算力需求两年涨10倍，机器人为了走进真实物理世界，正在疯狂「吃算力」

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 算力需求两年涨10倍，机器人为了走进真实物理世界，正在疯狂「吃算力」 田, 晏林 2026-08-14 15:29:22 来源： 量子位 少花一半成本，部署效率提升80%！机器人研发可以不用重复造轮子了。 田晏林 发自 凹非寺 量子位 | 公众号 QbitAI 上周五，逐际动力线下黑客松实训大赛「创学营2026」的收官现场，选手们正在云上跑最后一轮仿真评测。 他们打开浏览器，登录一台远在云端的工作站，旋转着Isaac Sim里的机械臂场景，调整参数，生成数据。 这一幕要放在3年前很难实现。 筹办类似的比赛，光是找场地、配机器就要耗费1个月的时间。 机器人训练可不是打开电脑，写写代码这么简单。 背后需要Isaac Sim、NVIDIA Omniverse等仿真环境，需要GPU算力支撑，还涉及不同版本软件、驱动和开发工具的统一配置。 一场创学营办下来，每多一名选手，对主办方的环境部署、设备采购和资源管理都会提出更多要求。 更麻烦的是，活动结束后，这些高性能设备又可能长期闲置。 买得越多，浪费越大 。 逐际动力选择了一种不同的方式。 借助阿里云旗下的 AI创研算力平台无影灵构 的云上工作站，选手们可以快速接入统一研发环境，算力资源按照实际需求弹性调整，不需要提前采购大量固定设备。 这场演练明面上是在探索「机器人怎么变聪明」，背后的隐藏副本则是 「如何让研发机器人的公司，变得更高效」 。 为什么训练一个机器人，这么费机器？ 大模型让机器人开始具备理解和推理能力。 但从会聊天到会干活，还需要经历一整套复杂流程：遥操作数据采集、算法调试、仿真训练、真机部署。 与数字AI不同，机器人面对的是一个高度复杂、不断变化的真实世界。 它需要理解空间，需要感知物体，需要预测动作，还需要在真实环境里不断试错。 每一个环节都离不开计算资源支撑。 图片由AI生成 这也是为什么，具身智能的竞争从来不只是模型参数竞争，更是一场围绕算力、数据和工程效率展开的长期竞赛。 逐际动力联合创始人兼CTO谌骅告诉量子位，过去两年，粗略估算，公司 研发团队对算力的需求增长了5到10倍 。（吞卡兽.jpg） 而且是有多少卡就能吃掉多少卡。 算力需求暴涨，只是问题的一面。 更大的变化在于，机器人研发正在从单点实验走向复杂工程协作。 过去，一名算法工程师拥有一台高性能工作站，配置好环境，就能完成部分研发工作。 但今天，一个完整的具身智能团队，需要同时处理仿真训练、数据处理、模型迭代、多人协作和真机验证。 研发资源不再只是「一台机器」，而是一整套持续运行的基础设施。 阿里云智能集团副总裁、终端智能计算事业部总裁张献涛认为，云计算的发展已经经历了两次基础设施迁移。 第一朵云支撑了互联网，第二朵云支撑了移动互联网。 而现在， 机器人时代需要第三朵云 。 这一次，云需要解决的不只是计算资源的问题，而是 让算力、开发环境和3D交互能力一起进入机器人研发流程 。 话说回来，为什么机器人研发会逼出第三朵云？ 一个机械臂抓取物体，看似只是伸手、移动、拿起几个动作，但背后需要理解物体位置、形态、重量、摩擦力以及周围环境变化。 一个人形机器人行走，也不是简单输出几个动作指令，而需要持续调整重心、处理身体平衡、关节控制和空间反馈。 尤其在人形机器人研发中，3D仿真环境需要同时处理复杂场景、机器人运动和物理交互，对 图形算力 提出了更高要求。 这让机器人研发天然成为高算力行业。 但过去，支撑这种研发的 基础设施没有跟上产业速度 。 此前，业内通常采用 采购工作站-安装软件-配置GPU环境-逐台维护 这套模式。 工程师想要搭建一套可用的开发环境，得登录集群，靠命令行一步步安装软件、配置依赖、下载库文件、编译程序、启动各项服务，整套流程经常耗费四五个小时。 这简直是一种「折磨」。 麻烦不说，关键是在团队规模较小时，尚且勉强可行，一旦团队扩大、任务增加，这种方式越来越难适应快速变化的研发节奏和快速扩张的团队规模。 谌骅也表示，实际工作中，团队在仿真环境的配置，训练资源的调度上总会遇到各种各样的小问题。 比如CUDA、ROS2、Isaac Sim等工具链组合复杂，依赖库、驱动之间极易出现版本冲突； 软件、仿真器迭代更新速度快，团队多台本地工作站硬件型号不一，很难做到全设备环境完全统一。 甚至新人入职，或者临时让外包人员进场，还得从零开始下载、编译、调试全套开发环境。 「单人配置耗时长达大半天，这些都是机器人研发中的隐藏成本。」 此外，外包和跨地域协作带来账号、数据权限、审计和离场的回收压力，也是具身智能公司不得不考虑的现实问题。 拥有一个可以 云端灵活调用、弹性扩容、开箱即用和安全环境 的工作站，迫在眉睫。 把工作站搬上云之后 在与多家具身智能公司沟通后，张献涛发现，当行业走到工程化阶段，环境、算力、数据、仿真这些事，眼下每家公司都在自己搭一遍。 「这背后不是谁愿意重复造轮子，而是这一层还没有变成标准件。」 在他看来， 共性越强的部分，越应该被尽早沉淀成标准件。 无影灵构要承载的就是这些共同需求：把具身智能的研发现场搬到云上，环境按需复用，算力随任务调度。 「本体、模型、数据和真实场景，始终应该长在机器人公司自己手里。我们要做的是 把基础设施带来的研发摩擦降到最低 。」张献涛说。 今年3月，逐际动力与阿里云无影深聊了下。 尽管逐际动力很早就和阿里云建立长期合作，但此前双方仅依托PAI平台、通用GPU算力，完成大规模模型训练的底层算力合作。 而这一次，他们讨论的问题聚焦在 具身智能研发全链路的前端工程痛点 ： 仿真难可信、训练难稳定、真机难规模化、数据难形成高质量闭环。 这四个问题背后，又共同受到环境碎片化、算力错配、成本和安全治理等因素影响。 过去，机器人团队往往需要自己搭建一整套研发环境。 买GPU工作站、安装CUDA和ROS2、配置Isaac Sim、管理不同版本依赖，再把数据在本地和云端之间反复搬运。 对于成熟团队，这是一笔持续投入；对于快速成长的机器人公司，这更像是一种重复建设。 无影灵构给出的思路，是把过去摆在工位上的高性能工作站搬到云端。 一些重型计算单元（GPU、仿真环境、数据盘）全部上云，工程师只用轻量设备通过网络串流画面操作云端工作站。 对工程师来说，最直观的变化首先发生在 环境交付 。 机器人研发环境最大的痛点之一，就是复杂。 CUDA版本、驱动版本、仿真软件版本之间存在大量依赖关系。一台机器能运行，不代表十台机器都能稳定运行。 尤其对于创学营这类需要快速接入大量开发者的场景，如果每个人都从零开始配置环境，时间成本非常高。 无影灵构 提前把研发机器人要用的所有软件、驱动打包做成固定模板镜像 。 想新增开发机器，一键复制模板就行；新人登录账号，点开就能用一模一样的环境，不用自己折腾安装。 谌骅表示，过去团队本地配置Isaac仿真环境时，经常会遇到各种报错，而在无影灵构AI工作站里，可直接选现成镜像启动。 「半小时就能开工，很少出