算力需求兩年漲10倍，機器人為了走進真實物理世界，正在瘋狂「吃算力」

少花一半成本，部署效率提升80%！機器人研發可以不用重複造輪子了。田晏林 發自 凹非寺 | 公眾號 QbitAI 上週五，逐際動力線下黑客松實訓大賽「創學營2026」的收官現場，選手們正在雲上跑最後一輪仿真評測。他們打開瀏覽器，登錄一臺遠在雲端的工作站，旋轉著Isaac Sim裡的機械臂場景，調整參數，生成數據。這一幕要放在3年前很難實現。籌辦類似的比賽，光是找場地、配機器就要耗費1個月的時間。機器人訓練可不是打開電腦，寫寫代碼這麼簡單。背後需要Isaac Sim、NVIDIA Omniverse等仿真環境，需要GPU算力支撐，還涉及不同版本軟件、驅動和開發工具的統一配置。

一場創學營辦下來，每多一名選手，對主辦方的環境部署、設備採購和資源管理都會提出更多要求。更麻煩的是，活動結束後，這些高性能設備又可能長期閒置。買得越多，浪費越大。逐際動力選擇了一種不同的方式。藉助阿里雲旗下的AI創研算力平臺無影靈構的雲上工作站，選手們可以快速接入統一研發環境，算力資源按照實際需求彈性調整，不需要提前採購大量固定設備。這場演練明面上是在探索「機器人怎麼變聰明」，背後的隱藏副本則是「如何讓研發機器人的公司，變得更高效」。為什麼訓練一個機器人，這麼費機器？大模型讓機器人開始具備理解和推理能力。

但從會聊天到會幹活，還需要經歷一整套複雜流程：遙操作數據採集、算法調試、仿真訓練、真機部署。與數字AI不同，機器人面對的是一個高度複雜、不斷變化的真實世界。它需要理解空間，需要感知物體，需要預測動作，還需要在真實環境裡不斷試錯。每一個環節都離不開計算資源支撐。圖片由AI生成 這也是為什麼，具身智能的競爭從來不只是模型參數競爭，更是一場圍繞算力、數據和工程效率展開的長期競賽。逐際動力聯合創始人兼CTO諶驊告訴，過去兩年，粗略估算，公司研發團隊對算力的需求增長了5到10倍。（吞卡獸.jpg） 而且是有多少卡就能吃掉多少卡。算力需求暴漲，只是問題的一面。

更大的變化在於，機器人研發正在從單點實驗走向複雜工程協作。過去，一名算法工程師擁有一臺高性能工作站，配置好環境，就能完成部分研發工作。但今天，一個完整的具身智能團隊，需要同時處理仿真訓練、數據處理、模型迭代、多人協作和真機驗證。研發資源不再只是「一臺機器」，而是一整套持續運行的基礎設施。阿里雲智能集團副總裁、終端智能計算事業部總裁張獻濤認為，雲計算的發展已經經歷了兩次基礎設施遷移。第一朵雲支撐了互聯網，第二朵雲支撐了移動互聯網。而現在，機器人時代需要第三朵雲。這一次，雲需要解決的不只是計算資源的問題，而是讓算力、開發環境和3D交互能力一起進入機器人研發流程。

話說回來，為什麼機器人研發會逼出第三朵雲？一個機械臂抓取物體，看似只是伸手、移動、拿起幾個動作，但背後需要理解物體位置、形態、重量、摩擦力以及周圍環境變化。一個人形機器人行走，也不是簡單輸出幾個動作指令，而需要持續調整重心、處理身體平衡、關節控制和空間反饋。尤其在人形機器人研發中，3D仿真環境需要同時處理複雜場景、機器人運動和物理交互，對圖形算力提出了更高要求。這讓機器人研發天然成為高算力行業。但過去，支撐這種研發的基礎設施沒有跟上產業速度。此前，業內通常採用採購工作站-安裝軟件-配置GPU環境-逐臺維護這套模式。

工程師想要搭建一套可用的開發環境，得登錄集群，靠命令行一步步安裝軟件、配置依賴、下載庫文件、編譯程序、啟動各項服務，整套流程經常耗費四五個小時。這簡直是一種「折磨」。麻煩不說，關鍵是在團隊規模較小時，尚且勉強可行，一旦團隊擴大、任務增加，這種方式越來越難適應快速變化的研發節奏和快速擴張的團隊規模。諶驊也表示，實際工作中，團隊在仿真環境的配置，訓練資源的調度上總會遇到各種各樣的小問題。比如CUDA、ROS2、Isaac Sim等工具鏈組合複雜，依賴庫、驅動之間極易出現版本衝突； 軟件、仿真器迭代更新速度快，團隊多臺本地工作站硬件型號不一，很難做到全設備環境完全統一。

甚至新人入職，或者臨時讓外包人員進場，還得從零開始下載、編譯、調試全套開發環境。「單人配置耗時長達大半天，這些都是機器人研發中的隱藏成本。」 此外，外包和跨地域協作帶來賬號、數據權限、審計和離場的回收壓力，也是具身智能公司不得不考慮的現實問題。擁有一個可以雲端靈活調用、彈性擴容、開箱即用和安全環境的工作站，迫在眉睫。把工作站搬上雲之後 在與多傢俱身智能公司溝通後，張獻濤發現，當行業走到工程化階段，環境、算力、數據、仿真這些事，眼下每家公司都在自己搭一遍。「這背後不是誰願意重複造輪子，而是這一層還沒有變成標準件。」 在他看來，共性越強的部分，越應該被儘早沉澱成標準件。

無影靈構要承載的就是這些共同需求：把具身智能的研發現場搬到雲上，環境按需複用，算力隨任務調度。「本體、模型、數據和真實場景，始終應該長在機器人公司自己手裡。我們要做的是把基礎設施帶來的研發摩擦降到最低。」張獻濤說。今年3月，逐際動力與阿里雲無影深聊了下。儘管逐際動力很早就和阿里雲建立長期合作，但此前雙方僅依託PAI平臺、通用GPU算力，完成大規模模型訓練的底層算力合作。而這一次，他們討論的問題聚焦在具身智能研發全鏈路的前端工程痛點： 仿真難可信、訓練難穩定、真機難規模化、數據難形成高質量閉環。這四個問題背後，又共同受到環境碎片化、算力錯配、成本和安全治理等因素影響。

過去，機器人團隊往往需要自己搭建一整套研發環境。買GPU工作站、安裝CUDA和ROS2、配置Isaac Sim、管理不同版本依賴，再把數據在本地和雲端之間反覆搬運。對於成熟團隊，這是一筆持續投入；對於快速成長的機器人公司，這更像是一種重複建設。無影靈構給出的思路，是把過去擺在工位上的高性能工作站搬到雲端。一些重型計算單元（GPU、仿真環境、數據盤）全部上雲，工程師只用輕量設備通過網絡串流畫面操作雲端工作站。對工程師來說，最直觀的變化首先發生在環境交付。機器人研發環境最大的痛點之一，就是複雜。CUDA版本、驅動版本、仿真軟件版本之間存在大量依賴關係。一臺機器能運行，不代表十臺機器都能穩定運行。

尤其對於創學營這類需要快速接入大量開發者的場景，如果每個人都從零開始配置環境，時間成本非常高。無影靈構提前把研發機器人要用的所有軟件、驅動打包做成固定模板鏡像。想新增開發機器，一鍵複製模板就行；新人登錄賬號，點開就能用一模一樣的環境，不用自己折騰安裝。諶驊表示，過去團隊本地配置Isaac仿真環境時，經常會遇到各種報錯，而在無影靈構AI工作站裡，可直接選現成鏡像啟動。「半小時就能開工，很少出故障，穩定很多。」 這不只是節省安裝時間，還讓機器人研發環境具備了軟件行業熟悉的標準化能力。算力彈性，是另一個關鍵變化。機器人研發天然需要大量試錯。

算法調優、仿真訓練、模型評測，不同階段對於算力的需求並不相同。傳統模式下，企業只能按照峰值需求採購硬件。結果就是：忙的時候，GPU永遠不夠；閒的時候，高價值設備長期閒置。更麻煩的是，顯卡更新換代很快，一次性花幾千萬自建算力，過兩年硬件升級，錢等於打了水漂。雲端工作站改變的是算力獲取方式。據無影靈構產品經理王姣陽介紹，企業可以根據不同任務靈活選擇GPU規格。日常研發保持穩定資源，高峰期遇到訓練營、大規模測試等任務時，可以快速擴容，項目結束後再釋放。「算力跟著需求靈活調整。」諶驊說。從買設備，到調用算力，機器人研發正在進入一種新的資源組織方式。但對於具身智能而言，僅僅解決算力供給還不夠。

決定雲端工作站能否落地的，還得看雲上的機器人研發體驗，能不能接近本地。雲端工作站，先要過「像不像本地」這一關 判斷一個雲端工作站好不好用，還得看工程師能否感覺到GPU在哪裡。就拿機器人仿真訓練來說，工程師需要實時操作3D場景，拖動機器人模型，調整環境參數，觀察運動結果。任何一個環節出現延遲，都會直接影響調試效率。這也是無影靈構區別於普通雲主機的地方。它解決的不是單純的計算能力，而是雲端3D工作站體驗。無影靈構通過無影自研的ASP流化協議，對圖形渲染、視頻編碼、網絡傳輸、終端解碼和輸入回傳進行整體優化，讓雲端GPU完成渲染後，將畫面實時傳輸到本地終端。

在現有Isaac Sim對比測試中，這種差異更加明顯。在簡單操作場景下，拖動座標軸時，無影ASP與NVIDIA WebRTC streaming均可以達到30fps。但當操作複雜度提升到模型文件拖動旋轉時，WebRTC幀率下降至約22fps，而無影仍保持約29fps，高出7fps，幀率提升約32%，達到滿幀水平的97%左右。穩定幀率，對於機器人研發意味著什麼？工程師旋轉機械臂模型、調整仿真場景時，不會因為雲端傳輸產生明顯遲滯。除了畫面流暢度，帶寬效率也是雲端工作站能否規模使用的關鍵。在相同模型旋轉操作中，無影ASP平均帶寬約1.9Mbps，相比WebRTC等方案降低約50%。

按每天使用8小時估算，單臺終端日均流量消耗約7GB。更低的帶寬佔用，能夠支持更多研發人員遠程接入。再看弱網環境下，無影靈構的表現也是相當穩。在丟包率達到10%、帶寬限制在5Mbps的兩組獨立測試中，無影仍能維持約27fps，相比其他方案幀率提升約29%。發生斷網後，系統也支持自動恢復和重新連接。這些技術層面的量化指標，表明雲端工作站正在從「遠程GPU」變成「機器人研發基礎設施」。

圖片由AI生成 別看把工作站搬上雲，貌似只換了臺機器的位置，無影靈構AI工作站實際要同時解決四件事： 環境交付——把CUDA、ROS2、Isaac Sim這套極易衝突的工具鏈預製成行業鏡像，一鍵複製； 圖形算力——3D仿真場景要在雲端渲染、串流到本地，還要保證工程師拖動視角時的實時手感； 彈性調度——高峰期分鐘級擴出上百臺，項目結束即釋放； 安全治理——數據不落地、權限可管、外包人員離場即回收。這四件事裡，前兩件是技術門檻，後兩件是工程門檻。一件都不能缺。圖片由AI生成 目前，無影靈構與逐際動力的合作主要集中在模型訓練、仿真評測和雲上研發環境。

但隨著機器人研發進入數據驅動和持續迭代階段，無影靈構的價值也將從提供雲上工作站，進一步延伸到承載完整的具身智能研發工作空間。未來，靈構將逐步連接遙操作數據採集、數據處理、標註質檢、模型訓練和仿真評測，讓任務能夠從工作空間發起，讓結果重新回到項目，並通過統一的權限、版本和運行記錄，使研發過程更加可復現、可比較、可審計。據悉，多傢俱身智能頭部企業已基於無影靈構AI工作站構建雲上數據採集工廠和仿真評測，加速機器人的研發週期。算力像水電一樣，還需要最後一里路 從逐際動力與無影靈構的合作可以看出，整個具身智能行業研發方式正在發生劇烈變化。

越來越多機器人團隊正在從「買設備、配環境、管服務器」，轉向「按需調用算力、複用研發環境、雲上協同開發」。原因很簡單，機器人研發天然需要大量試錯。但真實機器人測試成本高、週期長。這也是為何逐際動力會將與無影靈構合作的第一站，放在仿真評測上。但仿真只是起點。當機器人進入長期研發階段，僅有算力還不夠。機器人團隊還需要解決環境配置、模型訓練、數據處理、真機部署等一系列問題。換句話說，行業需要的不只是一臺更大的服務器，而是一套完整的研發基礎設施。這也是為什麼，機器人企業正在嘗試把自身積累的工程經驗進一步標準化。今年4月，逐際動力正式開源「FluxVLA Engine」。

這是一個標準化具身智能大模型工程底座。目標是讓擁有真實場景數據的合作伙伴、用戶，也能夠自主完成數據處理、模型搭建、仿真評測和真機部署，大幅降低了VLA全研發週期的工程門檻。某種程度上，它與無影靈構探索的方向形成了呼應。據王姣陽介紹，無影靈構也在推動具身智能研發中各類零散的基礎能力實現標準化。包括高性能3D工作站、統一開發環境、行業鏡像、算力調度以及企業級安全管理，讓機器人團隊不必重複搭建底層研發設施，而可以將更多資源投入到模型、算法和場景驗證中。兩者關注的，其實都是降低具身智能研發門檻，只是切入角度不同。FluxVLA Engine承載的是逐際動力在機器人研發過程中的核心經驗。

從數據處理到模型訓練，從仿真評測到真機適配，這些環節直接連接機器人能力迭代和最終產品表現，因此需要機器人企業持續沉澱。諶驊也說，FluxVLA Engine和無影靈構代表了具身智能基礎設施中不同方向的平臺能力，雙方完全可以在研發環境、工具鏈和基礎設施層面展開更深的結合。因為無影靈構並不參與機器人本體設計，也不替代企業定義模型路線，只是提供穩定的雲上工作空間，讓不同技術路線的機器人團隊都可以更高效地開展研發。直白點說，機器人公司負責回答「機器人應該如何工作」；無影靈構負責解決「研發這件事如何更高效完成」。有沒有覺得這條路徑，和雲計算的發展非常相似？

雲計算沒有替互聯網公司創造產品，也沒有決定應用應該如何創新。但它把服務器、存儲、網絡這些過去需要企業自己建設的基礎能力，變成了可以按需調用的公共資源。最終，互聯網公司的競爭焦點也從「誰有更多服務器」，轉向「誰能做出更好的產品」。而現在，具身智能行業也在經歷類似變化。當算力、環境和研發工具逐漸基礎設施化，機器人公司的競爭重點，也將從「誰搭建了更多底層設施」，轉向「誰能讓機器人更快學會新技能，並真正進入真實場景」。One more thing 技術本質上沒有壁壘，壁壘是迭代速度，技術領先只是時間紅利。這是諶驊給出的判斷。在具身智能這個技術路線尚未收斂、各家都在快速試錯的階段，時間紅利就是一切。

實際上，無影靈構在具身智能之前，已經在AIGC的3D內容生成、工業設計的實時渲染、影視廣告的後期製作這些高算力3D場景裡跑了好幾年。那些行業同樣被高端工作站的採購週期折磨，同樣面臨項目來了缺算力、項目走了機器閒置的窘境，同樣需要在雲端完成低延遲的3D交互。只不過，具身智能對這套基礎設施的要求更苛刻： 仿真場景的3D交互要更實時，ROS2和Isaac Sim的鏡像要更完整，數據安全策略要更嚴格，算力彈性要更靈敏。從這個角度看，具身智能更像是高算力3D雲工作站的一個極限考場。基礎設施從來不搶主角的戲，它只是把已經鋪好的路，往更多需要的地方多修一程。具身智能恰好是這一程裡，目前最著急趕路的那批人。

版權所有，未經授權不得以任何形式轉載及使用，違者必究。