当大模型从云端走向机器人、无人机、工业设备和智能汽车，一个很现实的问题开始出现：这些设备究竟需要什么样的 AI 芯片？
数据中心可以堆叠 GPU，但机器人不行。它既受功耗、散热和体积限制，又要处理摄像头等传感器数据，还要求低延迟甚至离线运行。
成立于 2018 年的美国 AI 芯片公司 SiMa.ai，瞄准的正是这个市场。
它最初专注 Edge AI，如今则把自己定位为 Physical AI——物理 AI计算平台。其核心思路不是简单造一颗更快的 NPU，而是尝试把感知、视觉处理、神经网络推理、大模型以及应用处理整合进一个低功耗计算平台。
目前这套体系的三个关键部分分别是：
Modalix MLSoC、Palette Neat 和 LLiMa。
Modalix：不是一颗简单的 NPU
SiMa.ai 当前最核心的芯片是第二代 Modalix MLSoC。
MLSoC 即 Machine Learning System-on-Chip，可以理解为“机器学习系统级芯片”。
Modalix 提供 50 TOPS AI 算力，典型运行功耗低于 10W。但如果仅仅比较 TOPS，很容易低估这颗芯片。
它真正有特点的地方，在于高度异构的架构。
芯片内部除了 SiMa.ai 自己的 MLA机器学习加速器之外，还集成了八核 Arm Cortex-A65 应用处理器、计算机视觉处理单元、ISP 图像信号处理器、视频编解码器、高速内存接口以及 PCIe、10GbE、MIPI CSI-2 等外围接口。
这些模块通过片上 Network-on-Chip，也就是 NoC 互联。
这意味着 Modalix 面向的不是：
CPU → NPU → 输出结果
这么简单的计算过程，而是更完整的：
Camera / Sensor
↓
ISP与视频处理
↓
传统计算机视觉
↓
CNN / Transformer
↓
LLM / VLM
↓
应用逻辑
↓
控制与输出
例如一台机器人看到一个物体以后，首先要完成图像采集和预处理，然后进行目标检测，再利用视觉语言模型理解场景，最后结合应用逻辑生成动作。
SiMa.ai 希望这条 Pipeline 尽量在一颗 SoC 内完成。
因此，它与很多“外挂式 NPU”的设计哲学并不完全相同。
为什么Physical AI需要异构计算？
这是理解 SiMa.ai 技术路线的关键。
真实世界中的 AI 应用，很少只有神经网络矩阵运算。
以工业机器视觉为例，一套系统可能同时需要图像采集、畸变校正、滤波、视频编解码、目标检测、异常识别以及 PLC 或机器人控制。
其中有些任务适合 AI Accelerator，有些适合 DSP，有些适合 CPU，还有一些必须由 ISP 或专门的视频单元完成。
如果所有东西都交给 GPU，当然具有很好的通用性，但代价通常是更高的功耗、散热和系统复杂度。
SiMa.ai 选择的是另一条路：
针对不同任务配置不同计算单元，再通过统一的软件系统协调这些硬件。
因此，Modalix 的核心指标实际上不是单纯的 TOPS，而是 Performance per Watt——每瓦性能。
SiMa.ai 官方目前将 Modalix 定位为 50 TOPS、10W 以下的 Physical AI 平台。
这对于无人机、移动机器人以及电池供电设备非常重要，因为这些场景往往同时受到 Size、Weight and Power，也就是 SWaP 的严格限制。
从CNN一直做到LLM/VLM
Modalix 另一个值得关注的变化，是它面对的 AI 模型已经远远超出了传统 CNN。
第一代边缘 AI 芯片主要处理 ResNet、YOLO 等视觉网络。
现在 Physical AI 正快速进入 Transformer 时代。
机器人未来不仅需要“看到一个人”，还可能需要理解：
“这个人在工作台旁边，并且正在伸手拿工具，因此机器人应该暂停当前动作。”
这种能力通常需要 VLM，也就是视觉语言模型。
因此 Modalix 从架构设计上就把 Transformer、LLM、大型多模态模型和生成式 AI 纳入支持范围，同时继续兼容传统 CNN 和计算机视觉算法。
SiMa.ai 还开发了 LLiMa，专门解决大语言模型和多模态模型在 Modalix 上的编译、量化和运行问题。
这背后反映出的趋势非常重要：
边缘 AI 芯片正在从“视觉推理芯片”变成“本地智能计算平台”。
未来机器人很可能不是把摄像头图像不断传到云端，而是在设备内部直接完成：
视觉感知 → 语言理解 → 本地知识检索 → 决策 → 动作。
Palette：硬件之外更重要的一层
但专用 AI 芯片一直存在一个难题：
软件生态。
GPU 之所以强大，不只是硬件性能强，更重要的是 CUDA、TensorRT 以及庞大的开发者生态。
因此 SiMa.ai 从一开始就强调自己是一家 software-centric silicon company。
其软件核心是 Palette。
开发者可以把 ONNX 等现有模型导入工具链，由 Palette 完成模型优化、量化、编译以及针对 Modalix 不同计算单元的部署。
从开发流程来看，它更像是在硬件上方建立一层抽象：
模型
↓
编译与优化
↓
硬件资源映射
↓
Runtime
↓
Modalix
这样开发者不必直接处理底层 MLA、CPU、CVU 等硬件之间复杂的资源调度。
换句话说，SiMa.ai 真正想卖的不只是芯片，而是一个 Hardware + Compiler + Runtime 的完整系统。
Palette Neat：让AI帮助开发Physical AI
2026 年 SiMa.ai 又把这条路线向前推进了一步，推出 Palette Neat。
它被定位为面向 Physical AI 的 Agentic Development Environment，也就是智能体式开发环境。
现在官方给出的开发流程已经出现了 Codex、Claude、VS Code 等工具：
开发者 / Coding Agent
↓
Palette Neat
↓
模型编译与优化
↓
Runtime
↓
Modalix
Palette Neat 可以将模型编译、应用构建、部署以及运行环境进一步封装起来。
这件事情的意义可能比单纯增加几十 TOPS 更大。
因为未来 Physical AI 的复杂度会越来越高。
一个机器人应用可能同时包含 YOLO、VLM、语音模型、导航算法、传感器接口以及控制程序。如果每更换一款芯片都要重新适配大量代码，部署成本会非常高。
SiMa.ai 的思路是：
让AI Agent参与AI系统本身的开发。
也就是说，Agentic AI 不只是运行在机器人里面，也开始进入机器人和边缘 AI 平台的工程开发过程。
它真正想挑战的是Jetson
SiMa.ai 的目标市场非常明确。
Modalix 已经形成芯片、SoM、DevKit 和 PCIe 卡等不同形态。
更值得注意的是，SiMa.ai 宣称 Modalix SoM 在外形和引脚设计上与 NVIDIA Orin SoM 兼容，希望降低现有 Jetson 用户迁移到 Modalix 的硬件成本。
这实际上直接暴露了它的竞争策略。
它并不准备通过绝对算力与高端 NVIDIA GPU 正面对抗，而是希望在机器人、无人机、工业视觉等场景中，用：
更低功耗 + 更高集成度 + 完整模型 Pipeline + 更简单的软件迁移
切入 Jetson 已经建立起来的市场。
从技术路线来看，可以把几类平台粗略理解为：
NVIDIA Jetson：GPU + CUDA，强调通用计算能力；
Hailo：高效率 NPU，重点强化神经网络推理；
Qualcomm：CPU + GPU + NPU，延续移动 SoC 的异构路线；
而 SiMa.ai 更强调：
MLSoC + 完整 Physical AI Pipeline + Agentic Software。
SiMa.ai值得关注的并不是“50 TOPS”
因此，如果只是把 SiMa.ai 理解成一家“做50 TOPS AI芯片的创业公司”，实际上会遗漏它最重要的部分。
它正在尝试构建的是一套：
Modalix MLSoC + Palette Neat + LLiMa
组成的完整 Physical AI 计算体系。
前者负责低功耗异构计算，中间层解决模型编译、应用构建和部署，而 LLiMa 则把 LLM/VLM 带到边缘设备。
最终目标非常明确：
让摄像头、传感器、传统视觉算法、神经网络和大模型在同一台低功耗设备内部形成完整闭环。
随着机器人、无人机、工业 AI 和自主设备快速发展，边缘计算竞争的重点正在发生变化。
过去比的是“谁能把一个 CNN 跑得更快”。
下一阶段比的很可能是：
谁能在十瓦级甚至更低功耗内，把感知、理解、推理和控制真正装进机器。
而这正是 SiMa.ai 所押注的方向。