最佳机器人商业落地合作伙伴：全方位解读黑芝麻智能SesameX多维具身智能计算平台

　　一、引言

　　在全球机器人产业加速演进的背景下，一个越来越清晰的共识正在形成：机器人真正走向真实世界，依赖的不只是更高的算力或更复杂的算法，而是一套能够长期稳定运行、持续演进、并且可被产业广泛采用的智能计算基础。

　　过去十年，机器人经历了从“可编程执行”到“感知驱动控制”的阶段演进，视觉、定位与运动控制逐步成熟。但随着深度学习和 Transformer 架构进入机器人领域，机器人开始承担更复杂的理解、决策与协作任务，系统复杂度呈指数级上升。真实世界中不断变化的光照、环境、人类行为和任务目标，使得传统“模块割裂、静态部署”的机器人架构逐渐暴露出瓶颈。

　　在这一背景下，黑芝麻智能推出SesameX 多维具身智能计算平台。SesameX 的目标并非构建一个封闭的全栈系统，而是面向产业伙伴提供一套开放、可扩展、可量产的机器人智能计算底座，帮助机器人从“可运行”走向“可成长”，从单点能力展示迈向长期商业化落地。

　　二、SesameX 多维具身智能计算平台：让机器人真正从“可运行”，走向“可成长”

　　SesameX 在平台设计的早期阶段，就将“可成长性”作为核心目标之一。所谓成长，并非简单依赖模型规模扩大，而是系统能够在真实环境中持续稳定运行，并在反馈中逐步优化行为表现。

　　传统机器人系统往往以任务为中心进行设计，感知、规划、控制彼此分离，模型部署完成即进入长期静态运行状态。一旦环境变化或任务复杂度提升，系统需要重新设计、重新标定，难以支撑规模化落地。

　　SesameX 通过在平台层面引入统一的计算结构、任务表达方式和执行调度机制，使机器人在架构上具备持续演进的基础条件。不同来源的感知模型、规划算法和控制策略可以在同一平台内协同运行，并在系统运行过程中形成稳定的闭环反馈，从而支持机器人能力随时间逐步提升。这种设计，使机器人首次在工程层面具备了从“任务执行型”向“认知理解型”再向“全脑协同型”演进的现实路径。

　　1.如何实现全脑智能?

　　黑芝麻智能提出“全脑智能(Whole-Brain Intelligence)”作为机器人计算平台的长期设计目标。该理念并非强调单一模型或算力的突破，而是借鉴人类大脑多区域协同工作的方式，将语言理解、空间感知、决策推理和运动控制等能力，在系统层面进行统一组织和协同调度。

　　在 SesameX 平台中，全脑智能并不是通过某一个“超级模型”实现，而是通过以下几个层面的协同：

　　在计算层面，通过异构算力单元(CPU、NPU、DSP、MCU 等)的统一调度，使不同类型的任务在合适的计算资源上高效执行;

　　在系统层面，通过统一的任务表达和执行机制，使感知、规划与控制之间不再依赖人工拼接，而是形成连续的信息流;

　　在模型层面，通过多模态模型与原子化能力组合，使来自不同算法体系和生态伙伴的模型能够自然协同。

　　通过这种方式，SesameX 将原本分散在多个子系统中的智能能力重新组织为一个持续协作的整体，使机器人在复杂环境中能够形成稳定、一致的跨模态理解与行为输出，而非碎片化响应。

　　2.如何面对机器人安全挑战?

　　与汽车等高度结构化场景不同，机器人通常与人类共享空间，安全不只是防止硬件故障，更是一种系统级能力。安全意味着行为可预测、状态可解释、异常可恢复，并在极端情况下仍能最大程度保护人类。

　　SesameX 并未将安全视为某一个独立模块，而是将安全理念贯穿于整个平台架构之中。从感知输入、算力调度、任务执行到控制输出，每一层都引入明确的安全约束和兜底机制。

　　平台通过L0～L5多层级安全体系，使机器人在传感器异常、模型输出异常、资源争抢或任务冲突等情况下，能够自动进入受控状态，包括限速、重规划或安全停机。这种系统级安全设计，使机器人不再依赖单点正确性，而是具备整体可控、可预测的运行特性，为商业化部署提供必要前提。

　　3.机器人“如何行动、如何保护人类”?

　　为了在真实环境中实现安全与自主并存，SesameX 将复杂的安全需求抽象为六层安全机制，从物理行为一直延伸到数据与系统安全，形成由下而上的整体防护结构。

　　在执行过程中，系统会持续监测传感器状态、运动趋势、人机距离以及决策稳定性。一旦检测到潜在风险，平台可在不同层级采取干预措施，从动作约束到策略降级，确保行为不越界。

　　在最高层的数据安全层，平台通过本地推理、加密传输和系统完整性保护机制，防止数据泄露和系统被篡改。这一设计使机器人不仅在物理层面安全可控，在数字层面同样具备可信基础。

　　4.感知、算力和智力如何融合成完整有机体?

　　在真实世界中，机器人往往面临这样一种矛盾：传感器“看得很清楚”，算力“也足够强”，但整体行为却依然迟缓、割裂，甚至在复杂场景下出现不稳定的动作和判断。这种现象并非源于单一模块能力不足，而是系统层面缺乏统一的协同机制。

　　以典型的服务或巡检机器人为例，当机器人在人员密集环境中行进时，需要同时完成多项任务：视觉系统持续识别行人和障碍物，定位系统更新自身位姿，规划模块实时调整路径，控制系统保证运动平稳;与此同时，上层任务逻辑可能还在接收新的目标或指令。如果这些能力分别运行在相互独立的子系统中，数据在多次拷贝与异步调度中流转，系统就容易出现延迟累积、决策滞后或行为不连贯的问题。

　　SesameX 的设计出发点，正是将这些原本分散的能力重新组织为一个统一协同的整体。平台在计算层面通过异构算力融合，使感知、推理和控制不再是“各自为战”的计算单元，而是接入同一算力网络，由统一调度机制进行管理。不同任务根据实时性和安全等级，被分配到最合适的计算资源上执行，从而避免关键控制任务被高负载推理任务干扰。

　　在系统层面，SesameX 通过统一的数据通路和任务表达方式，将感知结果、决策逻辑和控制指令纳入同一执行链路。来自摄像头、激光雷达或其他传感器的数据，可以在最少的中间拷贝下直接进入推理和规划环节，缩短从“看到”到“行动”的反应路径。这种端到端一致的数据流，使机器人在动态环境中能够更快地响应突发变化。

　　在智能表达层面，平台通过原子模型与任务图的组合方式，把复杂行为拆解为可复用、可组合的智能单元。例如，在仓储、商服或巡检场景中，避障、跟随、定位、交互等能力可以根据实时环境被动态组合，而不再依赖固定流程。这种“积木式”智能结构，使机器人在面对不同场景时能够灵活调整行为策略，而不是被限定在预设路径中。

　　通过上述多层协同，SesameX 让机器人从“多个模块拼装的系统”转变为一个具备统一感知、统一决策和统一行动逻辑的有机整体。机器人不再只是执行单点任务，而是能够在复杂环境中形成连贯、稳定、可预测的行为表现，为真实世界应用提供必要的系统可靠性。

　　5.如何实现闭环进化?

　　真实世界永远比实验环境更复杂。光照变化、环境反射、人流密度、地面材质、设备老化等因素，都会在长期运行中不断影响机器人性能。许多机器人在初期测试中表现良好，但随着部署时间延长，定位漂移、识别准确率下降、动作变得保守或不稳定，最终需要频繁人工介入。

　　SesameX 在平台设计中引入“闭环进化”的理念，目的是让机器人在真实运行中持续积累经验，而不是在部署完成后停止成长。这一闭环并不局限于某一种训练框架或工具链，而是通过标准化的数据与接口，将机器人运行过程自然纳入持续优化链路。

　　在实际场景中，机器人在执行任务的同时，会对关键运行指标进行持续记录，包括感知稳定性、模型推理延迟、任务成功率以及异常触发情况。这些信息不会简单堆积为日志，而是经过结构化整理，用于判断系统在不同场景下的表现差异。

　　当机器人在新环境中遇到性能下降或异常行为时，平台可以通过对比历史运行数据，定位问题来源：是感知模型对特定光照不敏感，还是规划策略在拥挤环境中过于保守，或是算力资源分配不合理导致延迟波动。这种基于运行数据的分析，为后续优化提供了明确方向。

　　在优化阶段，SesameX 并不强制限定模型更新方式。合作伙伴可以选择在本地进行模型微调，也可以在云端结合仿真环境进行再训练。平台通过统一接口支持模型更新、参数调整和策略回滚，使优化过程对现场运行影响最小。

　　当新的模型或策略被部署回机器人后，系统会在受控条件下逐步验证其效果，并继续进入下一轮反馈。这种渐进式的迭代方式，使机器人能力在长期运行中稳步提升，而不会因一次更新带来不可控风险。

　　通过这一闭环机制，机器人不再是一次性交付的产品，而是具备持续演进能力的系统。随着部署规模扩大，来自不同场景的数据还可以反向促进算法和系统设计的优化，形成技术与应用相互推动的良性循环，为商业化落地提供长期价值。

　　三、SesameX 多维具身智能计算平台：一套“从端侧模组到全脑智能的体系化计算的全栈自研平台”

　　SesameX 多维具身智能计算平台提供了一套从硬件模组到系统软件的完整计算体系，其目标并非替代行业生态，而是为机器人厂商和算法伙伴提供一个可靠、可扩展的基础平台。平台通过模块化设计、统一接口和兼容主流生态的方式，帮助合作伙伴降低系统集成复杂度，加速产品从研发走向量产。

　　1.计算平台层 Module

　　SesameX 的计算系统由我们自主研发的三款计算模块 Kalos、Aura 和 Liora构成，分别面向不同类型与复杂度的机器人算力需求。在计算平台这一层，我们提供的不仅是三款单独的模组，而是一套完整的计算平台体系。模组内部已高度集成 SoC、内存、电源、电源管理与时钟等复杂设计，并可兼容主流底板接口，支持丰富的 I/O，包括 MIPI、CAN-FD、以太网、USB、SPI与I2C 等，从而让开发者可以直接面向系统级方案进行设计。

　　平台具备从实时控制到大模型推理均能稳定输出的可靠性能，同时 Kalos 与 Aura 拥有紧凑小巧的体积(分别为69×55mm与82×54mm)，非常适合部署于敏感空间或移动场景。借助这一平台化设计，开发者只需进行底板设计即可完成整机规划，大幅降低研发门槛。

　　整体而言，这一层的价值在于为机器人提供可量产级的坚实硬件基础，帮助不同形态的机器人以最低成本快速进入功能调试与商业测试阶段。

　　2.计算平台层 Network

　　SesameX Network 作为系统级通信与数据编排层，负责在机器人内部将不同计算模组、异构算力单元以及各类外设构建为一个统一的实时协同体系，并同时支撑机器人与边缘节点、云端之间的稳健无线互联。

　　在该层中，网络子系统基于确定性以太网(TSN)构建内部主干，使感知→算力→控制链路具备可预测的端到端延迟与带宽保障;通过集成多路高带宽数据通道，可同时承载高分辨率 MIPI 视频流、10GbE 数据交换以及跨单元共享 SRAM 的高速访存，实现视觉、SLAM 与推理任务的并行数据供给。

　　系统还实现了面向 WiFi7/5G 的低时延无线协同协议，使机器人在与边侧节点进行分布式推理、任务共享时维持毫秒级链路抖动。底层数据管线采用Zero-copy 通路设计，使来自 ISP/DSP 的感知流可直接进入 NPU/CPU 的推理路径，避免多级缓存拷贝带来的额外延迟与功耗开销。借助上述通信机制，SesameX Network 为机器人构建起可扩展的实时协同计算结构，使其能够在单机、集群与边云协同环境下保持一致的实时性和数据一致性。

　　3.计算平台层 OS

　　在操作系统层，SesameX 计算平台提供了统一的软件运行环境，支持Ubuntu、ROS 2以及自研的 SesameX-RTOS，从而在通用开发生态与实时控制需求之间实现兼容与平衡。平台原生集成 ROS 2，能够与行业主流算法框架无缝对接;同时通过RTOS 与 Linux 的协同调度机制，使高频控制环与大模型推理任务之间具备确定性时间片分配与干扰隔离能力。系统级安全隔离能力支持不同任务、不同权限在内核与用户态之间实现强隔离，确保运行安全性与可验证性。

　　此外，OS 层提供统一的软件抽象，使 Kalos、Aura 和 Liora 等多款模组可在同一套系统架构中保持一致运行体验。作为机器人系统的“基础生命层”，这一层决定了整机的可靠性、实时性与可扩展性，是支撑上层感知、规划与控制能力的根本。

　　4.中间件层

　　SesameX 中间件层由调度引擎、工具链和 Runtime三大核心模块构成，共同形成机器人系统的“中枢神经网络”。其中，SesameX 调度引擎负责跨模型、跨任务及跨算力单元的协同调度，通过优先级机制与任务隔离确保关键任务不被资源争抢，安全域任务在系统中获得最高级别的实时执行权。工具链组件提供并行编译、混合精度加速、Transformer 结构优化、自动量化与算子级优化等能力，使模型在 Kalos、Aura、Liora 等不同模组上都能获得最优延迟与算力利用率。SesameX Runtime则对 CPU、DSP、NPU 与 MCU 进行异构融合调度，通过模型沙箱化、实时自调优和故障隔离，实现多模型并行执行与多单元算力的动态分配。

　　借助中间件层的统一抽象和调度体系，机器人智能从“分散式算力块”演进为“统一调度的大脑结构”，从而获得更平滑的动作生成、更低抖动的实时响应与更高的系统鲁棒性。

　　5.原子应用层

　　SesameX 原子应用层通过将复杂任务分解为最小可复用的原子技能(Atom Skills)，并进一步抽象为可组合的原子模型(Atom Models)，构建出可动态编排的智能行为体系。该层基于任务模型(Task Model)实现运行时的技能组合，使机器人能够在无需硬编码流程的情况下，根据环境与目标在线生成行为序列。核心能力包括：

　　覆盖视觉、定位、融合、规划、控制、语言与多模态等多类别的原子技能库;基于 Skill Graph 的任务图生成机制，通过结构化图模型而非传统代码逻辑驱动机器人行为;跨机器人平台的模型复用能力，使不同机器人可共享如 VSLAM、目标检测、轨迹生成等原子模型;以及支持实时任务编排的动态行为组合，使机器人能够根据情境变换重构任务执行链路。借助这一层，机器人首次具备类似“思维积木”的智能能力，智能行为从固定逻辑转变为可组合、可扩展、可实时演化的任务体系。

　　6.系统安全层

　　系统安全层构建的是一个“由下而上、多级联动”的安全体系，从物理行为开始守护，一直向上延伸到决策安全、主动预警和数据安全。这种设计保证了只要系统启动，安全就始终在线，贯穿机器人生命周期的全部环节。

　　L0|本能反射层：最底层的机械与电气保护。安全从最根部开始：电机断电、STO、限位、限扭、急停等机制构成机器人的“本能反射”，确保即使在最极端的情况下也不会造成物理伤害。这是所有安全的地基。

　　L1|动作审查层：实时运动安全约束。再往上一层，是由 MCU/R5F 等实时控制单元构建的动作审查系统。它以毫秒级速度监测速度、加速度、力矩和关节状态，阻止任何不合理动作的发生。安全开始从“物理兜底”进入“实时保护”。

　　L2|安全轨迹层：计划级的行为兜底。在控制安全之上，是规划与轨迹层的安全机制。即使决策模型输出异常，也会自动降级为“安全轨迹”，防止机器人进入风险区域。AI 出错≠执行危险动作。

　　L3|策略防护层：约束高层意图，避免错误策略落地。再向上，是高层行为与策略的安全约束。所有任务、计划和策略在下发前都要经过校验，确保不会突破安全边界。决策层面具备“自我约束能力”。

　　L4|主动预警层：提前100ms的危险预测能力。在此之上，是由多模态感知驱动的主动预警系统。人机距离、接触风险、速度趋势、传感器健康状况等都会实时监测，一旦判断有风险，会主动触发限速、减速、停机。机器人第一次具备“第六感”。

　　L5|数据安全层：大脑与隐私的最高级守护。安全的最顶层来自数字世界：隐私保护、防攻击、防入侵。本地推理、数据不上云、端到端加密、NOC 防火墙与安全启动机制共同构建机器人“大脑的护城河”。不仅动作安全、决策安全，也保障数据与模型的完整性。从最底部的 “不伤人”，到中层的 “不做错、不想错”，再到最高层的 “不泄漏、不被攻破”。

　　系统安全层建立起一个完整的安全金字塔：

　　底层 → 身体安全(物理行为层)

　　中层 → 意图安全(规划与决策层)

　　顶层 → 大脑安全(隐私与系统完整性)

　　这种自底向上的安全架构，是机器人从“小规模示范走向大规模落地”的根本前提，也是SesameX 平台区别于业界的核心价值。

　　综上所述，SesameX 多维具身智能计算平台的核心价值不在于单一算力的提升，而在于提供了一套从端侧模组到全脑智能、从硬件到底层软件、从模型到安全的完整系统体系。平台通过六层架构实现了行业首次的全链路统一：

　　硬件层统一：模组化、高集成、跨形态适配，覆盖从移动到操作、从服务到人形的完整场景;

　　通信层统一： TSN、万兆以太网与 WiFi7/5G 组成实时神经网，支撑感知、推理与控制的确定性协同;

　　OS 层统一：Ubuntu+ROS 2+RTOS 的组合既保证生态兼容，又满足工业级实时性;

　　中间件层统一：调度引擎、工具链与 Runtime 构成异构算力协调的“大脑操作系统”;

　　智能层统一： 原子模型+任务模型+Skill Graph 让机器人智能像积木一样扩展、复用与重组;

　　安全层统一：六层安全体系自底向上守护，从物理行为、规划、策略到隐私与防攻击全面覆盖。

　　这种高度一体化的系统结构，让SesameX 多维具身智能计算平台成为一款真正意义上的 “机器人全栈智能底座”：它让机器人不仅能稳定运行，更能随环境变化持续成长;不仅能执行任务，更能具备理解能力;不仅能处理感知与控制，更能实现全脑协同的认知智能。

　　SesameX 多维具身智能计算平台的意义不仅在于让机器人“动得好、看得懂”，更在于建立起一条从感知到智能、从安全到进化的系统级高速路，为机器人规模化落地提供了前所未有的统一基础。这正是 SesameX 的独特价值：它不是一块芯片，而是一套让机器人真正迈向未来的系统智能架构。

　　四、结语：最佳机器人商业落地合作伙伴

　　SesameX 多维具身智能计算平台从Kalos、Aura 到 Liora，覆盖了不同复杂度与形态的机器人需求。这些平台并非孤立产品，而是构成一套可协同、可扩展的机器人智能阶梯。

　　黑芝麻智能希望通过 SesameX，与机器人整机厂商、算法公司、系统集成商共同构建开放生态，让机器人在真实世界中具备长期稳定运行与持续成长的能力。真正的具身智能，不只属于算法或算力，而属于一个能够被产业广泛采用、不断演进的系统基础。SesameX 正是为此而生。

　　黑芝麻智能的SesameX 多维具身智能计算平台，让机器人能够有“可信任的安全”，从“可运行”走向“可成长”，从“可演示”走向“量产落地”。让我们一起推动机器人安全和智能的进化，让机器人早日成为我们的助手和伙伴。