夜雨聆风
从汽车到机器人,软件为何成了物理AI的生死线?
在大模型与具身智能狂飙突进的当下，机器人行业正经历着一场空前的变革与创新浪潮。
然而，在这狂飙背后，底层的软件架构正遭遇前所未有的压力。
5月底，BlackBerry有限公司旗下的业务部门QNX正式发布最新研究报告《机器人软件架构基准研究报告》（Inside the Robot: Architecture Benchmark Report）。
这份对全球7个国家（涵盖北美、欧洲、亚洲）的1,000名机器人开发者、工程师进行深度调研后提炼出的报告，揭开了机器人繁荣生态背后的技术隐忧。
报告的核心结论指明了一个正在发生的范式转移：
机器人的技术瓶颈已经完成了从硬件到软件的迁移。基础软件架构的滞后与不适配，正在成为钳制物理AI规模化落地的核心瓶颈。
针对这一行业核心痛点，QNX大中华区首席代表董渊文在媒体圆桌会全方位拆解了这份基准报告背后的产业逻辑。
△ QNX大中华区首席代表董渊文
同时，在NE时代的独家专访中，他深度剖析了中国机器人研发群体在「高压生存、激进创新」的特殊生态下，所面临的架构抉择、阵痛以及破局之路。
01.
硬件“退位”，软件登场
在很长一段时间里，机器人的演进被普遍认为是一场「硬件主导」的战争。
如何让关节更灵活、如何降低减速器成本、如何提升电池续航，曾是摆在研发人员面前的几座大山。
但根据QNX发布的报告最新数据，这种传统认知正在被颠覆。
在接受调研的1,000名全球机器人开发者中，有27%的受访者明确将“软件架构与系统集成”列为当前系统最大的性能瓶颈，而将“硬件”视为主要问题的受访者比例仅为16%。
这一数据反映出，未来的行业进步将不再单纯依赖于硬件的突破，而更多地取决于能否构建出一个具备高可预测性、高安全性以及能够支持混合关键性等级的软件系统架构。
随着机器人逐步从受控、封闭的实验室或特定工业环境，走向城市道路、繁忙的工厂车间乃至人类的日常居住空间，软件基础能力的战略意义正在全行业内达成共识。
研究显示，高达85%的开发者预计，在未来三到五年内，软件将在机器人领域发挥颠覆性的关键作用。
与此同时，研发团队的投资重心也呈现出了高度的集中性：
51%的团队将最大投资方向锁定了AI驱动的决策能力，同样有51%的团队聚焦于网络信息安全，紧随其后的则是操作系统和实时控制软件（占比38%）。
支撑这一趋势的，是物理AI概念的全面崛起。
在接受调研的开发者中，近九成（89%）的人认为，物理AI对其组织的未来规划至关重要。
对于这个科技界最炙手可热的话题，董渊文在专访中给出了清晰的产业定义。
他指出，与运行在云端网络空间、看不见摸不着的传统AI相比，物理AI有着四个核心且不可逾越的物理特征：
◎符合物理规律：“物理AI本身需要让AI符合物理世界的规律，比如拿一瓶水，放手的话它要掉在地上，不能把它浮起来。”
◎全面可感知：系统的所有行为和反馈必须能够基于现实世界的感知，“比如手触摸东西，眼睛能看到，这个都是可以感知到的。”
◎具备实体承载：物理AI必须落到实处，拥有机器人、机器狗、机械臂等具体的物理实体。
◎实时闭环控制：也是最关键的一点，系统在感知到现实世界的物理刺激后，必须能够给予实时的控制反馈，完成一个高可靠性的闭环。
然而，正是这种与物理世界进行高频、高责任感交互的特性，对系统软件的基础能力提出了近乎苛刻的要求。
报告显示，全球95%的机器人开发者表示，“确定性与实时性”是其系统的核心底层要求。
在中国市场，这一指标被推得更高——98%的中国受访者强调确定性实时执行至关重要。
02.
被安全隐患「裹挟」的通用操作系统
尽管“确定性实时执行”与“高功能安全”已经成为全球机器人的行业共识，但在实际的工程开发中，开发者们却面临着巨大的现实落差。
报告揭示了一个令人震惊的现状：全球仍有91%的开发者在部分实时或安全关键型工作任务中，依赖通用操作系统（GPOS，如Linux）来运行。
而在中国市场，这一比例甚至达到了94%。
通用操作系统（GPOS）最初是为PC、服务器等注重人机交互、UI界面和高吞吐量而非“硬实时”的场景设计的。
在面对性命攸关、需要绝对时间确定性的机器人控制任务时，开源Linux的局限性暴露无遗。
“Linux本身不是硬实时的确定系统，再怎么优化也不可能变成一个实时系统，”董渊文在接受专访时直言，“虽然Linux看起来是免费的，没有商业操作系统的授权成本和版权成本，但它后期的优化和维护非常麻烦，投入的团队精力和维护成本会非常高，而且到目前为止还无法实现高等级的功能安全和网络信息安全认证。”
这种在系统灵活性与可预测、可保障行为之间的巨大张力，正随着机器人规模化部署的推进而加速激化。
报告显示，在意识到开源GPOS的适配性疑虑后，高达86%的GPOS用户明确表示愿意更换操作系统。
开发者们渴望走向那些经过安全认证的商业解决方案，以此来对冲底层架构不确定性带来的商业与技术风险。
除了系统实时性的缺失，监管、合规与功能安全标准的日益严苛，正在给全球机器人团队带来全新的高压。
根据报告数据，全球有三分之二（66%）的受访者坦言，其项目进程因为繁琐的合规与认证流程而遭遇了不同程度的延迟。
在欧洲的英国和德国，由于法规体系更为严密，这一延迟比例甚至接近70%。
对比之下，中国受访者因行业认证导致项目延误的比例为56%，虽然略低于全球平均水平，但这绝不意味着中国开发者面临的合规压力更小。
恰恰相反，中国团队展现出了极其强烈的安全焦虑：67%的中国受访者将机器人及自主系统的“功能安全标准”视为主要合规挑战；同时，有61%的中国受访者将“安全威胁或漏洞”列为未来机器人发展的“最大担忧”。
在如此高企的行业期望与严苛的安全合规压力下，整个行业对实际落地准备的信心呈现出了强烈的不均衡。
全球仅有29%的受访者敢于宣称，他们对其系统在真实、复杂的无约束环境中做出安全、可预测决策的能力表示“非常有信心”。
这种数据的底层逻辑，正是由于目前的绝大多数开发团队，正在一个最初并非为如此复杂、且责任要求极高的场景所设计的底层软件架构上，「戴着镣铐跳舞」。
03.
“混战”，重回2018智驾前夜
面对全球机器人团队表现出的这种“既在乎底层安全，又在大规模使用开源Linux”的矛盾心态，董渊文在独家专访中展现出了极具活人感的行业洞察。
他一针见血地指出，当前的中国机器人产业，正处于一个极度“混战”的特殊历史阶段。
“现在这个阶段，非常像当年2018年汽车电子、特别是智能驾驶的情况。”
董渊文回忆道，在2018和2019年前后，智能驾驶赛道同样涌现出了无数的初创公司。
在资本的追捧下，大家的第一步战略不是去细细打磨底层的硬件和软件，而是要想尽一切办法先融到钱。
为了融资，团队必须用最快、最方便的方式把一个Proof of Concept（POC，概念验证）的Demo做出来。
“那个时候，国内的智驾大量使用开源的Linux系统配合工控机做开发。我们作为做底层软件的，跟做算法应用的完全对不到一个频率上，虽然讲的都是中文，但讲的不是同一种技术语言。现在的机器人行业，简直是一模一样的镜像。”
据不完全统计，当前中国境内号称做机器人的公司多达上万家。在这个极度拥挤的赛道里，绝大多数企业现阶段的核心目标极其残酷，那就是“活下去”。
“因为汽车电子现在很难拿到大额融资了，大量的资金和团队开始往机器人这边转，导致赛道显得非常拥挤。你要想崭露头角，第一步至少要先把满足功能的东西拿出来给投资人演示，根本没有多余的时间和精力去搞性能调优、去考虑功能安全。”
所以现阶段，不少公司都是用消费级的的处理器，加上开源的Linux，把应用程序和一些大模型往上一“套”，把整个系统先跑起来，先实现0到1，以后再考虑性能提升，成本优化，以及更进一步的功能安全和网络信息安全。这是很正常的产业规律。
在QNX的视角中，无论是当年的智能驾驶，还是如今的物理AI机器人，任何一个硬核科技产业的底层基础软件跃迁，都必须遵循一条不可逾越的四个层级演进曲线：
◎第一层级：满足功能。解决“有没有”的问题。不在乎性能、功耗、长期稳定性以及功能安全，主要依靠开源架构快速搭建POC。
◎第二层级：满足性能。解决“好不好”的问题。当功能跑通后，开发者开始考虑系统执行的实时性与效率，商业化的软件和实时操作系统（RTOS）开始介入。
◎第三层级：满足功能安全与网络信息安全。达到严苛的行业标准。当产品进入特定的真实部署环境，必须应对安全威胁和漏洞，并遵循相应的国际或合规标准（如汽车的ISO 26262、工控的IEC 61508等）。
◎第四层级：长期的安全性和稳定性。走向大规模量产，在极致的成本优化下，依然能在现实恶劣环境中持续工作几十万小时而绝不出错。
目前，全球绝大多数具身智能和人形机器人，还停留在纯粹的第一层级。
它们在本质上更偏向于带有实验性质的“消费电子属性”，还没有真正切入到类似手术机器人或智能汽车这种“性命攸关、动辄车毁人亡”的强合规阶段。
“机器人领域目前完全处于百家争鸣、群雄逐鹿的阶段，底层标准还没有收敛到像汽车行业那样清晰的程度。”董渊文指出，正如智能汽车行业在过去十年里经历的大浪淘沙——十年前中国有名有号的主要电动车公司有几十家，而到2026年只剩下了12家。
机器人行业同样会迎来残酷的收敛。
当全中国上万家机器人公司最终收缩到几百家甚至十几家头部企业、开始走向真正的量产交付时，拼成本、拼长期稳定性、拼功能安全和网络安全的恶战才会真正爆发。
届时，底层商业实时操作系统（RTOS）的“刚需”蛋糕，才会真正开始被切动。
在探讨汽车电子技术向机器人及具身智能领域的跨界应用时，董渊文指出，QNX在汽车行业所沉淀的核心技术具备极高的通用性。
特别是智能驾驶及底层软件技术，能够实现向机器人领域的无缝平移，几乎无需进行二次开发。
两者的技术逻辑实则高度趋同，除中间件存在部分差异外，其底层芯片与操作系统基本保持一致。
长远来看，随着机器人与具身智能市场的不断成熟，QNX的实时操作系统（RTOS）必将在该领域展现出广阔的应用前景。
04.
五层架构下的解耦与隔离
面对功能安全与灵活性之间的冲突，现代人形机器人的硬件与软件架构正在发生深度的解耦。
人形机器人既需要AI进行不确定性的复杂决策，又需要在运动控制层面保持绝对的确定性与实时性，这种冲突在同一个系统里该如何解决？
董渊文借用人类的生理结构，给出了一个极为生动的比喻。他认为，机器人的控制架构必须分为「大脑」与「小脑」两套体系：
◎大脑（决策中心）：主导复杂的环境感知、推理决策和大模型运行。这部分通常使用几百乃至上千TOPS的大算力芯片，例如英伟达的Jetson Thor、地平线的旭日系列等。这些大芯片由于需要运行庞大的非确定性大模型，其软件环境往往需要极高的算力和相对灵活的系统支持。
◎小脑（运动控制）：主导身体机能的平衡、关节控制和高频动作反馈。这部分往往依赖于微控制器（MCU）或者运行在安全核（如ARM的M核、R核）上的芯片，例如英飞凌、瑞萨或者芯驰的CVM系列。
“QNX主要专注于「大脑」这一块，”董渊文解释道，“因为我们的实时操作系统需要跑在带有内存管理单元（MMU）的高性能处理器CPU大核之上，暂时不支持MCU小核。”
如果将机器人的每一个主控电脑从下往上切开，在工程层面上可以清晰地切出五层形似汉堡的软件栈架构：
在这个五层架构中，底层的基础软件往往面临着隐形的尴尬。
“对于用户来说，他们在初期并不太关心底层基础软件，因为反正看不见摸不着，他们更关心能第一时间给投资人演示的应用层、算法层和数据层。”董渊文坦言。
但当系统走向集中式的高性能计算平台（HPC）时，底层基础软件的威力便开始显现。
报告指出，中国企业在集中式HP架构的采用率（35%）上显著高于全球平均水平。
董渊文表示，这种向大算力、大集中倾斜的硬件架构趋势，对QNX而言并非挑战，反而是巨大的核心优势。
回顾QNX的发展历程可以发现，其架构演进始终与高性能处理器紧密绑定，从早期的X86架构，到Power PC，再到全面支持ARM架构，QNX始终聚焦于高性能计算领域。
具体而言，QNX 的最佳应用场景需同时满足三大条件：
◎搭载高性能处理器：如配备ARM大核等高算力芯片。
◎严苛的安全与实时要求：具备高标准的实时性、确定性及功能安全认证。
◎特定的嵌入式环境：与算力可通过叠加显卡无限拓展的服务器设备不同，嵌入式系统具有明确的资源与功耗边界。例如，英伟达H200 这类数据中心级 GPU 无法应用于嵌入式环境，而 Orin X、Thor 等智驾芯片则完美契合，这正是 QNX 发挥效能的理想平台。
相反，QNX并不主要应用于MCU处理。例如缺乏内存管理单元（MMU）的 MCU，或是用ARM的M核、R核的小处理器，暂时都不在 QNX 的支持范围内。
因此，在中国市场大力推进集中式高性能计算平台的大背景下，QNX反而能展现出极高的契合度与应用潜力。
为了在高性能的异构环境里提供“高维度的确定性”，QNX在底层提供了两套核心的隔离机制：
◎物理隔离：QNX能够把一颗大芯片中的CPU、外设、内存进行整体的物理隔离，使其基础软件标准直接达到汽车级最高的ASIL D等级。
◎时间隔离：通过将同一个硬件资源在微观层面上切得极细，实现分时复用，确保不同的进程（即使其中包含不确定性的大模型进程）在互相调用资源时，绝不会干扰到实时运动控制进程的时间确定性。
这种严苛的隔离能力，正是QNX在壁垒极高的手术机器人领域（如达芬奇手术机器人，以及中国头部的医疗手术机器人公司等）获得广泛应用的核心密码。
手术机器人必须通过强硬的医疗功能安全标准IEC 62304认证，QNX达到了相应功能安全标准。
说到在功能安全领域，QNX操作系统基础软件在出厂时即已获得TÜV莱茵颁发的最高等级功能安全认证。
鉴于当前机器人行业尚未出台专属的功能安全标准，QNX现阶段主要依托工业控制领域的 IEC 61508 SIL3 等级认证作为安全背书。
根据该标准，系统的危险失效概率极低（介于10⁻⁸至10⁻⁷之间），折算成平均无故障时间（MTBF）可高达近10万年。
此外，QNX的功能安全认证体系还全面覆盖了医疗、汽车及航空航天等严苛领域。
针对未来行业标准的发展趋势，尽管机器人及相关新兴领域有望出台专属标准，但现阶段统筹并整合各方企业仍面临较大挑战。
参照汽车行业ISO 26262标准的演进轨迹，新兴行业通常需经历早期的市场角逐与技术探索，随后在行业协会的推动与协调下，方能逐步确立并完善统一的标准化体系。
05.
“ARM式”的角色定位
在谈及基础软件的商业前景时，前不久，QNX与NVIDIA宣布深化战略合作，致力于共同推动面向机器人、医疗及工业领域的安全关键型边缘AI发展。
这一合作并非空中楼阁，而是两家巨头在汽车电子领域多年血战沉淀下来的默契。
在汽车智能驾驶领域，双方早已实现“强强联手”。NVIDIA 旗下的 Orin-X 与 Thor 等端侧智驾芯片，其所在的 NVIDIA DRIVE 平台已在安全关键系统中支持 QNX 的基础软件应用。
基于这一成熟的合作范式，双方正规划在NVIDIA 的 Jetson Thor、Jetson Orin-X 等机器人业务平台上逐步引入 QNX 软件。
鉴于英伟达在机器人算力芯片领域的极高占比，一旦QNX的底层软件随着英伟达的芯片共同渗透进去，其未来的增长潜力将是极其巨大的。
在探讨双方拓展至机器人及工控领域的核心价值时，董渊文指出，NVIDIA 之所以坚定选择 QNX，主要基于两大考量：
其一，QNX 拥有长达 46 年的深厚技术积淀，是全球范围内极为稀缺且久经市场考验的嵌入式基础软件企业，能够为安全关键型场景提供坚实保障；
其二，双方的合作契机源自NVIDIA 早期对汽车智驾赛道的布局，彼时 QNX 已在汽车功能性系统领域确立了绝对的领先地位。
整体来看，QNX 与 NVIDIA 的合作正顺应技术发展趋势，将车规级平台上历经检验的可靠方案，平滑且深入地延伸至更广泛的机器人与工业平台之中。
然而，中国机器人的生态有着其独特的本土化标签。
在全球供应链地缘政治摩擦、AI主权与技术主权被广泛讨论的2026年，国内大批机器人公司由于高端芯片封锁或成本考量，正在加速拥抱国产芯片。
面对关于“技术主权与供应链格局改变”的犀利提问，董渊文认为，地缘政治确实对数据主权产生了深远影响（数据必须保留在本地），但对于底层的硬核技术而言，代码和操作系统是不分国界的。
QNX作为一家加拿大企业，这种紧密的合作在汽车及汽车电子领域尤为凸显。
一方面，中国整车企业的出海布局正加速向加拿大延伸，比如前不久媒体报道称，比亚迪、奇瑞、吉利等主机厂均表露了赴加投资建厂的意向。
另一方面，在汽车电子供应链层面，众多中国Tier 1企业正积极谋求与加拿大本土头部Tier 1建立合资关系。
值得注意的是，凭借当前中国在汽车电子领域的领先优势，这对加拿大而言堪称一种新型的“以市场换技术”合作模式。
只不过在全球产业链中，技术输出与市场提供的双方角色已经发生了历史性的对调。
在芯片生态的适配上，QNX展现出了如同半导体IP巨头ARM一样的开放姿态——“全方位拥抱”。
“国内市场有其特殊性，国产芯片正在各个赛道崭露头角。如果把整个机器人芯片份额算作100%，国外的英伟达、高通、AMD占60%，国产芯片大概能占到40%。如果我们只和那60%合作，那40%的份额就丢了。对QNX来说，我们60%的要，40%的也要。”
据透露，QNX目前已经完成了对国内主流芯片生态的全面适配：
◎地平线：适配了最新的征程6（J6）系列芯片，并跑在QNX最新的8.0高版本系统上。
◎芯驰科技：全面适配了X9、X10、G3等车规级芯片。董渊文更在专访中独家爆料：“后续，芯驰还会发布新一代的X10芯片，采用4纳米的先进工艺制程，具备80 TOPS的AI算力。如果拿它来做机器人，也是完全没问题的。”
◎瑞芯微：针对RK3588、RK3288等在低成本机器狗、机械臂领域被大量使用的芯片，QNX也已经做好了全面支撑。
06.
AI介入，助力底层软件迁移
对于习惯了开源Linux的中国开发者来说，如果有一天决定为了功能安全而将整个软件栈迁移到QNX这样的闭源实时操作系统之上，他们将面临怎样的切换成本？
董渊文给出了一个答案：AI正在以前所未有的速度，野蛮地抹平底层软件迁移的一切时间鸿沟。
“自从大语言模型和AI彻底渗透到代码开发过程以后，过去所有的研发周期判断、量产时间预测全部失效了。一切都变得太快了。”董渊文感叹道。
在目前的机器人与汽车电子开发流程中，诸如Claude Code、Codex等AI代码工具已经深度介入了从测试、开发、量产分析到Trace & Log的每一个微观步骤。这种技术工具的革新，正在直接重塑研发团队的人员结构。
“现在的情况是，初级工程师已经慢慢很难找到工作了。未来是一个高级的架构师，直接带上一群‘龙虾’或者‘爱马仕’，开发效率就能直接拉满。”
董渊文表示，目前，AI技术已从单一开发节点的赋能，升级为对全业务流程的重塑。
他分享了一个细节：比如某汽车电子头部Tier 1反馈，在响应整车厂RFQ的过程中，Demo的构建已实现全自动化，仅需向AI工具输入需求即可快速生成Demo，整个开发流程不需要人力的参与。
这也带来了一个极其戏剧性的产业消费现象：企业在软件上的付费习惯，正在通过购买AI的Token而被迫建立。
过去在国内市场，SaaS（软件即服务）模式的推广与商业化曾面临较大阻力。然而，随着AI技术的爆发，这一现状或许在发生根本性转变。
当前，企业与个人用户为AI在线服务（如购买算力 Token）付费的意愿显著增强，并已逐渐视其为顺理成章的商业行为。
董渊文表示，以汽车电子某中型体量的Tier 1为例，目前仅用于满足全体员工基础的Token消耗，单月支出便已突破百万元规模。
更为值得注意的是，这仅处于应用的起步阶段，尚未进入大规模的深度投入期。
本质上，购买Token即是采购软件相关的衍生服务。
可以预见，依托高频次的Token消费，国内企业与用户将潜移默化地建立起成熟的软件付费意识，最终将反哺整个软件行业。
回到系统迁移本身，机器人企业更换底层操作系统的技术门槛并不高。
由于QNX操作系统全面兼容POSIX标准及ROS机器人操作系统，原有符合标准的应用可实现低成本的平滑迁移。
此外，借助AI技术的赋能，应用程序的适配与代码移植效率将大幅提升，进一步降低了系统切换的人工与时间成本。
在技术储备方面，QNX已为全面渗透人形机器人行业做好了充分准备。
由于机器人控制器与汽车智能驾驶控制器在底层硬件架构与主流芯片（如英伟达、高通、地平线等）的应用上高度同源，且QNX完美支持行业主流的ROS2中间件，其在系统层面的软硬件集成已无技术障碍。
当前，推动企业采用QNX的主要阻力在于初创企业对时间成本的考量。
短期内企业倾向于依赖高算力硬件与熟悉的Linux环境以加快融资与上市步伐。
但长远来看，随着行业的成熟，机器人企业必将效仿汽车电子行业，通过引入高性能、高安全性的操作系统进行底层优化，以适配中等算力芯片，从而实现真正的降本增效，届时QNX的系统优势将得到全面释放。
07.
写在最后
在这个群雄混战、上万家机器人企业并起的草莽时代，那些能在低头赶路做Demo的同时、抬起头用「终局思维」审视底层系统高确定性与功能安全的少数玩家，或许才拿到了下一阶段通过残酷收敛期的幸存者门票。
基础软件不再是一段隐形的代码，它是物理AI在现实世界里落地生根、不踏进灾难深渊的生死防线。
「万事俱备，只欠东风」，就看行业的规模化量产转折点何时真正到来。
-END-