具身智能技术路线尚未定型，基础设施却先收敛
田晏林 发自 凹非寺 量子位 | 公众号 QbitAI
别意外。本体数量上来了，具身智能乍看离规模化越来越近，但理解周围世界、学习新任务、持续进化的能力，还没法跟着机器人一起批量复制。
一台机器人学会一个动作不算最难，难的是继续学会第二个、第三个任务；一项已经验证的能力，能不能快速复制到更多机器人身上；换一座工厂、一个工位，甚至换一种本体，还能不能继续跑。
说到底，行业关注的重点，正从如何造出机器人，转向 如何持续生产和迭代机器人的能力。
9月16日，在2026智能经济论坛上，百度集团执行副总裁、百度智能云事业群总裁沈抖分享了一个判断：
如果类比AI时代的发展，今天的AI有可能只是灯泡发明后的第一个月而已，因为灯亮了，所有人都看到了变化，但是电力带来社会经济分工的调整还没有出现。
当智能体进入产业系统，企业里的知识、数据、流程、工具和具体要求，要被组织到真实场景里，最终交付结果、创造价值，并持续进化。
这些经验要能回流到模型和系统里继续迭代，再沉淀成下一次 可以复用的能力 ，机器人才能真正「越用越会」。
怎样才能让每台机器人不断学会新技能，并把一项已经验证的能力稳定复制到更多机器人和场景里？
本体量产是起点，能力量产是下一步
所谓 「能力量产」 ，指的是把已经验证过的具身应用技能，通过模型、数据和本体的持续闭环，以稳定且可控的成本复制到更多真实场景中。
前者看一次成功，后者看任务成功率、人工接管率、单位任务成本、稳定运行时长，以及一项技能复制到更多机器和场景需要多久。
「本体」 解决身体如何规模化制造， 「模型」 决定能力上限， 「数据和AI Infra」 影响学习新技能的速度， 「真实场景」 则检验它能否从一次成功变成稳定成功。
但一个现实问题是， 具身企业进入高频迭代后，原本分散的算力、模型、数采、仿真和部署链路很容易互相拖慢。
数据拿回来要处理，模型训练完要仿真，仿真过了还要真机验证，真机暴露新问题又得重新回流。
看起来只改了一次模型，背后可能同时牵动算力、训练框架、仿真环境、数据管线和部署方式。
它要做的，是把 数据、训练、评测、推理和反馈等关键节点 接成一条可重复运行的链路，让同样的时间和预算里，企业能够多跑几轮试验。
模型迭代效率、数据持续生产，以及跨本体和跨场景能力应用部署。
机器人的能力，到底怎么被生产出来？
第⼀环：让不同模型路线都能快速迭代
当前，VLA（视觉语言动作模型）、世界模型、全身运动控制等路线仍在并行演进，模型如何分工、世界模型如何接入、训练范式如何调整，都还没有完全收敛。
在百度智能云主任架构师应茹看来， 技术路线越不确定时，AI Infra越要保持通用和灵活。
因为每改一次模型结构、训练方式甚至仿真引擎，都要重新适配算力、训练框架和部署环境，研发时间就会大量耗在工程配置上。
她认为， 企业真正需要的，也不只是某一次训练快了多少，而是同样预算、同样时间里，能不能多跑几轮训练、仿真和真机验证。
百度智能云 旗下的AI算力基础设施产品 「百度百舸」 ，切入的就是这部分共性工程。
它把数据准备、开发训练、仿真评测和推理部署接入同一套workflow（工作流），统一处理算力适配、训练框架、资源调度、仿真环境和模型部署。
以当前常见的5B到20B单体VLA、WAM（世界动作模型）为例，如果一味堆叠高配硬件，但显存、带宽和计算资源未必都能得到充分利用。
SONIC模型训练配方开源后，百舸将其集成到云上，可一键扩展至128卡训练规模；针对WAM模型的推理瓶颈，经过工程优化，相关测试中的推理延迟降至优化前的四分之一。
本次论坛上， 无界动力 创始人兼CEO张玉峰直言，Physical AI的难点是「操作智能」。
为此，无界动力自研了快慢结合的MWA™具身大脑，并让性能、技能和泛化并行推进，在工业、商业两条场景线持续磨能力。
数据显示， 依托百度百舸AI计算平台， 百度智能云为MWA™具身大脑提供从数据处理、模型训练、仿真评测到真机推理部署的全栈支持， 训练有效时长超过99.5%。
第⼆环：把真实操作转化为可训练的数据
互联网已经给LLM留下了海量文字，但机器人想学会拧一颗螺丝、装一个零件，网上几乎找不到完整教材。
具身数据往往同时包含视觉、动作、空间关系、力觉、本体状态和时序关系，而且和具体本体、任务、现场高度绑定。
在东莞，由东莞市及万江街道方面投入建设、 百度智能云承建运营的具身智能训练场已投入运转。
百度也在这里落地了 大湾区首个实体化具身智能采标实验室 ，提供数据工具链、百舸算力底座和训推平台，为机器人做真机采集、标注、仿真和模型迭代。
作为技术赋能和场景链接服务方，百度智能云充分发挥自身在具身智能基础设施方面的优势，链接具身产业链上下游共创合作方，共同为东莞制造业智能化升级提供场景赋能。
该训练场规划了 13个 真实产业场景，覆盖家具制造、3C电子、五金模具、物流仓储，配置 50台 套异构本体，并持续部署Ego、UMI等 100余台 无本体设备。
数据生产分成三条路：真机遥操作保证真实性，无本体采集降低成本并扩大规模，仿真和算法生成补充多样性。
机器人可以先试训，再中试，最后进厂，相当于把大量试错从正在生产的客户产线上提前搬出来。
由此，这里不再只是单点数据车间，而是一个具身智能行业的综合性工业实训载体。 目前，该平台已经服务35家具身智能企业。
数据的规模只是表层，能否把真实现场持续变成机器人可学习、可验证、可回流的经验，才决定能力生产线转得有多快。
第三环：能力还得稳定落进机器人身体里
围绕Q1、T1，百度百舸提供统一的模型训练、微调、推理和测试环境，并集中管理AI任务、数据流转与弹性算力调度，使模型研发能够在同一套环境中持续迭代。
“百度百舸AI计算平台在我们Q1、T1型机器人的研发过程中，提供了统一的模型训练、微调、推理和测试环境，实现了AI任务的集中管理和算力资源的弹性调度。”上纬启元首席科学家董豪表示。
而且他发现，在数据高效流转、模型训推加速等方面，显著提升了模型开发效率，缩短了实验闭环与算法迭代周期。
对这类产品来说，用户最关心的，是叫它的时候能不能听见，听见之后能不能理解，理解之后能不能及时做出正确反馈。
「模型」 负责理解和决策， 「语音交互」 负责承接用户意图和反馈， 「端云协同」 影响响应效率， 「安全能力」 决定系统能否长期稳定运行。
而且，这套底层支撑还要 适应不同形态的机器人 。工业机器人看重节拍、稳定和精度，个人机器人面对开放环境、高频交互和更复杂的用户需求。
只有跨本体、跨场景的适配能力建立起来，一项已经验证过的技能，才有机会真正复制出去。
50多家公司背后，基础设施需求正在出现共性
无论做工业、商业还是家庭机器人，企业最终都会反复碰到同一组底层问题，模型怎么更快迭代，数据怎么持续回流，本体怎么稳定部署，能力又怎么进入真实场景完成验证和复制。
再看百度智能云其他的合作伙伴： 千寻智能、智元机器⼈、银河通⽤、宇树科技、星动纪元、跨维智能、星尘智能 等企业，虽然产品形态、技术路线和目标场景各不相同，却也在集中暴露出相似的基础设施诉求。
据了解， 千寻智能接入百舸后，有效训练时长达到98.8%， 核心指向就是减少底层资源和工程问题对模型研发节奏的打断，让更多时间真正花在模型迭代上。
它与百度智能云的合作重点不只是一块算力，而是随着机器人研发和产品推进，持续调用模型训练、数据处理、部署等底层能力。
当然，这些案例不能代表整个行业，却足以说明，具身智能企业走到研发提效和规模落地阶段后，底层基础设施需求正在浮现出越来越强的共性。
模型侧需要提高训练、推理部署效率； 数据侧需要贯通采集、标注、管理； 本体侧要解决交互、端云协同、安全与适配等问题； 进入场景后继续完成规模复制。
算力调度、训练加速、数据处理、仿真评测、推理部署这些每家公司都会重复遇到的工程问题，则越来越适合沉到公共基础设施层。
它把能力生产过程中反复出现的共性环节，做成一套可以被不同企业复用的底座，让具身企业把更多资源放回模型、产品和场景本身。
目前， 百度智能云已经为产业链上超过50家重点具身企业，提供了全栈AI云技术支撑。
国际数据公司(IDC)发布的《中国具身智能云市场份额报告，2025》也提到，百度智能云以29.55%的市场份额，同样位居第⼀。
当越来越多不同路线、不同本体、不同场景的公司，开始调用相似的底层能力时， 具身智能的竞争已经开始延伸到能力生成效率。
在具身智能技术路线尚未定型的阶段，企业未必需要提前押注唯一答案，但必须保证自己还能继续试。
模型可以换，训练范式可以换，本体可以换，场景也会继续变化。这就要求企业需快速搭建一套 基础设施：既能承接模型迭代，持续沉淀数据，又可实现跨本体迁移部署。
西门子不造机器人，为什么机器人进厂的故事里总有它？ 2026-09-16
9月21日，深圳前海！聊聊工业AI与生态共创的下一步 2026-09-15
常州女首富机器人转型才开始，先因裁应届生上了热搜 2026-09-04
VC疯了！200万现金冠军奖，又花4000万造了一座AI「创业乌托邦」 2026-08-31
热门文章
Kimi突发K2.8：性能逼近K3，百万上下文全员开放
AI数学的最后一道高墙，塌了！GPT-6 Astra刷穿FrontierMath Tier 4
A社承认Claude安全对齐存在缺陷，但“尚无解决方案”
探索RSI，生数新世界模型让机器人开始自我进化
首届蚂蚁灵波具身大模型挑战赛正式启动
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1