SiMa.ai 的 Palette 3.0 能在單一晶片上運行多個物理人工智慧模型

SiMa.ai 的 Palette 3.0 軟體讓其 Modalix MLSoC 晶片能在獨立的晶片內容器中同時執行多個 AI 模型,承諾在低功耗預算下可實現每秒多達 3.5 倍的標記處理量,該軟體已於 GitHub 上開源, 並直接鎖定目前仍採「每種模型僅能運行一塊開發板」模式的無人機與機器人系統整合商。

martti
2分鐘閱讀Posted: 2026年11月18日
SiMa.ai 的 Palette 3.0 能在單一晶片上運行多個物理人工智慧模型

邊緣 AI 運算正悄然分化為兩個時代:一個模型一塊板卡,以及單一晶片同時運行多個模型。SiMa.ai 於 2026 年 11 月 17 日 在加州聖荷西表示,其全新的 Palette 3.0 軟體套件能讓單一 Modalix MLSoC 晶片在低功耗預算下,透過獨立的晶片內 Docker 容器,同時執行多個 AI 模型,為機器人與無人機工作負載提供高達 3.5 倍的每秒模型令牌處理量(TPS)。

這對任何需要為機器人或無人機機隊規劃運算資源的人來說都至關重要,因為過去「每個模型需一塊電路板、每塊電路板需一筆功耗預算、每個供應商都帶來一項整合難題」的假設,正是 Palette 3.0 旨在打破的。 對於尚未密切關注 SiMa.ai 的讀者而言,該公司是一家總部位於加州聖荷西的物理人工智慧(Physical AI)晶片與軟體製造商。 其核心技術將低功耗的 Modalix MLSoC 晶片與 Palette 軟體平台相結合,可在無人機、機器人及攝影機等物理邊緣裝置上運行 AI 模型,使其在邊緣機器人運算預算項目上,直接與 Nvidia 的 Jetson 和 Orin 產品線形成競爭。

並行模型執行對系統整合商而言究竟帶來什麼改變

Palette 3.0 基於 SiMa.ai 於 2026 年 6 月公布的「Agentic Palette」構想,其最引人注目的技術突破在於「並行執行」。 Palette 3.0 不再為機器人所需的每個模型各配置專用電路板及其對應的功耗與散熱限制,而是讓感知模型、深度模型以及語言或視覺語言模型(VLM)能同時作為獨立容器,在同一顆 Modalix MLSoC 晶片上並行運行。 SiMa.ai 表示,此版本整合了感測器融合工具、基於神經網路的深度估算方法,以及用於數位孿生的閉環模擬工作流程,這些皆與未具名的生態系合作夥伴共同開發,相關基準測試結果現已發布於全新的「模型瀏覽器」(Model Browser)中。

對於當今的機器人系統整合商而言,在無人機或移動機器人上同時運行大型語言模型(LLM)與視覺處理管線,通常

這意味著在原本就受限於重量與功耗的平台中,必須配置兩塊電路板、兩條供電軌、兩套散熱管理系統,以及兩個整合風險點。將這些工作負載整合到單一晶片上,並非出於便利性的考量,而是基於物料清單(BOM)的決策。 電路板數量減少,意味著電源供應器更少、線束更少、機箱體積更小,且在整個機隊中需要驗證和更新的韌體映像也更少。在無人機上,每少花在第二塊運算電路板上的 1 公克和 1 瓦特,就等於多出 1 公克和 1 瓦特可用於載荷、感測器或飛行時間。 在移動機器人上,這意味著少了一個需要管理的熱區,也減少了生產週期中需要追蹤的一項供應鏈依賴。

系統整合商不應忽略的權衡是集中化風險。將所有功能整合於單一晶片上,意味著機器人所依賴的每款機型都存在單點故障,並使該單一元件在熱管理與電源工程方面的風險大幅提升。評估 Palette 3.0 的買家應向 SiMa.ai 詢問, 或透過供應商的競爭性基準測試管道,獲取多模型負載下真實且持續的吞吐量數據,而不僅是 SiMa.ai 所宣稱的 3.5 倍 TPS 標榜數字——該公司雖表示此數據是在低功耗預算下達成,卻未在其官方資料中公布相對於特定基準配置的具體對比數據。

相較於 Nvidia 的邊緣運算晶片,其定位為何

Nvidia 的 Jetson 和 Orin 系列仍是邊緣機器人運算的預設參考基準,背後擁有龐大的現有開發者群體、廣泛的框架支援,以及系統整合商多年來的熟悉度。 SiMa.ai 並未試圖在市場佔有率上超越這些既有領導者;而是致力於在功耗效率,以及專為同時執行多個模型(而非僅優異執行單一模型)而打造的軟體層面上,展現更強的競爭力。 這是一項更狹窄、更精準的賭注,而 Palette 3.0 正是迄今最明確的證據,顯示 SiMa.ai 意圖以軟體能力(而非僅是晶片規格)作為差異化競爭的關鍵。

對於一個

採購經理關注的重點並非單一型號中哪款晶片的效能測試成績較高,而是當將電路板數量、整合工程工時,以及現代機器人或無人機實際運作所需的多模型堆疊所消耗的功耗預算都納入考量後,哪個平台的總擁有成本更低。 若買家的實際工作負載屬於前者(即能以單一功耗預算流暢運行三個模型),那麼這類晶片便能勝過僅能出色運行單一模型的晶片;反之則不然。 SiMa.ai 明確將 Modalix MLSoC 和 Palette 3.0 定位為能在這項比較中勝出,而該公司隨產品發布一併公布的「模型瀏覽器」效能測試數據,正是為了讓買家能自行進行計算,而非僅憑公司的說法。

以下是該論點的精要:邊緣 AI 晶片真正的競爭關鍵,已不再是單一晶片執行單一模型的速度有多快,而是買家在無需第二塊電路板的情況下,每瓦特能執行多少個模型。

開源程式碼、專有晶片:GitHub 發布對「鎖定效應」的意義

Palette 3.0 的程式碼已開源,並上傳至 GitHub 的 sima-neat 組織,相關文件則收錄於 SiMa.ai 的開發者中心。 這與邊緣 AI 晶片通常隨附的完全專有軟體堆疊相比,採取了截然不同的姿態,值得深入剖析其對系統整合商鎖定風險的實際影響與局限。

軟體層的開源化降低了某種形式的鎖定風險:系統整合商可以自行檢視、修改和擴展容器調度、模型服務及感測器融合的程式碼,而非完全依賴 SiMa.ai 的產品藍圖與支援週期來修復錯誤或新增功能。 對於曾因供應商優先順序改變而導致專有機器人中介軟體停滯不前、進而蒙受損失的系統整合商而言,這是一項實質優勢。這也意味著,在將程式碼部署至涉及安全的系統之前,可先進行審計;這在機器人領域的重要性更勝於

在大多數軟體類別中。

Palette 3.0 開源後,並未消除對硬體的依賴。 該軟體仍運行於 Modalix MLSoC 晶片上,而本次發布中最先進的功能——對 GPT-OSS-20B 等大型專家混合模型(Mixture-of-Experts, MoE)的支援——則專門綁定於該晶片的 16GB 系統級模組(SoM)版本。 採用 Palette 3.0 的系統整合商,即使能對其上層的軟體堆疊擁有更多控制權,仍須遵循 SiMa.ai 的晶片路線圖、定價(未公開,可透過 [email protected] 索取)以及供應鏈。 這確實比封閉晶片上的封閉堆疊更具優勢的鎖定模式,但這不等同於真正的平台獨立性,買家應據此評估其價值,而非將「開源」視為「無鎖定」的同義詞。

一個日趨成熟而非嶄新的市場

Palette 3.0 還新增了生成式 AI 功能,旨在直接提升受限硬體上的推論速度: EAGLE3、DFlash 以及 Gemma 4 多標記預測(MTP)投機解碼支援,這些技術皆能預先預測多個輸出標記,以降低在裝置上執行語言及視覺語言模型時的有效延遲。 結合 16GB SoM 上的「專家混合」(Mixture-of-Experts)支援,此次發布顯示 SiMa.ai 正致力於實現與資料中心相同的生成式 AI 工作負載,只是將其壓縮至足以裝入無人機或移動機器人內的功耗範圍內。

這項雄心壯志與 SiMa.ai 近期其他消息並存,但有所區別。據 2026 年 9 月底報導,該公司曾在一輪融資中籌集 1.5 億美元,用於開發實體 AI 晶片。 Palette 3.0 是一項獨立的軟體發布,並非對該融資消息的重述,而它更明確地顯示了資金的流向:指向一個能夠在現有硬體上,同時運行日益複雜的生成式與感知模型的軟體平台,該硬體已存在於

領域。

SiMa.ai 創辦人兼執行長克里希納·蘭加薩伊(Krishna Rangasayee)將此次發布描述為「以軟體的速度交付硬體」,並補充道,Palette 3.0 正「徹底重寫全自動駕駛系統的路線圖」。 對於一家仍在努力建立品牌知名度、且必須面對規模大得多的既有競爭對手的公司而言,這是一項大膽的聲明,應被視為一項意圖聲明,而非經獨立驗證的產業轉變。 但這確實準確反映出,該公司正迅速從募資階段轉向推出具差異化的軟體能力——這正是買家在將車隊交由任何實體 AI 晶片供應商的平台之前,最希望看到的進程。

SiMa.ai 將舉辦兩場線上研討會,直接向系統整合商詳解此次發布內容:2026 年 12 月 2 日的「深入解析 Palette 3.0:任何實體 AI 模型。 真正的機器自主性」,以及 2026 年 12 月 8 日的「飛行速度下的無人機與機器人智慧:更快地建構、開發與部署」。 對於希望親眼見證「並行多模型執行」功能實際演示(而非僅聽取描述)的技術採購人員而言,這兩場研討會都是合適的下一步選擇。

買家應從中獲得什麼啟示

從「每種模型一塊板」轉向「每顆晶片多種模型」,是機器人與無人機平台架構設計的真正轉捩點,而非對漸進式矽晶片進展的行銷重新包裝。 對於在邊緣平台上運行多個 AI 模型的買家而言,並行執行將改變其物料清單、功耗預算及整合工作量——而到了 2026 年,這將是大多數嚴肅的機器人部署情境。 採購方應將 SiMa.ai 公布的具體數據——尤其是每秒 3.5 倍的令牌處理量——視為根據自身實際模型組合進行基準測試的起點,而非作為設計時必須遵循的既定事實。

唯一確定的是發展方向。邊緣 AI 晶片供應商如今在軟體協調與多模型效率方面的競爭,已不亞於

就原始晶片效能而言,將該協調層開源化——同時保留底層矽晶片的專有權——正逐漸成為介於完全封閉式技術堆疊與完全開放式硬體之間的一條可信的折衷方案;而目前在這個效能層級上,後者尚不存在。 系統整合商在將 Modalix MLSoC 和 Palette 3.0 與 Nvidia 的 Jetson 及 Orin 產品線進行評估時,應在決定於大規模部署中採用哪種平台之前,自行執行並行工作負載基準測試,再決定是否在車隊規模上採用任一平台;因為這場比較中的勝出者,將取決於買方自身模型堆疊的實際每瓦吞吐量,而非任何供應商的新聞稿內容。

本文僅供一般資訊參考,不構成投資、財務、法律或專業建議。本文綜合了截至發佈時的公司聲明及公開市場動態。