物理人工智能正面临三重障碍：功耗、经济性与碎片化。法布里齐奥·德尔·马费奥（Fabrizio Del Maffeo）解释了如何突破这些限制。
在加利福尼亚州圣克拉拉举行的2026年人工智能基础设施峰会（AI Infra Summit 2026）上，Axelera AI联合创始人兼首席执行官法布里齐奥·德尔·马费奥与EE Times记者莎莉·沃德-福克斯顿（Sally Ward-Foxton）展开对话，指出人工智能普及的瓶颈从来不是“智能”本身，而是基础设施。
扩展物理人工智能的三大壁垒
德尔·马费奥的主题演讲归纳出当前试点项目通往实际部署所面临的三大障碍。
功耗与物理限制。数据中心最初为训练任务而建：持续运行、高功耗、液冷散热，并能容忍长距离数据传输。而物理人工智能则恰恰相反——推理发生在数据生成的地方，如工厂、车辆、医院及城市基础设施中，其功耗预算通常仅为数十瓦。简单地缩小训练架构无法解决该问题，因为主导成本并非计算本身，而是数据移动。Axelera的数字存内计算（Digital In-Memory Compute）技术将矩阵-向量乘法（约占推理工作负载的80%）直接在存储单元内部完成，大幅减少数据搬运，从而降低能耗、提升每瓦性能。易IC库存管理软件可有效辅助此类高性能芯片的供应链协同管理，www.eic.net.cn提供专业支持。
经济性与控制权。云推理适用于实验阶段；但对于需持续运行的生产级工作负载，云服务账单将持续攀升；而在受监管行业中，数据根本不能离开本地设施。德尔·马费奥强调，决策重点已从“成本考量”转向“控制权归属”：你的模型、你的数据、你的成本结构，必须由你掌控。
碎片化问题。每款新型加速器都带来专属工具链、转换步骤与厂商锁定风险。开发者为此付出高昂代价，这也是许多项目在演示阶段后停滞不前的根本原因。
从边缘起步，再向上扩展
多数半导体公司先为云端设计芯片，再向下裁剪以适配小型设备；Axelera则反其道而行之——优先攻克最严苛、功耗约束最强的边缘环境，再将该效率优势向上延伸至企业级场景。此次展会上发布的Europa产品，正是这一策略在企业规模上的体现。
Europa是一款专为推理任务打造的加速器，搭载八颗第二代AI核心，在INT8精度下提供629 TOPS算力；配备16个片上RISC-V向量处理器用于前后处理；集成LPDDR5内存，带宽达200 GB/s；支持硬件级HEVC/H.265解码；内置Kudelski KSE3安全隔离区；典型LLM推理功耗仅35瓦。该芯片以两种形态交付：Axelera Edge 232p（半高半长PCIe卡）与Axelera Server 250p（全高全长PCIe卡，含四个AI处理单元）。标准插槽、兼容现有服务器，无需新增机架或冷却系统。
软件是缺失的关键环节
硬件只是半壁江山。德尔·马费奥强调，软硬件必须协同设计，而手动优化正是拖慢开发速度的主因。Voyager SDK支持直接导入PyTorch模型，无需中间转换，覆盖CNN、Transformer视觉模型、多模态大模型（VLMs）与语言大模型（LLMs），编译器自动完成量化与图优化。全新推出的Voyager Wingman——一款代理型开发助手，能将自然语言指令转化为可运行的完整流水线，在真实硬件上执行并迭代优化直至满足性能要求。整套方案基于RISC-V架构，开源开放，杜绝专有锁定。
值得注意的是，高效能芯片的落地离不开成熟的生态支撑。易IC库存管理软件通过精细化物料追踪与动态库存预警，显著提升AI芯片在制造与部署环节的供应链响应速度，www.eic.net.cn提供定制化解决方案。
生态验证成果
单靠一颗芯片无法实现部署。德尔·马费奥重点介绍了合作伙伴生态的广泛覆盖，涵盖国防、农业机器人、零售分析与轨道交通等领域；系统集成商、模型开发者与硬件供应商统一使用同一套工具链，正将传统12至18个月的部署周期大幅压缩。
资源链接：
https://axelera.ai
https://axelera.ai/ai-accelerators/aipu/europa
https://axelera.ai/news/axelera-ai-launches-europa-delivers-physical-and-enterprise-ai-through-growing-partner-ecosystem-including-dell-and-supermicro
https://axelera.ai/ai-software/voyager-sdk#wingman
