PhyAI：边缘实时物理 AI，云端可扩展部署

论文提出 PhyAI，一个统一的 Physical AI 推理引擎，通过模型适配器共享图执行、内核、内存管理和并行服务，在同一代码库中运行 VLA 模型和 WAM 模型。PhyAI 在 pi0、pi0.5、GR00T N1.7 和 MiniCPM-Robot 上实现了 1.40x 至 4.65x 的加速，并在 Cosmos3 上实现 2.08x 加速。

此前 Physical AI 在不同阶段（评估、云强化学习、边缘 GPU 推理、机载部署）使用分离的推理程序，维护成本高。PhyAI 用单一运行时统一了这些场景，并通过适配器接口在模型发布当天即集成 MiniCPM-Robot，表明该方案能显著降低多模型支持成本，并提升端到端部署效率。

PhyAI 将架构相关的条件逻辑、求解器、缓存和输出逻辑放入模型适配器，而将图执行、内核、内存管理和并行服务等通用部分共享，使得同一代码库能适配多种模型并迁移至不同硬件。分析还揭示了不同模型的执行瓶颈：如 pi0.5 在 batch size 1 时 action expert 占用 57.2% 延迟，而 Cosmos3 则受生成主导，说明需要差异化执行策略。

对部署 Physical AI 模型的产品团队，PhyAI 可能减少多模型支持所需工程工作量，并降低云侧推理成本（如 Cosmos3 在 8 张 H20 上延迟减半）。但证据显示专用运行时在部分配置下仍更快，故当前不应期望在所有场景中都是最优。

• 评估现有 VLA/WAM 模型部署流程，若存在多推理程序维护成本，考虑采用统一运行时架构。
• 利用适配器接口快速集成新发布的物理 AI 模型，缩短产品上线时间。
• 针对计算瓶颈（如 pi0.5 的 action expert）优化缓存或并行策略，提升单批次性能。

• PhyAI 与专用运行时在边缘低功耗设备上的延迟差异是否可接受？
• 适配器接口对模型覆盖率有无限制？
• 性能和速度提升是否在多种硬件配置下保持稳定？
• 该方案是否支持多 GPU 扩展的线性伸缩？