新智元报道
新智元报道
老黄又给具身智能打了一针鸡血。
GTC柏林大会上，英伟达官宣扩展Isaac机器人开发平台，模型、数据、仿真工具和计算系统一起上阵。
老黄甚至直接放话，机器人的「ChatGPT时刻」越来越近了。
可问题来了，机器人到底哪天才能真正上岗？
人们盯着灵巧手和机械腿，研发团队还得盯着另一块屏幕：训练任务，怎么又停下来了？
GPU已经备好，数据还在路上。模型等着更新，原始视频还没处理完。等一轮训练好不容易跑起来，多机同步结果的时候，直接又堵死了。
AI很忙，算力却未必一直在有效干活。
就在10月29日至30日，2026腾讯全球数字生态大会在深圳开幕。
在算力与云基座专场，做世界模型、具身大模型和家庭机器人的公司，摆出了各自的探索，也摊开了背后的基础设施需求。
腾讯云副总裁李力在现场说，「没有Infra的AI，就是浮沙之上筑高墙」。
在他看来，AI的智能和决策中枢，终究要回到云上。过去几十年互联网的发展，走的就是这条路：从个人电脑上的单点，走向分层的分布式体系。AI也一样——没人能把最强大的AI一直塞在自己的电脑里，它最终要回归到云上成熟的计算、存储、网络体系当中。
Agent正在加速上云。腾讯云在现场发布全新品牌Agent Hosting，将面向不同场景的云端Agent产品汇聚为一个产品家族，服务个人、开发者和企业，让团队使用有序、投入有据，把复杂的准备做在背后。
李力在致辞中谈到，腾讯云已经做了不少Agent云上托管的尝试。这些探索着眼于如何让Agent在云上稳定运行，让Agent体系及其管理像互联网一样实现工业化。
而具身智能，对云上AI Infra的依赖更深。计算、存储、网络这三项Infra的经典话题，在具身智能这里有了新的命题：
-
计算，决定算力能不能稳定、高效地跑起来；
-
存储，决定海量数据能不能及时喂进训练；
-
网络，决定大规模集群能不能协同好。
本次生态大会上，三家具身智能公司的落地实践，计算、存储两大模块的产品与方案，以及HCCL和AI Link提供的集群通信与网络传输能力，共同呈现了这份「三科合卷」—— 腾讯云AI Infra在具身智能领域的最佳实践。
给AI一张图片，它就能把画面扩展成一个可交互的空间。
按下WASD，可以控制方向、切换视角；用自然语言，也能实时驱动其中的变化。
这是Manifold AI流形空间，带到现场的世界模型成果之一。
在机器人方向，团队也在探索一种更直观的学习方式：让机器人看一次人类示范，再尝试完成新任务。
流形空间创始人、CEO武伟以系鞋带为例，介绍了通过一次示教进行推理的探索。部署中产生的反馈，还能回流用于模型持续改进。
这样的模型，背后是一轮又一轮的大规模训练。
而流形空间选择的，是在国产算力上训。
武伟介绍，双方从算子和基础设施层面联合优化，用了约两周，将相关训练性能提升近3倍。目前，由512颗国产芯片组成的算力集群实现了稳定训练，下一步将持续扩容。
在他看来，过去这类优化大多只能靠团队自己摸索；和腾讯云一起从算子层、Infra层往上调，才让团队对国产算力有了信心。
流形空间的故事，其实说出了很多具身团队都要过的两道坎。
第一道，算力怎么选。如今，越来越多团队在寻求多元化的算力，也在推进国产算力的适配和采用。可换一种芯片，不是换个插头那么简单：框架要兼容，算子要适配，性能还得反复调优。不少团队迁完才发现，模型「能跑，但跑不快」。
第二道，算力怎么用好。算力是一笔不小的投入，多机训练时却常有资源空转；数据处理、仿真、训练的需求此起彼伏，固定配置的集群不是闲置，就是排队。
而具身智能，恰恰把这两道坎都放大了。
大会现场，腾讯云异构计算产品副总监黄阳给了一组数字：现在的机器人只能完成约10%的结构化任务，剩下90%的非结构化任务还没法替代；单一客户的数据量，已经从几十万小时涨到几千万小时，训练需求增长3倍以上；上万台机器人各自试错，群体经验的复用率只有0.01%。
用他的话说，本体的尺度，装不下智能的尺度。所以，具身大脑得长在云上。
黄阳给腾讯云的定位也很干脆：不碰你的算法，只接管你不想管的调度。为此，腾讯云搭起了三大算力底座。
数据底座，把原始数据变成训练集。
采集上来的原始数据，只有约5%能直接用于训练，其余都要先清洗处理。这一层由HAI DataFlow和数据万象承接。
客户自己的算子，可以打包成镜像接进来，业务逻辑不用重写；没有算子，就用数据万象提供的腾讯云自研算子。环境部署、步骤衔接、CPU和GPU怎么配，都交给云，团队只管提交任务、拿结果。
训仿底座，对付的正是流形空间碰到的那两道坎。
所谓算子，可以理解成模型计算里的基本工序。某道工序没适配好，硬件再强也难充分发挥。再加上框架兼容、集群通信和运行稳定性，每个环节都会拖慢进度。腾讯云在这里分三步走：
-
迁得快：HCC多芯算力配合AI算子优化Agent，把模型从原方案迁到国产芯片，迁移速度提升2倍。一家头部具身模型团队的VLA训练任务，两周内完成到国产芯片的迁移，开箱吞吐提升约30%，叠加HyperAcc加速后提升约52%；
-
训得快：HyperAcc训练加速套件一行代码开启，在国产芯片千卡规模实测中，性能提升至少22%；
-
跑得稳：HyperTrace在训练前预检整个集群，训练中旁路采集和监控，停训排障减少91%。
强化学习仿真也跑在同一套底座上，企业保留自己的仿真环境和奖励设计。
推理底座，打通具身应用的「最后一米」。
机器人和它要接触的对象，往往就在一米之内，任务要在百毫秒级完成。
高性能应用服务HAI推出的算力背包，把算力和模型打包在一起，机器人通过订阅接入，用API或SDK调用，不用自己采购和运维算力。AI可信集群拿到了信通院认证，提供全链路加密，数据全程在客户自己手里。
企业专注教会机器人，云负责把算力用好。
算力的问题解决了，下一个瓶颈紧跟着出现：数据。
RoboScience机器科学自研具身大模型Visics，每周新增数十万小时的仿真与视频数据。视频、图像、3D点云、真机回流，格式五花八门；北京、南京两地还各有标注集群。
做家庭机器人的元点Zeroth，则是另一种烦恼：机器人7×24小时在线，视频、语音和传感器日志源源不断，其中大量是重复的无效动作，团队内部管这叫「dirty data」。
一个是数据太杂，一个是高价值数据太难找，指向的却是同一个痛点。
在算法、算力、数据这「模型三要素」里，前两者正在快速收敛：主流算法路线大同小异，算力也越来越多元、越来越容易获得。
所以，腾讯云存储产品解决方案总监、首席技术专家温涛直言，「各家具身公司真正能拉开差距的，是数据的质量、来源和总量，这些决定了具身智能能力的上限」。
可数据从采集到训练，要经过清洗、格式转换、标注、权限与版本管理、交付，任何一环卡住，海量数据就喂不进GPU，算力只能干等。
腾讯云给出的解法，是让数据飞轮转起来：采集、处理、训练，再到真机验证，哪里做得不好，就带着问题开始下一轮。支撑这个飞轮的，是三层架构。
底层：存得下，也存得起
对象存储COS是统一底座。真机、仿真、互联网视频、BAG、LeRobot、MCAP、HDF5等格式都能直接装；单集群可管理百EB级数据，可用性达99.995%，持久性达12个9。
成本同样要算。腾讯云用磁带、QLC、TLC多元介质加冷热分层，该热的放热层，该冷的放冷层，仅COS磁带存储就已累计超过2000PB。
中层：数据流转的「加工管道」
数据万象Robo-Suit提供质检、拆分、标注、重建、检索、脱敏6类算子、100多项能力；MetaInsight支持以文搜图、以图搜图，召回率95%以上。
再加上跨账号、跨园区复制和全球加速，格式转换、权限管控、数据定向交付，都在这一层完成。
顶层：贴着GPU的加速器
对象存储擅长大规模、低成本，和GPU训练之间却隔着一道性能的沟。
数据加速器GooseFS补上了它：单客户端吞吐40Gbps、时延亚毫秒级，热点数据就近缓存、反复读取零回源。新发布的COS Express，读取吞吐达到标准对象存储的10至20倍；高并发、海量小文件的训练场景，则交给全NVMe的并行文件系统CFS Turbo。
三层连起来，标杆客户的实测数据是：数据处理时间减少35%，GPU利用率提升到90%以上，训练时长缩短30%以上，整体存储成本下降30%以上。
再看开头的两家公司。
机器科学创始人兼CEO田野定了一条硬标准：一份数据，多地共享。腾讯云用COS在南京建起统一数据湖，北京、南京跨地域直读同一份数据，省下了两地各建一套高性能存储的数千万元投入；训练侧用CFS Turbo配合400Gbps级RDMA，减少数据等待。
双方还共创了潮汐算力：白天训练，夜里闲置的GPU跑VLM预标注，标注效率提升5到10倍。
元点Zeroth用COS在上海、北美、欧洲多个园区承接PB级数据，智能视图计算平台支撑远程看护的实时查看与回放，MetaInsight帮工程师快速捞出高价值片段。
用联席CTO李元庆的话说：相比一小时重复无效动作，一分钟高密度交互往往更有价值。
数据既要存得下，也要及时读得到。否则，算力再强，也只能等米下锅。
数据送到位，多台机器之间还得配合好。
具身模型越训越大，集群也越拉越大，训练得靠成百上千台机器一起干。单机再强，只要通信慢一拍、网络抖一下，整个集群都得陪着等。
就像一群人合写报告，每人都写得快，汇总时堵在一个窗口，报告照样交不出去。多机配合不好，算力堆得再多也是白搭。
腾讯云给出的答案，是自研的集合通信库HCCL。它配合星脉网络，优化端口流量均衡，并在多任务并发时感知拥塞、动态切换路径。其中，端口均衡优化带来了40%的AllReduce通信带宽收益。
落到具身场景里，一家具身智能公司的真实案例，使用HCCL后，模型端到端性能提升13%。集群之外，具身数据还需要跨地域流转。
一家具身智能客户要把数据在多个节点之间进行调度，原有自建链路难以满足快速扩容需求。
腾讯云AI Link通过多链路负载均衡，组合调度自有骨干网、合作伙伴网络和公网组合，再通过QoS队列分级，将空闲带宽用于大规模数据传输，拥塞时优先保障关键业务。在这一案例中，可交付带宽增至原来的5倍，单位成本降低50%以上。
从集群内协同到跨地域数据传输，两者共同要减少的，都是算力的等待。
从会生成世界的模型，到靠海量数据喂大的具身大模型，再到走进客厅的家庭机器人，流形空间、机器科学、元点三家做的事各不相同，碰到的难处却很像：算力要稳，数据要快，网络要通。
哪一环掉链子，模型就只能干等。
回头看，计算、存储、网络三条线，答的其实是同一道题：具身智能从实验室走向产业，基础设施的复杂度由谁来扛。谁扛得稳，谁就落地得快。
三科合卷，考的不是哪一门的单科成绩，而是计算、存储、网络能不能拧成一股绳。三家具身公司交出的成绩，就是腾讯云AI Infra在具身智能赛道上的最佳实践。
放到整个具身产业来看，竞争的重心也在悄悄转移。过去比的是谁的机器人走得更稳、抓得更准；接下来比的，是谁的数据飞轮转得更快、模型迭代得更勤、能力复制得更广。
本体可以各家自己造，算法可以各家自己写；但从数据采集、训练仿真到部署上线的这条长链路，正越来越多地交给云来承接。
当底座不再拖后腿，机器人从「造出来」到「用起来」的距离，就会被一点点缩短。
机器人真正上岗的那一天，或许并没有想象中那么远。
点击「阅读原文」，直击2026腾讯全球数字生态大会「算力与云基座专场」完整回放。
编辑：桃子
