具身智能落地遇瓶颈，腾讯云提供云上算力存储网络底座
在人工智能领域，具身智能正成为新的发展焦点，相关行业大会上，英伟达宣布扩展其机器人开发平台，将模型、数据、仿真工具与计算系统整合推进，甚至提出机器人的「ChatGPT时刻」正越来越近。
不过，具身智能的落地仍面临诸多现实阻碍。研发团队在推进项目时，常遇到GPU已准备就绪，但数据尚未到位；模型等待更新，原始视频还未完成处理；训练启动后，多机同步又出现卡顿的情况。AI算力看似充足，却难以持续高效运转，这让不少研发团队陷入困境。
2026年10月29日至30日，一场行业大会在深圳举办，其中算力与云基座专场聚焦具身智能的基础设施需求。相关负责人指出，没有可靠的底层支撑，人工智能就如同在浮沙之上建造高墙，其智能与决策中枢终究需要回归云端。过去互联网的发展路径印证了分布式体系的重要性，人工智能也不例外，强大的AI系统无法长期局限于个人设备，必须依托云端成熟的计算、存储与网络体系。
针对具身智能的需求，云端相关服务推出了全新的产品系列，将面向不同场景的云端智能体产品整合为统一家族，服务个人、开发者与企业，让团队的使用更有序、投入更合理，将复杂的底层准备工作交由平台完成。
具身智能对云端基础设施的依赖远超其他领域，计算、存储、网络三大核心要素在具身场景下有了新的要求：计算需保障算力稳定高效运行，存储要满足海量数据及时输入训练的需求，网络则关乎大规模集群的协同效率。
在这场大会上，三家具身智能相关企业的落地实践，结合计算、存储领域的产品方案，以及集群通信与网络传输能力，共同呈现了云端基础设施在具身智能领域的应用成果。
多家企业在推进具身智能项目时，都面临算力选择与使用的难题。一方面，更换芯片并非简单替换接口，需要适配框架、调整算子，反复优化性能，不少团队迁移后发现模型虽能运行却效率低下；另一方面，算力投入成本高，多机训练时资源常出现空转，数据处理、仿真、训练的需求交替出现，固定配置的集群要么闲置要么排队。而具身智能的特性，进一步放大了这些问题。
相关负责人介绍，当前机器人仅能完成约10%的结构化任务，90%的非结构化任务仍无法替代；单一客户的数据量从几十万小时增长到几千万小时，训练需求提升3倍以上；上万台机器人各自试错，群体经验的复用率仅为0.01%。因此，具身智能的核心需要依托云端支撑，而相关服务的定位是不干预企业的算法研发，仅接管企业不愿处理的调度工作，为此搭建了三大算力底座。
数据底座负责将原始数据转化为训练集，采集的原始数据中仅约5%可直接用于训练，其余需先清洗处理，这一环节由相关工具承接。企业可将自有算子打包为镜像接入，无需重写业务逻辑，没有算子则可使用平台提供的自研算子，环境部署、步骤衔接、CPU与GPU的配置均由平台负责，企业只需提交任务并获取结果。
训仿底座针对具身智能的训练需求，解决算力适配与使用的问题，分为三个步骤：一是快速迁移，通过优化算子将模型迁移至国产芯片，迁移速度提升2倍，部分团队的训练任务两周内完成迁移，吞吐效率提升超30%，叠加加速后提升约52%；二是快速训练，通过训练加速套件，在国产芯片千卡规模实测中性能提升至少22%；三是稳定运行，通过训练前预检集群、训练中监控，减少91%的停训排障时间。强化学习仿真也可依托这一底座运行，企业可保留自有仿真环境与奖励设计。
推理底座打通具身应用的最后环节，机器人与接触对象往往在一米范围内，任务需在百毫秒级完成。相关服务推出的算力背包，将算力与模型打包，机器人通过订阅接入，用API或SDK调用，无需自行采购与运维算力，相关集群通过认证，提供全链路加密，数据全程由企业掌控。
除了计算与训练，数据处理的效率也成为具身智能的瓶颈。多家企业面临数据杂乱、高价值数据难以提取的问题，而算法、算力已逐渐收敛，各企业的差距主要体现在数据的质量、来源与总量，这些决定了具身智能能力的上限。
针对数据流转的问题，相关服务打造了数据飞轮模式，将采集、处理、训练、真机验证形成闭环，持续优化。支撑这一模式的是三层架构：底层是统一的对象存储底座，可容纳多种格式的数据，单集群可管理百EB级数据，同时通过多元介质分层存储控制成本；中层是数据流转的加工管道，提供数据处理、标注、检索等多种能力，支持跨区域数据复制与加速；顶层是贴合计算的加速器，解决存储与计算之间的性能差距，提升数据读取效率。
通过这套架构，标杆客户的数据处理时间减少35%，GPU利用率提升至90%以上，训练时长缩短30%以上，存储成本下降30%以上。多家企业已应用这套方案，实现了数据跨区域共享、潮汐算力利用等效果，大幅提升了数据处理效率。
数据传输到位后，多机协同也需解决网络问题。具身模型规模扩大，集群规模随之增长，成百上千台机器协同训练，通信延迟或网络波动都会影响整体效率。相关服务通过自研的集合通信库优化集群内协同，同时针对跨地域数据传输，通过多链路负载均衡提升带宽利用率，降低成本。
从生成世界的模型，到具身大模型，再到家庭机器人，不同企业面临的核心难题相似：算力稳定、数据高效、网络通畅。任何环节的卡顿都会影响模型进展，而计算、存储、网络的协同，正是具身智能落地的关键。
当前具身产业的竞争重心正在转移，过去比拼机器人的动作精度，未来将比拼数据飞轮的运转速度、模型迭代的频率与能力复制的广度。企业可自主开发本体与算法，但数据采集、训练仿真到部署的长链路，正逐渐交由云端承接。当底层支撑不再成为瓶颈，机器人从研发到应用的距离将不断缩短，其真正落地的日子或许并不遥远。
