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」迎来收官，选手们正在云端完成最后一轮机器人仿真评测。

他们打开浏览器，登录一台部署在云上的工作站，操作Isaac Sim中的机械臂场景，旋转视角、调整参数并生成训练数据。

这样的场景如果放在3年前，几乎很难落地。

筹备一场类似的机器人比赛，光是寻找场地、配置工作站和准备设备，往往就要耗费1个月左右。

机器人训练并不是打开电脑写几行代码那么简单。

背后往往需要Isaac Sim、NVIDIA Omniverse等仿真平台，需要GPU算力支撑，还涉及多版本软件、驱动程序和开发工具链的统一部署。

一场创学营办下来，每增加一名选手，都会对主办方的环境部署、硬件采购和算力资源管理提出更高要求。

更现实的问题是，活动结束后，这些高性能设备很可能长期闲置。采购得越多，资源浪费也越明显。

逐际动力选择了另一种更高效的方案。

借助阿里云旗下AI创研算力平台无影灵构的云上工作站，选手可以快速接入统一的机器人研发环境，算力资源也能根据实际任务弹性分配，无需提前采购大量固定设备。

这场演练表面上是在探索「机器人如何变得更聪明」，背后真正考验的，则是「如何让机器人研发更高效」。

为什么训练一个机器人，这么费机器？

大模型的发展，让机器人开始具备理解、推理甚至决策能力。

但从“能对话”到“能干活”，中间还要经历一整套复杂流程：遥操作数据采集、算法调试、仿真训练以及真机部署。

与数字世界中的AI不同，机器人面对的是一个高度复杂且持续变化的真实环境。

它需要理解空间关系，需要感知物体状态，需要预测动作结果，还要在真实场景中不断试错和修正。

而这些核心能力的背后，都离不开大量计算资源支撑。

图片由AI生成

这也解释了为什么，具身智能的竞争从来不只是模型参数的竞争，更是一场围绕算力、数据与工程效率展开的长期比拼。

逐际动力联合创始人兼CTO谌骅告诉量子位，过去两年，公司研发团队对算力的需求粗略增长了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，只是问题的一部分。

更大的变化在于，机器人研发正在从单点式实验，走向复杂的工程化协同。

过去，一名算法工程师只要拥有一台高性能工作站，并完成环境配置，就可以独立推进部分研发任务。

但如今，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、多角色协作和真机验证。

研发资源不再只是「一台机器」，而是一整套持续运转的研发基础设施。

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，机器人时代正在催生第三朵云。

这一次，云要解决的不只是计算资源问题，而是要让算力、开发环境和3D交互能力，一起进入机器人研发流程。

说到底，为什么机器人研发会“逼”出第三朵云？

一个机械臂抓取物体，看起来只是伸手、移动、拿起几个动作，但背后需要理解物体的位置、形态、重量、摩擦力以及周边环境变化。

一个人形机器人行走，也绝不是简单输出几个动作指令，而是需要持续调整重心、处理身体平衡、关节控制与空间反馈。

尤其在人形机器人研发中，3D仿真环境往往要同时处理复杂场景、机器人运动和物理交互，对图形计算能力提出了更高要求。

这使得机器人研发天然成为一个高算力行业。

但过去，支撑这类研发工作的基础设施并没有跟上产业发展速度。

此前，行业里通常采用“采购工作站—安装软件—配置GPU环境—逐台维护”这套模式。

工程师要搭建一套可用的开发环境，往往得登录集群，通过命令行一步步安装软件、配置依赖、下载库文件、编译程序，再启动各项服务，整套流程经常要耗费四五个小时。

这几乎可以说是一种「折磨」。

麻烦还不是最关键的，真正的问题在于：当团队规模较小时，这套方式尚且勉强可用；可一旦团队扩大、任务增多，就越来越难适应快速变化的研发节奏和不断扩张的组织规模。

谌骅也表示，在实际工作中，团队在仿真环境配置和训练资源调度上，总会碰到各种各样的小问题。

例如CUDA、ROS2、Isaac Sim等工具链组合复杂，依赖库和驱动之间极易发生版本冲突；

再加上软件和仿真器更新迭代很快，团队内部多台本地工作站硬件型号又不一致，很难做到全设备开发环境完全统一。

甚至新人入职，或者临时引入外包人员进场，也要从零开始下载、编译并调试整套开发环境。

「单人配置耗时长达大半天，这些都是机器人研发里的隐藏成本。」

此外，外包协作和跨地域研发还带来账号管理、数据权限、审计追踪以及离场回收等压力，这也是具身智能公司必须正视的现实问题。

因此，拥有一个可在云端灵活调用、支持弹性扩容、开箱即用且具备安全保障的工作站，已经迫在眉睫。

把工作站搬上云之后

在与多家具身智能企业交流后，张献涛发现，当行业进入工程化阶段，环境、算力、数据、仿真这些基础问题，几乎每家公司都在重复搭建。

「这背后不是谁愿意重复造轮子，而是这一层还没有真正变成标准件。」

在他看来，共性越强的部分，就越应该尽早沉淀为标准化能力。

无影灵构要承载的，正是这些共同需求：把具身智能研发现场搬到云端，让环境按需复用，让算力随任务调度。

「本体、模型、数据和真实场景，始终应该掌握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进行了一次深入交流。

尽管逐际动力很早就与阿里云建立了长期合作，但此前双方主要依托PAI平台和通用GPU算力，完成大规模模型训练相关的底层算力合作。

而这一次，双方讨论的问题聚焦在具身智能研发全链路中的前端工程痛点：

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。

这四个问题的背后，又共同受到环境碎片化、算力错配、成本压力和安全治理等因素影响。

过去，机器人团队往往需要自行搭建完整的研发环境。

采购GPU工作站、安装CUDA和ROS2、配置Isaac Sim、管理不同版本依赖，再把数据在本地与云端之间反复搬运。

对于成熟团队来说，这是一笔长期持续投入；而对于高速成长的机器人公司而言，这更像是一种重复建设。

无影灵构给出的思路，是把过去摆在办公桌上的高性能工作站整体迁移到云端。

将GPU、仿真环境和数据盘等重型计算单元全部上云，工程师只需通过轻量终端设备，经由网络串流画面来操作云上工作站。

对工程师而言，最直接的变化首先体现在环境交付效率上。

机器人研发环境最大的难点之一，就是复杂度极高。

CUDA版本、驱动版本与仿真软件版本之间存在大量依赖关系。一台机器能跑通，并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开发环境，时间成本会非常高。

无影灵构会提前把机器人研发所需的软件和驱动打包，制作成固定模板镜像。

想新增开发机器时，一键复制模板即可；新人登录账号后，打开就能使用完全一致的环境，无需自己反复折腾安装。

谌骅表示，过去团队在本地配置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，则可以直接选择现成镜像启动。

「半小时就能开工，很少出故障，稳定很多。」

这不仅节省了安装和配置时间，也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，则是另一个关键变化。

机器人研发天然需要大量试错和反复迭代。

无论是算法调优、仿真训练还是模型评测，不同阶段对GPU算力的需求都不相同。

在传统模式下，企业通常只能按照峰值需求采购硬件。

结果就是：任务高峰时GPU永远不够用；而空闲阶段，高价值设备又长期闲置。

更棘手的是，显卡和GPU硬件更新换代非常快，一次性投入几千万自建算力中心，过两年硬件升级，前期投入很容易迅速贬值。

云端工作站改变的，正是算力获取与使用方式。

据无影灵构产品经理王姣阳介绍，企业可以根据不同任务场景灵活选择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，再及时释放资源。

「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。

但对于具身智能行业来说，仅仅解决算力供给还远远不够。

云端工作站能否真正落地，关键还要看云上的机器人研发体验，能不能接近本地工作站。

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是否好用，关键还是看工程师能否“感觉不到GPU在远端”。

以机器人仿真训练为例，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，并观察运动结果。

任何一个环节出现明显延迟，都会直接影响调试效率和研发节奏。

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云计算能力问题，而是云端3D工作站的完整体验。

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、终端解码以及输入回传进行了整体优化，让云端GPU完成渲染后，能够将画面实时传输到本地终端。

在现有Isaac Sim对比测试中，这种差异表现得更为明显。

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

但当操作复杂度提升到模型文件拖动和旋转场景时，WebRTC帧率下降到约22fps，而无影仍能保持约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？

意味着工程师在旋转机械臂模型、调整仿真场景时，不会因为云端传输而产生明显卡顿或迟滞。

除了画面流畅度，带宽利用效率也是云端工作站能否大规模使用的关键指标。

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，意味着可以支持更多研发人员远程接入云上工作站。

再看弱网环境下，无影灵构的表现同样相当稳定。

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%。

即使发生断网，系统也支持自动恢复与重新连接。

这些可量化的技术指标表明，云端工作站正在从单纯的「远程GPU」，进化为真正的「机器人研发基础设施」。

图片由AI生成

别看只是把工作站搬到了云上，似乎只是换了台机器的位置，但无影灵构AI工作站实际上要同时解决四件事：

环境交付——将CUDA、ROS2、Isaac Sim这套极易冲突的工具链预先封装为行业镜像，实现一键复制；图形算力——支持3D仿真场景在云端完成渲染并串流到本地，同时确保工程师拖动视角时仍具备实时操作手感；弹性调度——可在高峰期按分钟级扩容至上百台，待项目结束后立即释放资源；安全治理——做到数据不落地、权限可管控，并在外包人员离场后即时回收相关权限。

这四件事中，前两件是技术门槛，后两件是工程门槛，缺一不可。

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建设。

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中，并通过统一的权限、版本和运行记录，使研发流程更加可复现、可比较、可审计。

据悉，多家具身智能头部企业已经基于无影灵构AI工作站构建云上数据采集工厂和仿真评测体系，以加快机器人研发周期。

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中可以看出，整个具身智能行业的研发方式正在发生明显变化。

越来越多机器人团队正从「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」。

原因并不复杂，机器人研发本身就需要大量试错和持续迭代。

但真实机器人测试成本高、周期长。

这也是为什么逐际动力会把与无影灵构合作的第一站，放在仿真评测上。

不过，仿真只是起点。进入长期研发阶段后，机器人团队需要解决的，不只是算力问题。

他们还要面对环境配置、模型训练、数据处理、真机部署等一系列研发挑战。

换句话说，行业真正需要的不是一台更大的服务器，而是一整套完整的机器人研发基础设施。

这也解释了为什么，越来越多机器人企业正在尝试将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」。

这是一个标准化的具身智能大模型工程底座。

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

某种程度上，这与无影灵构正在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基础能力的标准化。

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建设底层研发设施，而能把更多资源投入到模型、算法和场景验证中。

两者所关注的，本质上都是降低具身智能研发门槛，只是切入点有所不同。

FluxVLA Engine承载的是逐际动力在机器人研发过程中的核心工程经验。

从数据处理到模型训练，从仿真评测到真机适配，这些环节直接关系到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。

谌骅也表示，FluxVLA Engine和无影灵构分别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入的结合。

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，它只是提供一个稳定可靠的云上工作空间，让不同技术路线的机器人团队都能更高效地开展研发。

直白地说，机器人公司负责回答「机器人应该如何工作」；而无影灵构负责解决「机器人研发如何更高效地完成」。

有没有觉得，这条路径与云计算的发展轨迹非常相似？

云计算并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行建设的基础能力，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「谁拥有更多服务器」，转向「谁能做出更好的产品」。

而现在，具身智能行业也正在经历类似的变化。

当算力、开发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，并真正进入真实应用场景」。

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。

在具身智能这条技术路线尚未收敛、各家公司都在高速试错的阶段，时间红利几乎就是一切。

事实上，在切入具身智能之前，无影灵构已经在AIGC 3D内容生成、工业设计实时渲染、影视广告后期制作等高算力3D场景中运行了好几年。

这些行业同样长期受困于高端工作站采购周期长，也同样面临项目来了算力不足、项目结束后设备闲置的问题，并且同样需要在云端实现低延迟的3D交互体验。

只不过，具身智能对这套基础设施提出了更苛刻的要求：

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，算力弹性调度也要更敏捷。

从这个角度看，具身智能更像是高算力3D云工作站的一场极限大考。

基础设施从来不会抢主角的戏，它只是把已经铺好的路，继续向更多真正需要它的地方延伸。

而具身智能，恰好就是这条路上当下最急着赶路的一批人。