机器人在实验室里完成一次抓取，与它在三班倒的工厂里持续运行，是两种计算任务。前者可以拿一张大显卡接电源、开风扇；后者的算力板要塞进有限的机身，电池、散热、振动和维修空间都要让位给电机与安全装置。视觉模型每一帧的处理时间如果忽快忽慢，控制器必须按最慢的那一帧设计退让策略。工业客户因此很难只凭一行“峰值算力”定设备。
SiMa.ai在9月28日发布的融资公告称，完成1.5亿美元C轮融资，估值14.5亿美元，累计融资达5亿美元；本轮由Fidelity Management & Research与Amplify共同领投。[1] 国内9月30日日报将其列为工业智能动态，部分二次报道日期为9月29日；这里以公司公告的9月28日为准。资金将用于扩大Palette Neat软件环境，并开发机器学习IP、芯粒与SoC。公司还提出下一代硬件目标为1000 dense TOPS、预计2028年上半年推出。这是厂商公布的目标，不是现货产品的第三方实测值。[1]
有趣的地方不是又一家芯片公司融资，而是它明确把软件迁移与未来芯片一起卖。机器人企业真正担心的常常不是第一次跑通模型，而是半年后换传感器、换模型、换计算板时整套系统要不要重做。SiMa.ai能否拿下这笔钱，最终要由现场部署时间和长期维护账来回答。
一块边缘计算板，实际跑的是什么
以巡检或搬运机器人为例，摄像头、激光雷达和里程计的数据先被时间戳对齐；图像预处理之后，一部分模型做检测与分割，另一部分模型估计空间状态，任务规划决定下一段路径。最后运动控制周期性读取目标，而避障、安全停止和驱动保护必须留有独立、可验证的通路。语音或视觉语言模型可能参与人机交互，却不能自动等同于安全控制器。Physical AI在这里不是单一大模型的别名，是感知、推理和控制受物理时间约束地协作。
因此算力需求也不只看推理引擎。摄像头输入是否有合适的MIPI接口，雷达、编码器和控制器经PCIe、USB、UART或工业网络进出时要几次拷贝，CPU能否承受后处理，内存带宽在多个模型并行时是否卡住，都会改变系统表现。SiMa.ai在产品页面强调异构计算、MIPI/USB/PCIe/UART等接口及工业温度范围；这些是产品定位与供应商声明，具体型号、板卡、接口带宽和工作温度仍要以客户拿到的规格书及测试报告验收。[3]
评测应先画出完整数据路径：传感器曝光结束、数据进入内存、预处理、模型运行、后处理、决策、控制指令发出，每一段分别记录P50、P99和最坏可复现时间。只报模型单次推理20毫秒，掩盖了采集队列里等了50毫秒的可能。系统还要在两个摄像头同时工作、日志落盘、网络拥塞和电池低电量时重复测试。控制回路的时限不能拿“平均延迟可接受”代替；即使任务规划慢一点不妨碍导航，局部避障的超时处置也要明确。
另一个容易被宣传材料带偏的指标是TOPS。它表示特定数据类型和算子条件下的运算吞吐，不能直接换算成每秒处理多少件工件。稀疏计算与dense TOPS也不是同一口径。公司目前展示的Modalix产品页面写的是50 TOPS、低于10W，而融资公告提到的1000 dense TOPS指计划在2028年上半年推出的下一代产品。[1][3] 两组数字不应拼在一起算“性能提升20倍”，除非精度、稠密口径、芯片/板级功耗、内存系统和测试模型都可比。若大型模型需要反复从外部内存搬数据，算子峰值提高，整机延迟未必按比例下降。
软件环境决定换模型时停几天
SiMa.ai把Palette描述为从ONNX模型走到Modalix MLSoC生产二进制的集成环境；Palette Neat则增加执行库和Agent工作流层，厂商声称可把开发周期由数月压到数天甚至数小时。[2] 这类承诺值得认真测试，但“导入模型成功”远非可投产。ONNX只解决图结构交换的一部分问题，动态形状、自定义算子、量化方式、前后处理代码和设备驱动仍可能卡住。模型更新后原先的检测阈值也可能失效；在训练机上正确的浮点推理，落到边缘量化模型上不一定保留相同的漏检率。
采购前不妨让供应商在客户提供的三类样本上现场操作：现有CNN视觉模型、包含不常见算子的模型，以及计划在下一代机型使用的视觉语言模型。记录导入失败时的报错、需要手写的替代算子、标定数据集规模、量化后精度损失、从首次导入到稳定部署的工程师工时。还应测回退：推送新模型后质量下降，能不能迅速恢复旧版、固件与模型版本是否成套锁定。把试验做成连续集成脚本，比看一次“几分钟完成部署”的演示有用。
公告说当前客户的应用可以迁移到下一代架构。[1] “可以迁移”具体指模型文件、推理API、外围驱动、量化配置，还是全部无需修改？这需要合同附件回答。软件抽象做得好，可以减少换芯片的成本；但如果模型编译器、算子库和板卡全绑定在同一家，迁移到别家平台又会付另一笔账。企业应保留原始模型、标定样本和跨设备的基线测试，把模型版本和数据处理逻辑放进自己可管理的仓库，不把唯一可用的执行文件当作算法资产。
这里还有边缘设备特有的升级问题。一批分散在多厂的机器人，软件发布不应像给手机装App那样任性。要能验证镜像签名，分批灰度，监控新版本错误率，断电后安全恢复；不能因为OTA失败让机器人停在主通道。若AI应用控制了机械运动，模型升级还可能改变风险评估边界，相关验收与变更控制必须跟着版本走。Palette Neat能帮开发者写多少流水线，并不能代替这些现场工程制度。
功率预算里还有电机、通信和冷却
厂商称Modalix支持50 TOPS且低于10W，并推出与部分Jetson Orin NX/Nano载板针脚兼容的模块。[3] “针脚兼容”很适合做概念验证，实际换板还要核对电源瞬态、散热器位置、显示/相机通道、驱动兼容性与长期供货。设备整机节能也不能由芯片功耗直接推导。一个机器人上，电机可能占最大功耗；计算平台节约几瓦，有时能增加续航，有时被散热、网络或备用电源消耗抵消。
建议以整机为边界做两笔账。电池设备计算每班有效作业时长、充电和换电占用、负载最重时温升；固定设备计算24小时能耗、机柜散热以及故障停机损失。横向比较时，在同一模型、相同输入分辨率与量化质量下记录“合格结果/瓦时”，同时报告漏检、误检与延迟。只比“每瓦TOPS”，相当于拿发动机标称功率预测一条装配线的合格产量。
热问题还会在班次后半段露头。供应商实验室的短时峰值跑分通常没覆盖密闭机柜、高温车间和连续满载；芯片一旦降频，最坏延迟可能突然变差。验收应包括长时稳态负载、机壳积尘、散热风扇故障提示和停机/降级条件。无人机的边界更苛刻：重量、续航与风冷条件耦合，不能把汽车座舱或工业机柜里的测试结果原样拿过来。
安全不是让大模型多想一会儿
SiMa.ai的融资计划涉及人形机器人、无人机、汽车ADAS与智能座舱。[1] 这些产品在法律责任与故障后果上完全不同。座舱里一次语音答错，与自动驾驶辅助漏掉障碍、机器人撞上人员，不能用同一个“AI准确率”衡量。负责路径、作业选择的模型可以不断改进，但急停、限速、禁入区域、安全门联锁等机制，应有独立验证和明确责任人。若计算板死机或摄像头被挡，设备要进入什么状态，必须由风险评估和控制设计决定。
工业项目可要求供应商明确故障检测接口、健康监控、看门狗和安全系统边界；在汽车项目，则另行处理相应功能安全与预期功能安全要求。这里不能因为芯片面向ADAS，就推断它已取得具体安全认证。对每个任务，列出“AI建议动作—确定性约束检查—执行器许可”的链路，并在现场注入传感器丢帧、时间戳漂移、模型输出异常及网络失联。安全设计最见真章的时刻，往往是模型没给出可用答案的时候。
供应链也要问。公司宣称工业温度和十年以上供货保障，[3] 企业仍需拿到型号级供货承诺、最后订货通知期、替代料流程与软件维护期。工厂设备服役十年很平常；一颗芯片停售，却要整线重新认证，采购时省下的开发费用会迅速反噬。芯粒路线同样值得追问封装良率、热设计、芯粒间数据移动、接口标准和生产切换计划——2028年推出计划与今天可以签字验收的产品之间，隔着量产工程。
别把“模型能跑”误认为“工厂能维护”
工业设备还涉及原始数据和责任链。摄像头每秒产生的图像若全部上传，网络与存储费用会迅速上升，工厂设计、操作员面孔也可能进入供应商系统。边缘推理的一个现实好处，是把敏感画面留在本地，只传缺陷类别、置信度、时间戳与必要的审计切片；但“在边缘运行”不自动意味着数据不出厂。Palette的软件许可、遥测默认开关、远程支持通道以及模型调试日志究竟传什么，应逐项抓包和审计。若必须上传异常样本改进模型，先约定脱敏、审批和留存期限。
维护队伍还需要知道哪个部分出故障。设备明明识别到工件，却没有完成动作，问题可能在摄像头曝光、模型输出、控制网关、机械手夹具或工艺许可。应让每一条任务携带可贯穿传感、推理、控制与质量结果的追踪ID；日志时间戳统一，并在本地保留足够长的故障窗口。AI供应商若只能提供一张“推理成功”的截图，无法让现场电气工程师与设备工程师在停线时排障。最好让厂商出一份故障树：硬件故障如何隔离，模型误检如何抽样复核，现场能够更换哪些模块，跨厂技术支持何时到位。
还要算供应商锁定的边际成本。专用芯片往往用自家编译器和算子库提高性能，短期收益可能非常显著；代价是新模型出现非支持算子时，要等芯片厂商更新工具链。企业可在采购里加入模型适配服务水平，要求公开受支持的模型和软件版本、修复安全漏洞的期限、离线开发与离线部署能力。没有这些承诺，芯片算力再便宜，产线下一次改造仍可能排队等待供应商排期。
把新闻变成一张选型表
SiMa.ai称其2024—2025年营收同比增长四倍，并列出Bosch、Emerson、TRUMPF等客户或伙伴。[1] 这是公司披露的商业进展，名单不等于这些企业已在某条生产线全面部署，也没有公开每个应用的运行指标。融资额与估值说明投资人愿意为这条技术路线下注；工厂是否采购，仍看设备级测量。
第一步选一个有边界的工位，固定摄像头与工件、质量标准和工厂班次，保留当前GPU/CPU平台作对照。第二步把模型精度、P99全链路延迟、温升、整机功耗、离线能力、恢复时间与开发工时同时纳入测试，不允许只改其中有利的口径。第三步要求跨版本演练：改一次模型、断电一次、回滚一次，再估算供应商退出或硬件换代时的迁移成本。最后把每年软件维护、备件、停机风险和培训加进总拥有成本。
SiMa.ai押的是一个真实的痛点：边缘设备不可能把无限算力和散热从机房搬到生产现场。但专用芯片只有和可迁移的软件、稳定的供货、可解释的故障边界一起交付，才会从融资故事变成工厂资产。下一次看它的产品演示，我更想见到的不是1000 TOPS的大字报，而是一台机器人经历换班、升温、掉帧和版本回滚后，仍然按约定节拍完成工作。
参考资料
- SiMa.ai｜Series C融资公告，2026-09-28：融资、估值、用途、2028年下一代产品目标与企业披露的收入/伙伴信息。
- SiMa.ai｜Palette产品页面：Palette Neat的软件环境与ONNX到部署工作流；开发时长为厂商宣称。
- SiMa.ai｜MLSoC产品家族页面：Modalix算力、功耗及模块形态，指标需在具体系统中验证。
- Business Standard｜SiMa.ai融资报道：融资消息的第三方报道。