9月20日，启元机器人上海新品发布会。
Q1、T1双新品的亮相赚足了眼球，但在行业人士看来，这场发布会还有一个更值得关注的信号
苏州睿芯，成为启元机器人的算力生态合作伙伴。
一家是消费级具身智能的新锐品牌，一家是数据流AI芯片的硬核玩家。两家公司的牵手，为什么值得拿出来单独聊？
因为这背后，藏着一个正在发生的产业变化：
具身智能的算力竞赛，已经从“拼性能”进入了“拼架构”的新阶段。
而数据流架构，正在从实验室走向产业一线。
一、具身智能，遇到了算力的“不可能三角”
人形机器人的端侧算力，有一个“不可能三角”
高性能、低功耗、低成本，三者不可兼得。
为什么这么说？我们来拆解一下机器人端侧到底需要算什么：
• 视觉感知：摄像头的实时画面处理，目标检测、场景理解、人脸识别……每一帧都要算，24小时不间断。
• 运动控制：步态规划、平衡控制、手臂动作、避障……这些对延迟极其敏感，差个几十毫秒可能就摔倒了。
• 多模态大模型推理：语音理解、对话生成、任务规划……大模型参数量动辄几十上百亿，端侧能不能跑得动？
• 多传感器融合：IMU、力觉、触觉、激光雷达……各种传感器的数据要实时融合处理，数据量巨大。
把这些加在一起，算力需求是惊人的。
但机器人的端侧环境又极其苛刻：
• 功耗不能高：电池容量有限，算力芯片功耗每增加10W，机器人续航可能就少半小时。
• 体积不能大：头部空间寸土寸金，芯片要做得足够小，散热还要压得住。
• 延迟必须稳：运动控制是实时系统，延迟波动比延迟本身更可怕。
传统的GPU方案，性能够强，但功耗和体积下不来；
传统的MCU方案，功耗够低，但性能差太远，跑不了大模型；
NPU/ASIC方案，是目前的主流路线，但在多模态、大模型推理场景下，算力利用率和灵活性仍然是挑战。
具身智能需要的，不是“更强的芯片”，而是“更对的架构”。
二、数据流架构：天生为高效AI推理而生
什么是数据流架构？为什么它能解决具身智能的算力痛点？
要回答这个问题，得先理解传统控制流架构（CPU/GPU）的根本问题在哪。
控制流的“通勤困境”
CPU和GPU都是“指令驱动”的。控制器发出指令，计算单元按照指令去内存里取数据、计算、再把结果写回内存。
这个模式下，数据就像上下班的人，从家里（内存）出发，挤地铁（总线）到公司（计算单元）上班，下班再挤地铁回家。
早高峰堵不堵？堵。
通勤时间占比高不高？高。
AI推理场景尤其如此。AI计算的特点是：数据量大、计算模式相对固定、需要反复访问内存。 用传统控制流架构跑，大量时间和功耗都花在了“数据搬运”上，真正用于计算的比例并不高。
这就是所谓的“存储墙”问题。
数据流的“就地办公”
数据流架构完全反过来。
它没有中央控制器，也没有“取指-译码-执行”的流程。数据到了，计算自动触发。 计算节点像一个个独立的办公室，数据（员工）到了就直接开始工作，算完的结果直接传给下一个计算节点（隔壁办公室），不需要回内存“打卡”。
这种架构带来了三个天然优势，每一个都精准命中具身智能的痛点：
✅ 能效比更高——算力不浪费
没有指令调度开销，没有反复的数据搬运，每一丝功耗都用在真正的计算上。对于靠电池驱动的机器人来说，能效比就是生命线。同样的电池容量，能效比高一倍，机器人就能多跑一倍时间。
✅ 延迟更确定——运动更稳
数据流的计算路径是预先定义好的，数据流动的时间可预测、可控制，不会出现控制流架构下的调度波动。对于机器人的运动控制来说，“稳定的低延迟”比“偶尔的低延迟”重要一万倍。
✅ 天然多模态并行——视觉语音一起算
机器人同时要处理视觉、语音、传感器等多种数据。数据流架构的计算节点天然并行，多路数据同时处理，不需要像GPU那样分时复用，效率更高。
简单说：控制流架构是“人找活干”，数据流架构是“活找人干”。
人找活干，灵活但效率低；活找人干，专一但效率高。
AI推理这种“活很多、模式固定”的场景，数据流架构的效率优势是天生的。
三、高光D35：为什么是它？
国内做AI芯片的公司不少，启元为什么选择了睿芯的高光D35？
我们来拆解一下这颗芯片的几个关键能力，看看是不是正好踩中了机器人的需求点：
1. 数据流架构 + RISC-V：从架构到指令集全自主
高光D35是全球首款RISC-V数据流物理AI芯片。这句话里有三个关键词：“数据流”“RISC-V”和“物理AI”。
数据流解决了架构创新的问题，RISC-V解决了指令集自主的问题。两者叠加，意味着这颗芯片从底层架构到指令集，每一层都是自主可控的。
对于机器人产业来说，这意味着什么？意味着供应链安全、意味着长期迭代有保障、意味着不会被卡脖子。
物理AI则定位的很清楚，这颗芯片不擅长大模型训练，主要聚焦的就是边缘AI推理场景。
而且睿芯的RISC-V CPU内核不是“玩票”的。这个IP已经获得了Intel全球采购认可。能被国际半导体巨头纳入供应链体系，技术含金量不用多说。
2. 单芯片128GB超大显存：大模型端侧落地的关键
机器人要变聪明，离不开大模型。但大模型有个特点：参数量大，吃显存。
7B模型全精度要28GB显存，13B要52GB，70B更是要280GB……就算量化到4bit，70B模型也需要35GB以上的显存。
很多端侧芯片的显存只有几GB、十几GB，根本跑不了大模型，只能跑一些轻量模型。
高光D35单芯片支持128GB高速显存。这个量级，在端侧芯片里是第一梯队的。意味着它可以在端侧运行更大的模型，机器人的智能能力天花板更高。
显存够不够大，直接决定了端侧AI的“智商上限”。
3. Chiplet先进封装：灵活适配不同场景
机器人不是一个单一产品。有人形机器人，有服务机器人，有工业机器人，有特种机器人……不同的机器人对算力的需求差异很大。
如果每一种需求都重新流片一颗芯片，成本太高了。
高光D35采用Chiplet多芯粒封装技术，可以通过不同的芯粒组合，灵活适配不同算力档位的产品需求。入门级的小机器人用少芯粒配置，高端人形机器人用多芯粒配置，软件栈统一，硬件按需组合。
这对于生态合作来说特别重要：一颗芯片的架构，可以覆盖启元全系列产品的算力需求。
4. 全栈软件生态：好用才是硬道理
芯片光有硬件参数没用，能不能让开发者快速上手、能不能跑主流模型、工具有没有，软件生态才是真正的护城河。
高光D35的软件栈是完整的：CUDA兼容编译器、Triton支持、Model Zoo模型库、vLLM/SGLang推理引擎……主流的AI开发工具链都能用，开发者迁移成本低。
对于启元这样的机器人公司来说，这意味着算法团队不用花大量时间做底层适配，可以把精力放在应用层创新上。
四、这不是“供应商关系”，而是“生态共建”
说到这里，你应该能理解为什么启元和睿芯的合作值得关注了。
这不是简单的“甲方向乙方采购芯片”的关系
这是场景方和芯片方的深度生态共建。
启元提供什么？
• 真实的具身智能应用场景
• 大量的机器人端侧算力需求
• 产品迭代反馈，帮助芯片持续优化
睿芯提供什么？
• 数据流架构的底层算力技术
• 高光D35芯片和完整软件栈
• 长期的架构演进路线图
两者结合，形成一个正向循环：
场景需求驱动芯片优化，芯片能力反过来拓展场景边界。
这种“应用+芯片”的深度绑定模式，在产业史上曾经诞生过很多伟大的组合
苹果的iPhone + A系列芯片，
特斯拉的电动车 + FSD芯片，
华为的手机 + 麒麟芯片……
最懂场景的公司，和最懂芯片的公司，一起做出来的东西，往往是最好的。
五、写在最后：数据流的大时代，才刚刚开始
高光D35和启元机器人的合作，是数据流架构从“技术概念”走向“产业落地”的一个标志性事件���
就在几年前，数据流还只是学术论文里的概念、顶会里的研究方向。
但现在，它已经开始走进工厂、走进城市、走进机器人
从论文里的公式，变成了现实世界里的算力。
ISCA 2026最佳论文提名，是学术界对数据流架构的认可；
Intel全球采购认可，是产业界对睿芯技术能力的认可；
而启元的生态合作，则是场景端对数据流路线的投票。
学术、产业、场景，三重认可，正在汇聚。
对于睿芯来说，启元是数据流进军具身智能的第一个标杆客户；
对于启元来说，睿芯是其算力生态的重要底座。
而对于整个行业来说，这次合作可能意味着——
国产具身智能的算力自主之路，有了一条新的、可行的路径。
更多的答案，9月25日杭州第五届全球数字贸易博览会，高光D35量产发布会，我们接着看。