让大模型适应端侧的资源约束

机器人需要为运动和感知保留电力，卫星受到能源与散热条件限制，工业边缘设备则要兼顾成本和部署空间。大模型进入这些终端，算力、功耗以及存储容量必须一起考虑。

星凡智能发布的星核S1采用定制多核架构和自研AI算法加速内核，硬件原生支持INT2至INT8混合精度计算。其单芯粒INT8等效算力为105 TOPS，典型功耗约25W，能效比超过4 TOPS/W。

低比特量化可以减少模型的存储和计算开销，但也可能损失精度。混合精度计算根据模型不同部分的需要，采用不同的计算位宽，兼顾精度与效率。星凡智能将量化算法、芯片数据通路以及推理引擎协同设计，使压缩后的模型更高效地运行。

在指定模型、配置和测试条件下，围绕S1构建的软硬协同方案可实现推理吞吐量提升50%、模型显存占用减少85%。这类优化有助于缓解端侧资源限制，为本地部署大模型创造条件。

星核S1端侧物理AI芯片

面向不同应用，星核系列进一步形成了产品分工。星核R系列面向机器人本体，支持多模态融合、本地推理、任务决策以及实时控制；星核K系列面向太空计算，支持遥感分析、目标识别以及数据筛选与压缩；星核E系列则为工业设备、智能终端以及边缘节点提供本地推理能力。

星凡智能与西安交通大学自主系统与智能芯片研究团队还围绕低比特量化、细粒度跳算以及片上训练开展研究，分别探索模型压缩、减少冗余计算以及降低端侧训练开销。下一代星核S2计划引入近存计算、先进封装以及片上自学习训练内核等技术。其研发方向由高效推理进一步延伸至端侧学习，为终端适应新环境提供硬件支持。

把真实任务中的数据用于下一轮训练

机器人运行时会产生大量记录，真正用于训练之前，还需要完成一系列加工。以抓取为例，图像、姿态以及动作信息必须在时间上对齐，才能准确关联感知与执行；数据用于不同机器人时，还需要处理本体之间的差异。采集规模越大，这些环节对成本和效率的影响越明显。

星凡智能旗下星凡盖亚围绕这些需求建立数据产品体系。XGAIA DataFlow依托DELTA架构，将采集、时序对齐、清洗、AI标注、质量检测、跨本体映射以及数据增强整合为七步流程，把原始记录加工为可训练的数据。

使用精选数据集训练的模型，性能可达到使用全量数据训练的95%以上，训练计算成本可降低30%—50%。其价值在于筛选和保留有效信息，减少低价值样本对算力的占用。

XGAIA Operator则负责真实场景中的多Agent自主执行，围绕自然语言指令进行任务理解、环境感知、动作规划以及设备控制，协调不同机器人与软件Agent完成工作。执行结果和异常反馈再进入数据处理流程，为后续训练提供素材。

物理AI数据处理与任务执行体系

数据供给由真实世界采集、仿真数据生成以及无本体Ego采集共同支撑。真机数据记录本体动作与环境反馈，仿真用于扩展场景和并行验证，Ego采集则提供人的第一视角操作数据。不同来源的数据经过处理与映射，进入相应的训练环节。

此次推出的GEgo设备通过双目RGB与高频IMU硬同步，记录视频、姿态以及时间戳；GHG触觉手套结合运动捕捉、双向力反馈以及多模态触觉渲染。DexCore仿真一体机提供可复用的仿真环境，单台设备可支持64个以上虚拟机器人并行训练。

未来两至三年，星凡智能计划在全国布局约10家具身智能创新中心，目标是在三年内形成每年3000万小时的高质量数据产能。

从采集设备、仿真平台到数据治理，星凡智能正尝试建立规模化的数据生产体系。这项规划的落地成效，将取决于多地、多源数据能否持续用于模型训练，以及能否降低获取有效数据的成本。

提高每次示教的复用价值

扩大数据供给的同时，星凡智能也在探索如何减少重复示教。两者分别解决经验覆盖范围与使用效率的问题，最终都要落实到机器人应对新任务的能力上。

AGLobe具身大脑以“概念学习”为核心，尝试从少量甚至一条示教数据中，提取可以迁移和组合的任务概念。这一路线关注时间、空间、数量以及因果关系，希望机器人在对象或环境改变后，仍能运用已有经验。

星凡智能将这一方向称为VLA与世界模型之外的“第三条路”。这一技术主张的价值，需要通过跨对象、跨环境以及跨任务的泛化效果来验证。DexCore可结合AGLobe的概念抽象、迁移与组合能力，在仿真环境中改变场景条件，验证相应任务，为能力迁移提供支持。

AGLobe具身大脑的概念学习路线

在部署环节，XBoost加速平台端侧版覆盖模型压缩、混合精度量化、算子优化、推理引擎以及硬件适配，支持模型在不同终端运行。星辉D/N系列Token工作站则为模型训练、推理以及规模化部署提供算力。

星辉D/N系列Token工作站

这些产品共同指向物理AGI持续进化闭环。端侧芯片支撑任务执行，数据体系采集并加工经验，具身大脑探索经验复用，算力与加速平台支持训练和部署。每一次Action既是模型能力的输出，也为下一轮改进提供反馈。

这一布局已有部分交付和验证基础。星凡智能累计交付的等效算力已超过数千P，星核R系列处于客户适配与量产验证阶段；全国数据网络以及下一代S2芯片则仍在规划建设和研发推进之中。

“物理AGI底层能力构建者”的定位，最终要由实际任务中的成效支撑。让终端运行更高效、训练成本更低、已有经验用于更多场景，才能让AI从Token走向Action，并将芯片、数据、算力以及算法的协同转化为长期竞争力。