1天前 69%对5%：具身芯片的国产化，到底卡在哪一层？

出品：机器人产业应用

引言

具身智能正在快速进入量产前夜，但如果只看芯片市场份额，中国厂商的存在感似乎并不高。据南方都市报援引Yole Group数据，在2025年机器人SoC市场中，英伟达以69%的份额排名第一，中国厂商合计仅约5%。69%对5%，看起来几乎是一场悬殊的竞争。

但现实又没有这么简单。以智元灵犀X2为例，其基础算力板已经采用国产瑞芯微RK3588系列芯片，而旗舰版本则额外搭载NVIDIA Orin NX作为高算力平台。与此同时，RK3588也已经进入多类人形、四足、服务和工业机器人产品。

这就产生了一个很有意思的反差：国产芯片明明已经装进了机器人，为什么市场份额还是只有5%？

问题可能并不是国产芯片“有没有上机器人”，而是它究竟上到了机器人计算体系的哪一层。

01

机器人不只有一个“大脑”，69%和5%并不矛盾

理解具身芯片国产化，首先要摆脱一个常见误区：一台机器人并不是靠一颗芯片完成所有事情，它内部实际上存在多个不同层级的计算任务。

最上面可以理解为“大脑”，负责视觉理解、多模态模型、VLA推理和任务规划，需要很高的AI算力和内存带宽；往下一层是基础主控，需要处理摄像头、雷达、SLAM、通信、系统调度以及部分视觉任务；再往下是“小脑”，主要承担运动规划、传感融合、平衡控制和实时通信，相比峰值AI算力，它更在意毫秒级响应和确定性；到了最底层，还有大量关节MCU，负责电机、编码器、灵巧手和执行器控制。

所以，一台机器人完全可能同时使用国产基础主控+NVIDIA高算力板+国产实时控制芯片。

灵犀X2就是一个很典型的案例，RK3588的NPU算力只有6TOPS，但它同时集成CPU、GPU、ISP和丰富的高速接口，能够承担多传感器接入、视觉前处理、SLAM、系统管理和通信等大量基础任务。当机器人进一步需要运行更大的视觉语言模型、VLA或复杂多模态推理时，再增加Orin这样的高算力平台。

于是，69%和5%看起来矛盾，实际上讨论的是两个不同问题。国产芯片已经进入机器人，并不意味着它已经进入机器人价值量最高、模型依赖最强的高端AI计算层，换句话说，5%真正提醒行业的不是“国产芯片有没有机会”，而是：机器人计算系统越往上走，国产替代越难。

02

第一层壁垒：性能差距还在，但已经从“不能用”变成“好不好用”

过去，解释国产具身芯片为什么落后很简单：算力不够。但到了2026年，这个答案已经不够准确。

地瓜机器人旭日S600已经做到560TOPS@INT8，采用4核BPU Nash，并集成多核CPU和实时MCU，希望在单一平台上同时承担感知、VLA/VLM推理和实时运动控制，更关键的是，它已经开始离开参数表。

北京人形机器人创新中心计划在天工3.0中采用S600，地瓜机器人也已经与20余家机器人企业开展真机适配、场景测试和量产验证。另一边，爱芯元智推出的具身大脑控制器已经进入1500TOPS级，重点瞄准世界模型、VLA和高负载端侧AI推理。

这至少说明一个变化：国产具身芯片已经开始从“有没有能力跑模型”，进入“能不能把模型低成本、低功耗、稳定地跑起来”的阶段。这里也需要注意一个经常被参数表误导的问题：1500TOPS、560TOPS、865TFLOPS，不能简单拿数字做除法，因为INT8、FP4等代表不同计算精度，厂商统计峰值算力的方式也可能不同。

对于机器人而言，比单个数字更重要的是：模型到底能不能运行、需要多少内存、推理延迟是多少、功耗和散热能不能塞进机器人、长时间运行是否稳定以及最终一整套系统的成本是多少。所以国产芯片在性能层真正发生的变化是：“能不能跑”的差距正在缩小，“能不能稳定、高效、低成本地跑”成为新的竞争点。

但英伟达也没有停下来等国产追赶。2026年7月，NVIDIA发布Jetson T2000和T3000，把Thor架构继续向主流机器人市场下探。T2000提供400 FP4 TFLOPS，T3000达到865 FP4 TFLOPS，旗舰T5000则继续占据更高算力区间。

这意味着NVIDIA不再只守最高端。国产厂商原本最容易依靠“够用+性价比”切入的中间市场，也开始被纳入Thor的覆盖范围。所以性能层的结论是：国产正在追上，但竞争窗口并没有因此变得更宽。

03

第二层壁垒：真正难替代的，可能根本不是芯片

假设明天出现一颗国产芯片，算力、价格和功耗都接近Jetson，机器人公司会马上换掉NVIDIA吗？未必。

机器人企业购买的从来不只是一块Jetson。今天的NVIDIA已经把机器人开发做成了一条完整链路：从数据采集，到Isaac Sim、Isaac Lab进行仿真和训练；从Cosmos生成和理解物理世界数据，到GR00T提供机器人基础模型；再通过CUDA、TensorRT做推理优化，Isaac ROS与机器人软件系统连接；最后由Jetson完成端侧部署。

所以NVIDIA真正卖给开发者的是：芯片+软件+仿真+模型+中间件+部署工具。这才是69%背后真正难复制的部分。

一家机器人公司如果已经围绕NVIDIA开发几年，它积累的不只是几块计算板，还有CUDA算子、TensorRT模型、ROS节点、驱动程序、仿真场景、模型量化方案，以及工程师已经熟悉的开发习惯。

这个时候换国产芯片，就不再是拔掉一块板然后插上一块新板，而可能意味着模型重新量化、算子重新适配、推理引擎重新部署、ROS节点重新调优，最终还要把整台机器人重新测试一遍。因此，具身芯片最深的护城河很多时候不是TOPS，而是已经写好的代码。

今年NVIDIA甚至开始主动降低用户留在自身体系中的成本。通过新的软件和内存优化工具，包括优必选在内的机器人企业可以显著减少部分模型的内存占用，使原本需要更高内存模组的应用迁移到更低配置版本。

这个动作很值得国产厂商警惕。因为NVIDIA的策略正在从“让客户买最强的芯片”变成“即使客户想降低成本，也没有必要离开NVIDIA”。这意味着，国产具身芯片真正难突破的第二层，不是硬件，而是生态。

04

第三层壁垒：标准还没有完全定型，既是短板，也是机会

机器人行业现在仍然处于一个非常特殊的阶段：大脑和小脑应该怎样通信？VLA模型如何部署？传感器、控制器和计算平台如何定义接口？机器人数据怎样记录和交换？目前都还没有像PC或智能手机那样形成高度统一的产业规范，但这并不意味着国内“没有标准”。

事实上，人形机器人与具身智能的标准体系已经开始快速推进，包括运动控制、具身智能操作系统、仿真平台、通用性能测试等一系列标准都已经进入制定过程。

真正的问题是：标准还没有完全形成，开发者却已经开始大规模开发。于是，当正式标准缺位时，最好用、用户最多的工具往往会率先成为一种“事实标准”。

CUDA、Isaac、Jetson的影响力就在这里，它们未必会成为机器人行业最后的正式标准，但在行业规则还没有完全固定之前，已经提前定义了很多机器人的开发方式。

这也是为什么国产芯片真正需要补齐的，并不只是一块板卡，而是三条腿：硬件、软件工具链以及能够被更多整机厂采用的接口和标准。谁能让开发者最低成本地完成模型开发、部署、迁移和量产，谁才更有机会把芯片份额真正变成生态份额。

05

国产真正的底牌，可能不是参数，而是场景

如果只比较软件生态，中国芯片厂商短期内很难复制一个NVIDIA。但中国还有另一张牌：机器人产业和真实应用场景的密度。

北京、上海、深圳、苏州等地正在形成高度集中的机器人产业集群。例如北京亦庄已经聚集数百家机器人相关企业；深圳部分产业区域甚至可以在很小的地理范围内完成大量机器人核心零部件配套。

这种产业密度最大的意义，并不只是供应链便宜，它意味着芯片可以经历更快的真实世界反馈：机器人厂商在工厂发现问题-芯片公司修改SDK、驱动和算子-模型团队重新做量化和部署-重新装进机器人-再回到真实场景验证，几周甚至几个月完成一次循环。

北京人形机器人创新中心和地瓜机器人联合适配S600，就是这种模式的缩影。不是芯片企业先闭门造出一颗产品，然后等待机器人厂商采购，而是在机器人研发、模型压缩、真机联调和量产需求中共同迭代。

更进一步，沐曦与优必选成立曦选创智，直接让GPU企业和机器人整机厂共同定义具身智能端侧芯片，计划在未来几年完成流片和量产。这背后的逻辑已经发生了变化：过去是芯片定义机器人能做什么，未来也可能变成：机器人真实场景反过来定义芯片应该怎么做。

政策也正在把这种模式进一步放大。2026年6月，工信部与国务院国资委启动人形机器人与具身智能实景实训专项行动，覆盖10个省市及相关央企，推动用户单位、整机企业、模型企业和零部件供应链组成联合体，让机器人真正进入工业、服务和特种场景持续训练和验证。

到一定规模之后，每一台真实机器人都会变成一块国产芯片的“测试板”。它不断告诉芯片厂：模型在哪里跑不动；功耗哪里太高；驱动哪里不稳定；接口哪里不好用；哪些算子真正值得做硬件加速。这可能是中国最难被复制的优势，不是参数领先，而是用全球罕见的真实场景密度，换芯片和软件的迭代速度。

06

5%不是结果，而是国产化刚刚进入深水区

具身芯片国产化走到今天，问题已经远比“国产芯片性能行不行”复杂。

在基础主控层，RK3588等产品已经证明国产方案可以规模化进入机器人；往上，地瓜S600、爱芯等产品正在进入VLA和高端具身大脑竞争；但再往深处，NVIDIA已经通过CUDA、Isaac、Cosmos、GR00T和Jetson建起了一整套开发生态；而在行业标准层，中国刚刚开始进入集中建设阶段。

因此，69%对5%真正值得关注的，并不是两个数字之间相差了多少，而是这5%接下来究竟靠什么往上爬。

关于未来路线，行业本身也还没有完全形成共识。一种观点认为，随着机器人任务和工作负载逐渐稳定，专用芯片最终会替代今天大量借用的通用计算平台；另一种观点则更谨慎：机器人产品形态仍然快速变化，在真正达到百万台级规模之前，过早投入昂贵的专用芯片研发，未必能够获得足够回报。

两种判断背后，其实是同一个问题：具身机器人什么时候才会形成自己的“计算范式”？现在还没有答案。但可以确定的是，下一阶段的具身芯片竞争不会只发生在发布会上的TOPS参数表里。

真正决定国产芯片能否从5%走到更高的，是三场更慢、更难的战争：性能能不能进入真机；软件能不能留住开发者；标准能不能形成生态。