一只399美元的机器鸭，让我重新看懂了瑞芯微

瑞芯微真正值得看的，可能不是下一颗旗舰芯片

最近我越来越觉得，市场看瑞芯微，可能看错重点了。

很多人一提瑞芯微，就盯着下一颗旗舰芯片：

• 算力有多少 TOPS？
• 制程是多少？
• 能不能追上英伟达？
• 能不能进机器人？

但我觉得，真正有意思的变化，不一定发生在发布会上。

而是越来越多开发者，开始拿瑞芯微的芯片，去做一些原本根本不在产品定义里的东西。

比如，一只机器鸭。

---

一只 399 美元的机器鸭，为什么让我注意到 RK3566？

最近一个叫 Microduck 的开源机器鸭项目很火。

它没有用 Jetson，也没有用 RK3588，更没有用什么最新旗舰芯片。

它用的是一颗很多人已经觉得“不新鲜”的芯片：

RK3566。

但就是这颗芯片，居然可以让一只 25cm 高的机器鸭：

• 走路
• 转向
• 踢球
• 抓东西
• 保持平衡

而且售价只有 399 美元。

它的工作流程也很典型：

先在 MuJoCo 仿真环境里训练模型，再通过 Sim2Real，把模型迁移到真实机器人，最后转成 ONNX 格式，部署到 RK3566 上。

机器运行时，大约以 50Hz 的频率执行控制策略，同时控制 15 个舵机。

简单理解就是：

一秒钟做 50 次动作判断。

它当然谈不上科幻。

但它已经可以真实地走起来了。

这件事让我重新思考一个问题：

未来真正大规模进入现实世界的 AI，真的都需要非常昂贵的算力吗？

可能并不需要。

---

训练可以很贵，真正装进机器里的芯片可以很便宜

过去两年，机器人行业形成了一个很强的印象：

做机器人，就得上大算力。

尤其一提 Physical AI、具身智能、人形机器人，很多人第一反应就是：

Jetson。

但 Microduck 给出了另一种答案。

真正复杂的事情，可以放到云端和数据中心做。

比如：

• 训练模型
• 理解自然语言
• 拆解任务
• 做复杂推理
• 生成动作计划

这些事情确实需要大模型和大算力。

但真正装到机器人里面的芯片，未必需要这么强。

它更重要的任务可能只是：

• 处理摄像头
• 读取传感器
• 判断当前状态
• 执行动作
• 保持平衡
• 快速响应

也就是说：

云端负责想，本地负责动。

这其实更符合真实产品。

因为机器人不能因为网络卡了一下，就站在那里不动。

门锁不能断网了就打不开。

工业相机也不能因为云端延迟，就停在那里等答案。

所以对于很多设备来说，本地芯片最重要的并不是“最强”。

而是：

够快、够稳、够便宜。

而这恰好是瑞芯微比较舒服的位置。

---

GitHub 可能比发布会更诚实

芯片公司发布会最喜欢讲什么？

参数。

开发者最关心什么？

能不能用。

所以如果想观察一家芯片公司的变化，我觉得 GitHub 有时候比发布会更有意思。

截至 2026 年 8 月，Rockchip 官方 GitHub 账号大约有：

• 39 个公开仓库
• 累计约 1.68 万颗 Star

真正值得关注的，不是 Star 总数。

而是过去两年，大家开始给哪些项目点 Star。

其中增长非常快的三个项目是：

项目	2024年8月	2026年8月
rknn-toolkit2	680	3321
rknn_model_zoo	845	2719
rknn-llm	296	1647

三个项目合计：

1821 → 7687

两年增长大约：

322%。

这三个项目是干什么的？

简单说就是：

• 把 AI 模型转换到瑞芯微芯片上
• 提供可以直接参考的模型样例
• 在瑞芯微 NPU 上跑大模型

也就是说，过去大家关注瑞芯微，可能更多因为：

• Android
• Linux
• 视频编解码
• 驱动
• 电视盒子
• 平板

现在越来越多人开始关注：

• AI 模型
• NPU
• 大模型部署
• 边缘推理

这个变化很重要。

因为它说明：

瑞芯微正在从“一家卖 SoC 的芯片公司”，慢慢变成“一套端侧 AI 平台”。

---

更有意思的是，很多东西根本不是瑞芯微官方做的

官方项目可以运营。

社区项目就没那么容易“做数据”。

所以我反而更关注那些开发者自己做出来的东西。

比如：

ffmpeg-rockchip

两年里 Star 从：

389 → 1275

edk2-rk3588

这是让 RK3588 设备跑 UEFI 的项目。

Star 从：

389 → 1026

rkllama

这个项目主要是让本地大模型更方便地跑到瑞芯微 NPU 上。

短时间已经积累：

• 596 个 Star
• 99 个 Fork

Hugging Face 上也能看到类似趋势。

截至 2026 年 8 月：

以 RK3588 为关键词，可以找到大约 386 个模型。

其中 374 个 是过去两年创建的。

比例约：

96.9%。

搜索 RKLLM，可以找到大约 196 个模型。

其中 178 个 也是最近两年才出现的。

这些数字当然不能直接变成收入。

但它至少说明了一件事：

真的有人在用。

有人在适配模型。

有人在解决 Bug。

有人在踩坑。

还有人踩完坑以后，把自己的工具放到 GitHub 上，让后来的人少走弯路。

一个芯片生态真正开始形成，往往就是从这些看起来很乱的小项目开始的。

---

瑞芯微刚好卡在一个很大的市场空档里

如果把端侧芯片分成三个档次，大概可以这么理解。

第一档：MCU、ESP32

优点：

• 便宜
• 功耗低
• 很适合简单控制

但是能力有限。

如果设备开始需要：

• 多路摄像头
• Linux
• 复杂视觉
• 本地 AI 模型

很快就不够用了。

---

第二档：瑞芯微这一类 SoC

它可以同时提供：

• CPU
• GPU
• NPU
• Linux
• Android
• ISP
• 视频编解码
• 摄像头接口

算力不一定顶级。

但功能比较完整。

价格也能压下来。

---

第三档：NVIDIA Jetson

优点很明显：

• 算力强
• CUDA 生态成熟
• AI 工具链完整

但缺点也明显：

• 贵
• 功耗高
• 散热要求高
• 整机成本高

问题来了。

现实世界里，其实存在大量设备，它们既不想用 MCU，也没必要用 Jetson。

比如：

• 门禁
• 售货机
• 工业相机
• 会议终端
• 教育机器人
• 陪伴机器人
• 机械臂
• 智能零售设备
• 智能家居
• 小型移动机器人

它们需要一点 AI。

但又不需要几十 TOPS。

这其实是一个非常大的市场。

很多产品不是“买不起 Jetson”。

而是：

根本没必要用 Jetson。

如果一个产品 10 TOPS 就够用了，为什么一定要买 100 TOPS？

硬件产品最后是要量产的。

量产以后，差的不是一块板子几十美元。

而是十万台、一百万台以后巨大的成本差。

所以在硬件行业里：

够用，往往比最强更重要。

---

瑞芯微真正的优势，可能不是 NPU

很多人研究 AI 芯片，第一眼就看 TOPS。

但现实里，客户并不是单独买一个 NPU。

一家公司做产品，要考虑很多东西：

• CPU
• GPU
• NPU
• 摄像头
• ISP
• 视频编解码
• Linux
• Android
• 驱动
• 接口
• 功耗
• 稳定性
• 供应链
• 成本

客户真正关心的是：

这个产品能不能按时量产？

而不是：

这颗芯片的 TOPS 比别人高多少？

这也是瑞芯微比较有意思的地方。

它过去在：

• 平板
• 电视盒子
• 摄像头
• 工业设备
• 智能硬件

里面积累了很多年。

以前这些能力可能只是消费电子的基础能力。

到了 AI 时代，它们反而重新变得重要。

因为 AI 设备首先还是一台设备。

它依然要：

看得见。

听得到。

连得上。

跑得稳。

卖得便宜。

AI 只是再往里面加一层智能。

---

大模型负责思考，便宜芯片负责干活

我觉得未来很多机器人和智能设备，都会变成这种架构。

云端负责：

• 大模型
• 复杂推理
• 任务规划
• VLM
• VLA
• 长上下文理解

本地芯片负责：

• 摄像头
• 语音唤醒
• 目标检测
• 传感器融合
• 运动控制
• 安全策略
• 小模型推理

这样一来，本地芯片最重要的要求就变了。

它不一定需要跑最大的模型。

但必须：

反应快。

运行稳。

成本低。

所以我现在越来越愿意把瑞芯微理解成：

端侧 AI 的执行平台。

这个名字没有“国产英伟达”听起来性感。

但可能更接近它未来真正赚钱的地方。

---

当然，现在还不能太乐观

瑞芯微的 AI 生态并不是没有问题。

一个比较重要的变化，就是 2026 年出现的 RKNN3。

目前新的：

• rknn3-toolkit
• rknn3 model zoo

已经开始支持 RK1820、RK1828、RK3572 等新平台。

但这里有一个现实问题：

RKNN3 和 RKNN Toolkit2 并不兼容。

对于芯片公司来说，这可能叫：

“工具链升级。”

但对开发者来说，意味着的是：

• 以前的代码还能不能用？
• 模型是不是要重新转换？
• 算子还支不支持？
• 文档全不全？
• Bug 多不多？
• 半年以后接口会不会又换？

很多硬件公司容易低估这些问题。

但开发者其实非常在意。

有时候：

性能快 10%，都比不上“模型一次转换成功”。

如果瑞芯微以后想真正把开发者留下来，比堆更多 TOPS 更重要的，可能是：

把工具链做好。

---

Star 不是收入，这一点必须说清楚

这里也不能过度解读。

GitHub Star 不是订单。

Fork 不是芯片出货量。

Hugging Face 上有很多模型，也不等于公司利润会马上增长。

这些数据最多只能说明：

开发者兴趣正在增加。

它说明生态可能正在形成。

但距离真正变成商业收入，还需要看：

• 芯片出货
• 客户数量
• AI 芯片收入占比
• 毛利率
• 新产品量产
• 机器人和工业客户增长

所以我不会因为几千颗 Star，就把瑞芯微叫成“中国英伟达”。

这个说法我觉得反而把瑞芯微真正的优势说错了。

瑞芯微根本不需要打败英伟达。

它只需要拿下另外一个市场：

那些不需要 Jetson，但又比 MCU 多需要一点 AI 的设备。

这个市场可能比大家想象得大得多。

---

我真正关注的，是瑞芯微的“身份变化”

过去市场怎么看瑞芯微？

大概就是：

消费电子 SoC 公司。

平板。

电视盒子。

扫地机器人。

智能硬件。

行业景气的时候赚一波。

库存高的时候再熬一轮。

这个标签以前没有错。

但我觉得，它已经开始有点装不下现在发生的变化。

如果未来几年继续出现几个趋势：

1. RKNN 开发生态持续增长
2. 更多视觉模型和语言模型跑到 Rockchip NPU
3. 更多机器人和智能硬件使用瑞芯微
4. 低成本本地 AI 开始成为很多设备的标配

那么瑞芯微的市场定位，可能会慢慢发生变化：

消费电子 SoC

↓

边缘 AI 芯片平台

↓

低成本 Physical AI 基础平台

真正值得关注的，就是这个过程。

---

最后

一只 399 美元的机器鸭，当然改变不了芯片行业。

但它至少提醒了我一件事。

我们过去谈 AI，总是喜欢讨论：

最大的模型。

最强的 GPU。

最高的 TOPS。

但当 AI 真正离开数据中心，进入：

• 玩具
• 摄像头
• 门锁
• 机械臂
• 机器人
• 工业设备
• 汽车
• 家电

最后真正大规模赚钱的公司，未必都是卖最贵算力的。

很可能还有另一类公司。

它们做的不是“最强 AI”。

而是：

把 AI 变得足够便宜，便宜到可以装进几百万、几千万台普通设备。

所以我现在看瑞芯微，已经不太关心它能不能成为“中国英伟达”。

我更关心的是另外一个问题：

当未来几十亿台设备都需要“一点点 AI”的时候，谁会成为这些设备最便宜、最好用的计算底座？

瑞芯微，可能正在争这个位置。

---

数据说明：
文中 GitHub 与 Hugging Face 数据统计截至 2026 年 8 月 30 日。历史变化以 2024 年 8 月至 2026 年 8 月公开页面及快照为参考。Star、Fork 和模型数量仅用于观察开发者关注度与生态变化，不代表实际收入、订单或芯片出货量。