512GB 固态盘、散热、增加的电池容量和机载无线，另按约 7% 备件。

项目	B300 外置	RTX PRO 6000 外置	Jetson Thor 机载
总资本开支	$554,434	$436,539	$394,958
折旧年限	6 年	6 年	4 年
资本成本（WACC）	10.3%	10.3%	10.3%
资本成本 / 小时	$14.19	$11.17	$13.80
运营成本 / 小时（托管、电力等）	$4.44	$7.48	$1.17
总拥有成本 / 小时	$18.63	$18.65	$14.97
方案总 FP4 稠密算力（PFLOPs）	120	48	100
方案总内存带宽（TB/s）	64	38	26
每单位 FP4 算力成本（未计利用率）	$0.16	$0.39	$0.15

几点值得注意：

Jetson 折旧只按 4 年。数据中心机架里的 GPU 不动，机器人身上的芯片整天振动、磕碰，有时还会摔、进水。报告说有运营方给的数字比 4 年还短。报告还提到机器人公司多靠股权融资，资本成本理应更高，但因为已经用更短的折旧年限做了保守处理，三个方案统一用 10.3%。
RTX PRO 6000 被排除。每单位算力成本 $0.39，是另外两个的两倍多，报告此后只比较 B300 和 Jetson Thor。
本站核对：不计利用率时，B300 与 Jetson Thor 每单位算力成本几乎一样（$0.155 对 $0.150），Jetson 还略低。按整支队伍的小时账单算，机载方案 $14.97 反而比 B300 方案 $18.63 便宜约 20%。外置方案的优势要在下一步加入利用率后才出现。

决定胜负的是利用率：GPU 按 90% 算，机载芯片按 40% 算

机器人和 GPU 几乎全是固定资产，闲着也照样花钱

报告的逻辑是：设备开不开工账单都一样，每个有效工作小时的成本和开工时间成反比。机载芯片只在自己那台机器人干活时有用，数据中心 GPU 可以被整支队伍轮流用。

机载芯片的实际利用率差别很大：

家庭：一家已批量部署的公司告诉 SemiAnalysis，它的机器人每天只干 1–2 小时，占全天 4–8%。家务是零散的，现在的模型能无人看管完成的活也有限。这个数在往每天 4–5 小时（17–21%）走，但家务总有做完的时候，上限很硬。
工业：报告能拿到的锚点是 Figure 在宝马工厂的部署，约 11 个月的工作日班次累计约 1,250 个运行小时，每天约 10 小时，利用率约 40%。

部署场景	每天工作小时	利用率
家庭 · 低	2	8.3%
家庭 · 中	5	20.8%
家庭 · 高	10	41.7%
工业 · 低	10	41.7%
工业 · 中	15	62.5%
工业 · 高	20	83.3%

基准假设：机载芯片按工业场景 40%；B300 一块卡带满 12 台机器人，按 90%（报告把 GPU 利用率定义为实际服务机器人数除以最大批量，上限 90%）。计入利用率后：

B300 外置

$0.17

Jetson Thor 机载

$0.37

RTX PRO 6000 外置

$0.43

B300 外置方案的单位算力成本是 Jetson Thor 机载的 46%。换成家庭场景（机载利用率 10%），降到约 12%。

报告做了一张敏感性矩阵，行是机载芯片利用率，列是 B300 利用率，格子里是「外置成本 ÷ 机载成本」。小于 1 表示放数据中心更便宜，加粗的格子表示机载更便宜：

机载利用率＼ B300 利用率	60%	70%	80%	90%	100%
10%	0.17	0.15	0.13	0.12	0.10
20%	0.35	0.30	0.26	0.23	0.21
30%	0.52	0.44	0.39	0.35	0.31
40%（基准）	0.69	0.59	0.52	0.46	0.41
50%	0.86	0.74	0.65	0.58	0.52
60%	1.04	0.89	0.78	0.69	0.62
70%	1.21	1.04	0.91	0.81	0.72
80%	1.38	1.18	1.04	0.92	0.83
90%	1.55	1.33	1.16	1.04	0.93
100%	1.73	1.48	1.29	1.15	1.04

本站提示：矩阵对角线全是 1.04

两边利用率相同的格子（60%/60%、70%/70% … 100%/100%）都是 1.04，也就是机载反而便宜 4%。这和第 05 节未计利用率的数字一致（$0.155 ÷ $0.150 ≈ 1.04）。
所以 46% 这个结论完全来自 90% 对 40% 这组利用率假设，不来自硬件本身更划算。GPU 要做到 90%，前提是它服务的机器人比它同时能带的更多，或者机器人分布在不同班次、不同时区，轮流用满这块卡。
如果一家工厂只为自己那 96 台、每台 40% 开工的机器人配一台服务器，GPU 也只会跟着忙 40% 左右，两种方案就回到几乎打平。报告自己也说，只有「机器人数量很少、现场服务器大部分时间闲着」时机载更合适，并建议这种情况按需租用算力，而不是买一整台服务器。

报告还按「每块 B300 带几台机器人」算了一遍（机载利用率固定 40%）：从每卡 5 台起，外置方案的单位算力成本就低于 Jetson Thor；带 1 台时约 $1.80，带满 12 台降到约 $0.17。RTX PRO 6000 带满 4 台也只到约 $0.43，始终高于 Thor 的 $0.37。

已出货的公司怎么选：五家里四家把模型留在机身上

决定因素是任务需要多强的泛化、无线环境多差、能不能改客户现场

报告自己承认：纸面上外置更便宜，但还没有哪家量产，今天决定选择的不是总拥有成本。等机队规模变大，成本才开始起作用。

公司	场景与产品	模型	推理放在哪	主要原因
波士顿动力	汽车厂、仓库；人形机器人 Atlas 今年投产（开发机，非量产）	推理层参照 DeepMind 的 Gemini Robotics ER，报告估计数千亿参数甚至上万亿	拆开：动作层在机载 Jetson Thor，推理层在谷歌 TPU	工厂任务需要强泛化，这么大的模型机身装不下
Agility Robotics	仓库、工厂；双足人形 Digit，客户含 GXO、Schaeffler、亚马逊、丰田加拿大	第三方基座模型上做后训练	机载 Jetson 级芯片；调度、地图、远程升级在云端	不想改造客户网络；安全决策必须在本机
Verne Robotics	仓库、轻制造；轮式双臂 Nemo	自研端到端策略，估计数十亿参数	全部机载（Jetson 级或 RTX 50 系列）	拣选、打包、装配不需要开放世界推理
Sunday Robotics	家庭；轮式升降机器人 Memo	自研基座模型 ACT-1、ACT-2	原计划云端，改为全部机载	家庭 WiFi 抖动
Weave Robotics	家庭；叠衣机器人 Isaac 0，今秋出 Isaac 1	自研 VLA，也用 Physical Intelligence 模型，均估计数十亿参数	报告预计机载	模型够小；不要求用户换路由器

波士顿动力：把推理层放在无线链路另一端

它把栈分成两层。System 1 是驱动机器人的 VLA，接收摄像头画面和一句短指令（例如「把罐子放进贴绿点的箱子」），输出电机动作，因为动作对延迟和确定性要求高，放在机载 Jetson Thor 上。System 2 是规划者，接收制造执行系统的工单（例如「执行 345 号任务，结果放进 5 号料箱」），拆成 System 1 能执行的步骤。

工厂的「5 号料箱」对 VLA 没有意义，所以 System 2 在机器人视野里给正确的箱子标了一个绿点，这类「翻译」是它的核心工作之一。它还负责监督，发现 System 1 出错并跟踪进度，所以调用频率比外界想的高：通常几秒到十秒一次，有时每秒一两次。System 2 通过公司的机队软件 Orbit 调用，目前在谷歌 TPU 上运行，来自与 DeepMind 的合作。

代价是网络。平均延迟不是问题，问题是偶发的一秒级卡顿会让机器人在任务中途停住。报告说波士顿动力有多个团队专门做网络，覆盖机载无线栈、客户基础设施、频谱和协议设计。另一个问题是数据：机器人等于把客户工厂的视频流传出去。波士顿动力的做法是分层管控，客户在机器人端决定哪些数据可以外传，Orbit 平台有 SOC 2 Type 2 认证，推理那一段走谷歌云的企业级智能体平台。核电站、军方这类客户则无论如何不会让数据离开现场。

Agility：只把能容忍延迟的事放上云

调度、任务分配、场地地图、远程升级、遥操作和训练数据上传在云端平台 Arc 上。这些能放出去，是因为机器人手里已经排着 30–60 秒的工作，十秒收不到下一段任务也不影响。其余全部机载。原因之一是工厂无线环境很差：移动的金属、重型机械、多径干扰，机器人每经过一个货架就失去视距，还要在接入点之间漫游。能做到足够可靠，但要改造客户网络，而 Agility 希望 Digit 直接进现场。

另一个原因是安全。Digit 目前只在物理隔离的工作单元里作业，因为还没有动态平衡的机器人通过在人旁边工作的安全认证。下一代会加专门的人体检测，识别到有人靠近就停下并蹲到地上。报告的结论是：如果安全模型在机器人外面，断网时机器人无法判断出了什么事，只能执行最保守的失效保护，所以复杂的安全决策必须留在机器人上。

Sunday：实验室里用云端，进家庭两天后改为机载

Sunday 的数据来自 Skill Capture Glove，一种和机器人夹爪几何形状一致的手套，让人戴着做家务来采集。它最在意的发现是预训练规模决定后训练能否泛化：不做预训练时，叠衣服在自家实验室成功率 96%，在没见过的家庭只有 14%；用上全部预训练数据后两边都是 100%。ACT-2 在没去过的家庭里叠 9 类衣物，零样本成功率 99.1%。

模型要吸收大规模预训练就不能太小，所以 Sunday 起初按云端推理设计。报告说 ACT-2 进真实家庭测试两天后就改了方向：家庭 WiFi 有信号死角、邻居干扰、配置不当的 Mesh 路由器、上下行不对称。延迟大体没问题，抖动是问题，要在几个小时里保持 99% 成功率，偶发的卡顿承受不起。星链卫星几分钟就划过天空，树或屋檐挡住一次就断一次；5G 路由器也一样掉线。最后模型改为全部跑在机器人内置 GPU 上。

网络墙：现有无线设备是为下载设计的，机器人要的是上传

报告认为问题可以解决，解决一个场景就会有一批部署搬出机身

几乎每家把推理留在机身上的公司给的理由都是网络。报告把难点归为三类：

机身本身：机器人是金属做的、会动，电机和电子元件在同一频段产生噪声；机壳会遮挡和反射信号，姿态一变天线位置就变。
网络设施：WiFi 和 5G 是按家里几台设备看视频设计的，以下行为主。机器人正相反，要一边移动一边把视频量级的数据往上传。现有接入点和芯片的优先级是反的，很少支持上行多天线，没有让 UDP 流可靠的冗余，接入点之间切换不够快，一切都是统计意义上的，而机器人需要确定性。家庭共用光纤时，邻居开始看视频就会拖慢你的机器人。
环境：这是决定能不能外置的核心。自动驾驶是必须机载的典型：覆盖范围太大、无线环境不可控、车速快、延迟预算接近零，而且驾驶的学习难度比人形机器人干活低，模型装得下。外置的前提是中小型、结构化到能控制无线条件的空间，家庭和工厂满足这一条，但依然很难：开洗碗机、启动重型机械都会改变信号；普通路由器在接入点切换时会静默 100 毫秒到数秒，恢复再要几秒，这时人形机器人可能已经摔倒。

报告说传输层问题用常规工程能解决，比如改造过的 WebRTC、不重传的 UDP、多天线重复发送、优先保证数据新鲜，这些做法已经很普遍。真正难的是现有硬件，报告列了四个方向：

① 先改环境：接入点

接入点要做与消费级相反的事：给机器人上行预留固定时隙，排在家庭或工厂其他流量前面；知道每台机器人在哪、要去哪，提前做波束赋形和切换；全场一个授时源；WiFi 与 5G 多链路同时发送；尽量用不拥挤的 6 GHz 频段；接入点切换必须在一次观测间隔内完成，200 毫秒的切换意味着丢好几帧。接入点位置要沿机器人作业路径实测，不能靠猜。

② 减少要传的数据

网络带宽有限。机器人上行流量几乎全部来自图像传感器，所以这首先是感知问题，其次才是网络问题。

③ 把上行做大

主板要为上行设计：4×4 上行多天线（消费级模块只有一到两路），芯片按上行吞吐选型，无线电按接入点分配的时隙准时发送、时隙外保持安静。这要求主板和接入点联合设计。

④ 全部对齐同一个时钟

数据中心 GPU 的成本优势来自批量推理，而批量推理要求多台机器人的观测同时到达。主板用好的晶振加全机队无线授时，能做到亚毫秒同步；GPU 调度按这个节拍预留算力，帧一到齐立刻算，迟到的观测进下一批而不是排队等。报告说这正是外置推理的全部经济逻辑所在。

分工上，报告认为 WiFi 会覆盖家庭和大部分工厂车间；5G（专网或公网）补室外路径、大型场地和 WiFi 拥塞无法控制的地方，两者由同一个调度器管理、能快速互相切换。依赖运营商的场地，还要和运营商谈上行优先级以及到 GPU 集群的专用光纤。

谁会先把大脑搬出机身：报告给了三道筛子

无线条件能不能控制、延迟预算有多宽、任务值不值得用数据中心 GPU

筛子	适合外置	留在机身
① 无线条件可控吗	工厂、家庭：空间有边界，网络可以勘测、调优，最终为机器人专门建设	在街上移动的机器人、自动驾驶：几乎无法控制无线环境
② 延迟预算多宽	几 Hz 的规划层，有几百毫秒余量；要解决的是抖动	约 100 Hz 以上的动作、伺服、安全回路
③ 任务够复杂吗	2,000 亿参数级模型，承担整座汽车厂的杂活，并和同一车间几十台机器人协同	跑简单策略的单任务机械臂

本站解读：这篇报告的结论有几层条件

报告的方向性判断是「随着网络问题被解决，会有更多部署搬出机身」。把全文的条件串起来，这个判断成立需要同时满足：
一是规模。成本优势来自 GPU 被多台机器人轮流用满（第 06 节），小机队、单工厂自建服务器时两种方案接近打平。
二是场景。只有无线条件可控的工厂和家庭适合外置，而且只外置规划层，动作层和安全层永远需要一颗机载芯片（第 02、07 节）。所以即便外置普及，机器人身上的芯片也不会消失，变化的是它需要多大。
三是网络。今天五家里四家选机载，主要原因不是成本而是网络（第 07 节）。报告列出的四个解决方向，大多需要接入点、主板、授时和 GPU 调度联合设计（第 08 节），目前还没有现成产品。
报告同时说明，2030 年前机器人芯片的晶圆需求可以忽略（第 04 节），所以两条路线的选择近几年不会改变先进制程的供需格局。