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 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。

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，很少出故障，稳定很多。」

这不只是节省安装时间，还让机器人研发环境具备了软件行业熟悉的标准化能力。

算力弹性，是另一个关键变化。

机器人研发天然需要大量试错。

算法调优、仿真训练、模型评测，不同阶段对于算力的需求并不相同。

传统模式下，企业只能按照峰值需求采购硬件。

结果就是：忙的时候，GPU永远不够；闲的时候，高价值设备长期闲置。

更麻烦的是，显卡更新换代很快，一次性花几千万自建算力，过两年硬件升级，钱等于打了水漂。

云端工作站改变的是算力获取方式。

据无影灵构产品经理王姣阳介绍，企业可以根据不同任务灵活选择GPU规格。

日常研发保持稳定资源，高峰期遇到训练营、大规模测试等任务时，可以快速扩容，项目结束后再释放。

「算力跟着需求灵活调整。」谌骅说。

从买设备，到调用算力，机器人研发正在进入一种新的资源组织方式。

但对于具身智能而言，仅仅解决算力供给还不够。

决定云端工作站能否落地的，还得看云上的机器人研发体验，能不能接近本地。

云端工作站，先要过「像不像本地」这一关

判断一个云端工作站好不好用，还得看工程师能否感觉到GPU在哪里。

就拿机器人仿真训练来说，工程师需要实时操作3D场景，拖动机器人模型，调整环境参数，观察运动结果。

任何一个环节出现延迟，都会直接影响调试效率。

这也是无影灵构区别于普通云主机的地方。

它解决的不是单纯的计算能力，而是云端3D工作站体验。

无影灵构通过无影自研的ASP流化协议，对图形渲染、视频编码、网络传输、终端解码和输入回传进行整体优化，让云端GPU完成渲染后，将画面实时传输到本地终端。

在现有Isaac Sim对比测试中，这种差异更加明显。

在简单操作场景下，拖动坐标轴时，无影ASP与NVIDIA WebRTC streaming均可以达到30fps。

但当操作复杂度提升到模型文件拖动旋转时，WebRTC帧率下降至约22fps，而无影仍保持约29fps，高出7fps，帧率提升约32%，达到满帧水平的97%左右。

稳定帧率，对于机器人研发意味着什么？

工程师旋转机械臂模型、调整仿真场景时，不会因为云端传输产生明显迟滞。

除了画面流畅度，带宽效率也是云端工作站能否规模使用的关键。

在相同模型旋转操作中，无影ASP平均带宽约1.9Mbps，相比WebRTC等方案降低约50%。

按每天使用8小时估算，单台终端日均流量消耗约7GB。

更低的带宽占用，能够支持更多研发人员远程接入。

再看弱网环境下，无影灵构的表现也是相当稳。

在丢包率达到10%、带宽限制在5Mbps的两组独立测试中，无影仍能维持约27fps，相比其他方案帧率提升约29%。

发生断网后，系统也支持自动恢复和重新连接。

这些技术层面的量化指标，表明云端工作站正在从「远程GPU」变成「机器人研发基础设施」。

△图片由AI生成

别看把工作站搬上云，貌似只换了台机器的位置，无影灵构AI工作站实际要同时解决四件事：

• 环境交付——把CUDA、ROS2、Isaac Sim这套极易冲突的工具链预制成行业镜像，一键复制；
• 图形算力——3D仿真场景要在云端渲染、串流到本地，还要保证工程师拖动视角时的实时手感；
• 弹性调度——高峰期分钟级扩出上百台，项目结束即释放；
• 安全治理——数据不落地、权限可管、外包人员离场即回收。

这四件事里，前两件是技术门槛，后两件是工程门槛。一件都不能缺。

△图片由AI生成

目前，无影灵构与逐际动力的合作主要集中在模型训练、仿真评测和云上研发环境。

但随着机器人研发进入数据驱动和持续迭代阶段，无影灵构的价值也将从提供云上工作站，进一步延伸到承载完整的具身智能研发工作空间。

未来，灵构将逐步连接遥操作数据采集、数据处理、标注质检、模型训练和仿真评测，让任务能够从工作空间发起，让结果重新回到项目，并通过统一的权限、版本和运行记录，使研发过程更加可复现、可比较、可审计。

据悉，多家具身智能头部企业已基于无影灵构AI工作站构建云上数据采集工厂和仿真评测，加速机器人的研发周期。

算力像水电一样，还需要最后一里路

从逐际动力与无影灵构的合作可以看出，整个具身智能行业研发方式正在发生剧烈变化。

越来越多机器人团队正在从「买设备、配环境、管服务器」，转向「按需调用算力、复用研发环境、云上协同开发」。

原因很简单，机器人研发天然需要大量试错。

但真实机器人测试成本高、周期长。

这也是为何逐际动力会将与无影灵构合作的第一站，放在仿真评测上。

但仿真只是起点。当机器人进入长期研发阶段，仅有算力还不够。

机器人团队还需要解决环境配置、模型训练、数据处理、真机部署等一系列问题。

换句话说，行业需要的不只是一台更大的服务器，而是一套完整的研发基础设施。

这也是为什么，机器人企业正在尝试把自身积累的工程经验进一步标准化。

今年4月，逐际动力正式开源「FluxVLA Engine」。

这是一个标准化具身智能大模型工程底座。

目标是让拥有真实场景数据的合作伙伴、用户，也能够自主完成数据处理、模型搭建、仿真评测和真机部署，大幅降低了VLA全研发周期的工程门槛。

某种程度上，它与无影灵构探索的方向形成了呼应。

据王姣阳介绍，无影灵构也在推动具身智能研发中各类零散的基础能力实现标准化。

包括高性能3D工作站、统一开发环境、行业镜像、算力调度以及企业级安全管理，让机器人团队不必重复搭建底层研发设施，而可以将更多资源投入到模型、算法和场景验证中。

两者关注的，其实都是降低具身智能研发门槛，只是切入角度不同。

FluxVLA Engine承载的是逐际动力在机器人研发过程中的核心经验。

从数据处理到模型训练，从仿真评测到真机适配，这些环节直接连接机器人能力迭代和最终产品表现，因此需要机器人企业持续沉淀。

谌骅也说，FluxVLA Engine和无影灵构代表了具身智能基础设施中不同方向的平台能力，双方完全可以在研发环境、工具链和基础设施层面展开更深的结合。

因为无影灵构并不参与机器人本体设计，也不替代企业定义模型路线，只是提供稳定的云上工作空间，让不同技术路线的机器人团队都可以更高效地开展研发。

直白点说，机器人公司负责回答「机器人应该如何工作」；无影灵构负责解决「研发这件事如何更高效完成」。

有没有觉得这条路径，和云计算的发展非常相似？

云计算没有替互联网公司创造产品，也没有决定应用应该如何创新。

但它把服务器、存储、网络这些过去需要企业自己建设的基础能力，变成了可以按需调用的公共资源。

最终，互联网公司的竞争焦点也从「谁有更多服务器」，转向「谁能做出更好的产品」。

而现在，具身智能行业也在经历类似变化。

当算力、环境和研发工具逐渐基础设施化，机器人公司的竞争重点，也将从「谁搭建了更多底层设施」，转向「谁能让机器人更快学会新技能，并真正进入真实场景」。

One more thing

技术本质上没有壁垒，壁垒是迭代速度，技术领先只是时间红利。

这是谌骅给出的判断。

在具身智能这个技术路线尚未收敛、各家都在快速试错的阶段，时间红利就是一切。

实际上，无影灵构在具身智能之前，已经在AIGC的3D内容生成、工业设计的实时渲染、影视广告的后期制作这些高算力3D场景里跑了好几年。

那些行业同样被高端工作站的采购周期折磨，同样面临项目来了缺算力、项目走了机器闲置的窘境，同样需要在云端完成低延迟的3D交互。

只不过，具身智能对这套基础设施的要求更苛刻：

仿真场景的3D交互要更实时，ROS2和Isaac Sim的镜像要更完整，数据安全策略要更严格，算力弹性要更灵敏。

从这个角度看，具身智能更像是高算力3D云工作站的一个极限考场。

基础设施从来不抢主角的戏，它只是把已经铺好的路，往更多需要的地方多修一程。

具身智能恰好是这一程里，目前最着急赶路的那批人。