星凡智能携手西安交大探索片上自学习 AI 芯片，推动机器人“越用越聪明”
随着人工智能技术不断渗透至机器人、工业设备及更多物理应用场景，AI 芯片的能力边界也面临新的拓展需求。传统智能系统多采用“云端训练、终端推理”的架构，即模型在云端完成训练后部署至设备，仅负责执行推理任务。然而，在具身智能等复杂现实场景中，这种模式逐渐显现出局限性。
机器人所处的环境并非一成不变，任务需求也随时间推移而演变。对于长期运行于家庭、园区、商业服务及工业协作等场景的机器人而言，仅依赖固定模型已难以满足持续适应与能力迭代的需求。
在此背景下，AI 芯片的角色正从单纯的推理计算平台，向具备持续学习与动态适应能力的智能载体转变。
近日，星凡智能与西安交通大学自主系统与智能芯片研究团队展开产学研合作，聚焦“片上自学习 AI 芯片”技术方向。其中，片上自学习训练是双方合作的重要成果之一，旨在推动 AI 芯片从“能算”迈向“会学”。西安交通大学该研究团队由孙宏滨教授领衔，长期致力于大模型轻量化、智能芯片架构与电路设计、软硬件协同设计等领域，具备深厚的科研积累与工程实践基础。
所谓片上自学习训练，强调的是 AI 芯片在部署至实际场景后，不仅执行推理任务，还能基于新数据、新环境和新任务，在设备本地完成一定程度的学习与更新。其核心价值并非在于运行更多模型，而是赋予智能体持续适应真实世界的能力。对于具身智能机器人而言，这种能力尤为关键。机器人作为长期运行于物理环境中的智能体，需在感知、理解、决策与执行过程中不断积累经验，并根据场景反馈优化自身能力。片上自学习训练的意义，正是在于将芯片从单纯的推理加速器，逐步转变为支撑智能体长期运行与能力演进的算力底座。
然而，实现 AI 芯片的本地学习能力并非易事。相比推理任务，训练过程通常更为复杂，涉及前向计算、反向传播、梯度计算、参数更新及大量中间特征存储。云端服务器可依赖大规模算力与充足存储资源完成这些任务，而机器人、边缘设备及低功耗终端则受限于算力、存储与带宽。因此，片上自学习训练的挑战不仅在于“让芯片学习”，更在于如何实现“本地高效学习”。若算法侧减少了计算量，但数据结构、访存方式与硬件计算通路未同步优化，算法上的优化难以转化为系统级效率提升。
为解决这一问题，星凡智能与西安交通大学团队从算法与硬件两个层面展开联合优化。
在算法层面，双方针对片上训练中计算量大、访存量高的问题，采用更适合硬件执行的紧凑表示与轻量化算子处理，以降低训练过程中的计算与数据搬运负担。同时，针对训练过程中关键层的计算，引入基于近似统计量的计算方法，对反向传播中的特征梯度图进行优化，为降低整体训练开销提供算法基础。
在硬件层面，双方围绕神经网络权重的数据特性设计存储结构与计算通路，提升数据计算与搬运效率；并通过统一化计算调度与并行化执行策略，提高片上计算阵列的资源利用率，使算法优化真正转化为芯片层面的效率提升。
这一技术路径表明，片上自学习训练并非单一算法或芯片结构的优化，而是需要从算法、架构、电路与数据流等多个维度进行统一设计。传统方法通常为“算法设计完成后交由硬件执行”，而片上自学习训练则要求算法与硬件协同设计，使本地训练从理论可行走向工程落地。实验数据显示，该设计在面积效率与能效方面取得显著提升：面积效率达到 41.2 GOPS/mm²，能效达到 90.63 TOPS/W；相较先进对标方案，归一化面积效率提升 2.19 倍，归一化能效提升 1.85 倍。这些成果为片上自学习训练在低功耗、小面积约束下的实际应用提供了验证基础。
在应用层面，星凡智能将该技术方向与具身智能场景相结合。其星核 R 系列定位为面向具身智能场景的核心算力引擎，主要满足机器人对视觉、语音、动作、环境与任务信息的实时处理需求，支撑机器人“大脑”在本地高效运行，完成视觉感知、语义理解、任务规划与实时决策。围绕机器人长期运行中的环境适应、任务学习与能力迭代需求，星凡智能正持续推动星核 R 系列向“越用越聪明”的能力方向演进。相比单纯强调“算得快”，这一方向更关注机器人如何在真实场景中持续积累经验，为长期运行与能力迭代提供支撑，使其从“执行终端”逐步演变为“自主智能体”。
业内专家指出，随着具身智能从实验室走向实际应用，机器人系统对本地智能、实时响应与持续适应能力的要求将不断提升。在此过程中，具备算法—硬件协同优化能力的智能体芯片，有望成为支撑具身智能规模化落地的重要基础设施。
AI 芯片的竞争正从单一算力指标，逐步延伸至场景适配能力、持续学习能力与系统级能效优化能力。面向未来，如何让芯片不仅“能算”，还能支撑智能体长期运行、持续适应与能力进化，将成为智能体芯片发展的重要方向之一。
星凡智能表示，公司将继续围绕智能体芯片与智能计算产品创新，推动相关技术成果在具身智能等真实场景中落地，让智能从数字世界进一步进入物理世界。