当物理AI从视觉感知走向实时决策与智能体运行，芯片企业如何将感知、端侧计算、高速互连和集群训推组织成一套协同架构？思特威的新尝试值得关注！

近日，图像传感器供应商思特威全新子公司「威云创达」携三款AI算力新品正式亮相，面向不同规模的模型运行与AI应用需求，威云创达推出威云™ 1000Pro、威云™ 1000Ultra两款AI训推一体机，以及威云™ Station物理AI智能体工作站，形成覆盖企业级本地AI计算、高性能大模型推理与专业桌面AI应用的产品矩阵。详见《思特威全新子公司「威云创达」携三款AI算力新品正式亮相，布局AI计算新领域》

一家以CMOS图像传感器（CIS）为核心业务的企业，开始向AI影视创作、空间感知智能体、AI数字人、AI辅助编程、定制化行业智能体等方向延伸，跨界幅度确实不小。

但仔细分析，这次发布值得关注的，并不只是两款AI硬件产品，而是它们在思特威整体产业布局中的位置。

威云创达与思特威旗下飞凌微的端侧视觉AI SoC、HOC高速光互连业务，分别对应集群训推、端侧处理和高速数据传输等不同技术环节。结合思特威原有的视觉感知业务，一条从感知、端侧计算、高速互连到集群算力的产业链轮廓正在显现。

这意味着，思特威正在尝试突破传统CIS企业的业务边界，将自身在视觉感知领域的积累，向更广泛的物理AI技术底座延伸。从技术方向看，这一探索折射出一个值得重视的趋势：物理AI的竞争，正在从单一芯片的性能竞争，转向感知、计算、通信与软件协同的系统能力竞争。

过去，CIS企业的核心任务是提升图像质量，在分辨率、感光能力、动态范围、噪声控制和功耗等指标上不断优化。

随着AI向机器人、智能驾驶、工业自动化和空间感知等场景渗透，视觉系统的任务正在发生变化。机器不再只是采集图像、将数据交给上层系统处理，而是需要从连续变化的环境中提取信息，识别目标与空间关系，并根据任务要求及时作出响应。

这对底层硬件提出了更复杂的要求。

首先是感知质量与实时性。复杂光照、快速运动、遮挡和动态背景，都可能影响视觉系统对环境的判断。感知芯片需要在不同环境下提供可靠的图像数据。

其次是端侧计算能力。如果所有视觉数据都传输到云端处理，通信时延、网络稳定性和数据传输成本就可能成为限制因素。对于需要快速响应的机器人和工业终端，一部分视觉处理、目标识别及空间感知任务需要尽可能靠近数据源完成。

第三是数据传输与算力协同。随着传感器数量、图像分辨率和模型复杂度增加，系统需要处理的数据量随之增长。多传感器融合、模型推理和不同计算节点之间的任务调度，都可能对带宽、时延和系统架构提出更高要求。

最后是复杂模型的训练与部署。端侧设备受到功耗、散热、芯片面积和成本限制，不可能无限增加算力。复杂模型训练、大规模任务验证以及部分高负载推理，仍然需要更强的计算资源支持。

因此，物理AI不是简单地给摄像头增加一个AI算法，也不是在机器人里装入一颗算力更强的芯片。

它更像一套分层协同的计算系统：前端获取真实世界的信息，边缘设备完成部分实时处理，通信链路连接不同计算节点，后端或本地计算集群承担更复杂的模型任务。

感知解决数据从哪里来，端侧计算解决数据如何及时处理，互连解决计算资源如何交换数据，集群算力则为复杂模型和任务提供计算支撑。

这正是理解思特威此次布局的关键。

要理解威云创达的产业意义，需要先看思特威整体布局的变化。

思特威长期深耕CMOS图像传感器，CIS是其核心技术基础，也是数字视觉系统获取环境信息的关键器件。但在AI时代，视觉数据的价值越来越取决于后续处理能力。高质量图像是智能系统的起点，却不是终点。只有经过识别、分析和推理，图像信息才能进一步转化为对环境的理解与行动依据。

围绕这一变化，思特威提出“3+AI”战略，推动智能成像技术与AI融合，并向端侧AI ASIC、高速互连等方向延伸。威云创达的推出，则让其业务布局进一步触及集群训推和智能体运行的硬件层。

从产业链角度看，这几项业务并非毫无关联。

CIS涉及光电转换、像素设计、信号读取和噪声控制；端侧视觉AI SoC面向终端侧的视觉处理与AI计算；高速光互连关注数据如何在计算节点之间传输；异构AI-ASIC集群则面向多种计算资源的组织与协同。

从各业务的定位看，这条产业链可以概括为四个环节：

思特威CIS：负责视觉感知，为系统提供图像数据。

飞凌微端侧视觉AI SoC：面向终端侧视觉处理与AI计算，支持感知数据的实时处理。

HOC高速光互连：面向高速数据通信，为计算节点之间的数据传输提供技术支撑。

威云创达：面向异构集群训推与智能体运行，提供硬件载体及行业解决方案。

这四个环节对应不同的技术问题，也存在潜在的协同空间。可以看出思特威的战略方向正在尝试从提供单一感知器件，延伸到参与视觉处理、数据互连和计算基础设施建设。

威云创达此次推出的威云1000PRO AI训推一体机和威云Station物理AI智能体工作站，核心技术方向是异构AI-ASIC集群互联技术。

而集群架构的关键不只是增加计算节点，还包括如何组织节点、如何分配任务，以及如何让数据在节点之间高效流动。异构计算的思路，则是根据不同任务的特点，组织具有不同计算特征的资源。

例如，视觉处理、模型推理和复杂任务规划，对计算密度、内存访问模式和响应时间的要求可能不同。通过合理的任务分配，异构架构有机会提高资源利用率，避免所有任务都由同一种计算单元承担。

这里还涉及ASIC与GPU的关系。GPU拥有较成熟的软件生态和较强的通用并行计算能力；AI ASIC则可以围绕特定计算任务进行硬件设计。两者并非简单的替代关系，实际表现取决于目标工作负载、存储设计、软件适配和系统架构。

因此，威云创达的异构AI-ASIC集群是很有价值的尝试！

当多个计算节点协同工作时，数据传输可能成为影响整体效率的重要因素。在高密度计算系统中，电互连会受到信号完整性、传输距离、功耗和布线密度等因素制约。高速光互连提供了另一种技术路径，利用光信号传输数据，探索更高带宽和更优链路能效的实现方式。

思特威布局的HOC高速光互连业务，正是面向这一方向。

将HOC与威云创达的异构集群布局放在一起，可以看到两者在技术层次上的互补性。威云创达关注的是计算资源如何组织起来，HOC关注的则是计算节点之间如何高效交换数据。

据威云创达官网介绍其重点关注的应用方向包括AI影视创作、空间感知智能体、AI数字人、AI辅助编程和定制化行业智能体。这五个方向看似分散，背后却存在一个共同变化：AI正在从单次模型调用，走向多模型协同和多步骤任务执行。

AI影视创作涉及图像、视频生成及相关内容处理，对模型推理能力、内存容量和任务并行提出要求。

空间感知智能体则更接近物理AI的核心场景，需要处理视觉信息、空间关系和环境变化，并根据任务目标进行推理。这里既需要端侧实时处理，也可能需要更强的计算资源支持复杂模型。

AI数字人涉及视觉生成、语音处理和交互等环节，需要在生成质量、响应速度和运行成本之间取得平衡。

AI辅助编程正在从代码补全延伸到代码理解、调试、工具调用和运行验证。随着任务流程变长，模型推理与工具链之间的协同也变得更加重要。

定制化行业智能体则需要结合专业知识、企业数据、业务规则和外部工具，将模型能力融入具体业务流程。

这些应用对计算资源的要求并不相同，也不都属于狭义的物理AI。但它们共同说明，AI基础设施的需求正在从单纯提供计算能力，转向支持多种模型与应用工作流。

回到最初的问题：一家以CIS为核心业务的企业，为什么要向端侧计算、高速互连和集群训推延伸？

从更大的产业视角看，答案在于AI正在改变半导体企业的价值边界。过去，芯片企业往往围绕某一类器件建立技术优势，通过产品性能、功耗和成本竞争获取市场份额。但在AI时代，尤其是物理AI逐渐走向实际应用后，单颗芯片的性能越来越难以独立决定系统的最终表现。

传感器获取的数据能否被及时处理，端侧与后端算力如何分工，计算节点之间能否高效交换数据，以及软件能否充分释放硬件能力，都会影响最终的应用效果。

这意味着，半导体企业的竞争正在出现两个层次：一是继续深耕单点技术，在芯片性能、功耗和成本上建立优势；二是围绕具体应用，将不同硬件、互连技术和软件工具组织成能够解决实际问题的系统。前者决定企业的技术深度，后者则影响这些技术能否转化为更广泛的应用价值。

威云创达的推出，正是思特威向第二个层次探索的一步。

当AI的竞争从数字世界走向物理世界，芯片企业争夺的也将不只是某个环节的性能优势，而是谁能把感知、计算、互连与智能真正连接起来。

笔者认为这才是威云创达此次亮相背后，值得整个半导体产业关注的信号。