随着具身智能走向持续闭环迭代,算力需求正从硬件自建转向弹性云端调度。英伟达与国内外智算厂商纷纷入局,通过异构算力池化与协同调度支撑复杂仿真与训练,计算基础设施已成为决定物理AI迭代效率的关键。
物理AI的产业热潮,正逐渐从机器人本体向计算底座快速扩散。
过去一年,人形机器人与四足机器狗相继走进工厂、仓库与门店。业界关注的焦点也发生显著转移:从单纯关注“机器人能完成什么动作”,走向深入探讨“如何让技能执行越做越准”。
决定这一演进的关键并不只在本体机械结构,更在于背后的计算系统:数据流如何运转、仿真在哪里执行、模型以何种周期更新、算力如何适配研发节奏,这些课题远非增加几台服务器就能解决。
NVIDIA 早前提出了“三台计算机”架构:一台负责基础模型训练,一台在数字孪生与仿真环境中验证技能,第三台则部署在本体端侧负责执行。Omniverse、Isaac 与 Cosmos 等平台,正是为了将训练、仿真与终端计算打通为完整链路。最新财报显示,NVIDIA 数据中心业务收入同比增长 117%,物理AI正成为计算平台全新的增长极。
但纯虚拟仿真仍无法完全替代真实物理环境。正如 Neura Robotics 创始人 David Reger 所言,数字孪生与现实世界存在鸿沟,机器人必须在真实场景中采集动作、触觉与声音等多模态数据,这些反馈随后又将反哺下一轮训练与仿真。
由此,物理AI构建起高频迭代的研发生态:数据采集、仿真模拟、模型训练、强化学习、推理与真机验证形成完整闭环。由于各阶段对计算架构与资源密度的需求动态波动,传统的固定算力配置很难满足研发节奏。
研发范式的转变正在重塑算力采购模式。相比高昂的一次性自建与长期持有成本,按需调用、弹性扩缩的云端算力成为机器人企业的主流选择。
国内机器人企业对这种痛点体会尤为深刻。宇树科技创始人王兴兴指出,本体在空间、电池与散热上的物理限制决定了端侧算力上限,适合在云端运行的任务应尽量上云,通过云端实时调配获取更高灵活性;真机数据则是闭环中不可或缺的养料,机器人越智能,对云端后盾的依赖越深。智元机器人方面也透露,其训练集群已接近万卡规模,算力主要采用租赁模式,以控制重资产投入并保留扩容弹性。
对头部团队而言,算力评估的逻辑已经从“自建多少张加速卡”,转变为“能否在研发峰值随时调动充足资源”。具身智能研发呈现明显的脉冲特征:大模型训练、仿真和强化学习阶段算力需求暴涨,而验证阶段需求迅速回落。自持资产容易造成闲置浪费,临时采购又会拖累研发进度。因此,能够统一调度、弹性交付且适配多场景的智算云服务顺理成章地走向前台。

资本市场已率先给出反馈。数据显示,CoreWeave 在 2026 年上半年营收同比增长 112%,全年算力产能早早被预订一空;国内智算基础设施服务商九章云极在同期云业务营收同比增长约 420%。新一代 AI 云厂商的高速扩张,直接折射出产业对即时可用计算资源的强烈需求。
然而,算力调用不仅要看规模,更考验实际利用效率。九章云极联合创始人兼 COO 尚明栋指出,评估算力产业的价值不仅要看建设体量,更要看资源是否真正服务于多元产业实体。算力正在从稀缺技术资源,演进为通用型基础生产资料。
面对算力碎片化难题,九章云极采取了分层承接的技术路线:

对于国内具身智能团队而言,芯片供应链的多样化带来了更为复杂的软硬件适配挑战。训练、仿真与推理各环节对算力特性的要求大相径庭,跨架构统一调度能力直接关乎综合研发成本与模型产出周期。
在实际落地中,这套弹性智算体系已经切入产业一线。在某头部世界模型厂商的联合测试中,智算云平台在仿真环境内高并发调度数千个虚拟机器人策略样本,显著加速了强化学习与安全边界验证;在汽车智能装配场景下,多阶段多任务的弹性调度同样大幅压缩了策略迭代周期。
花旗研究在《Embodied Intelligence: The Rise of Physical AI》报告中明确指出,数字孪生、真实世界数据闭环、仿真环境与底层计算软件生态,共同构成了物理AI演进的核心支柱。
从 NVIDIA 贯穿训练仿真与终端边缘,到海外 CoreWeave 深度融入研发管线,再到九章云极聚焦异构调度与工程化交付,产业各方路径各有侧重,但底层逻辑高度趋同:机器人本体确立了物理AI能力的物理边界,而计算基础设施则直接决定了其自我进化的加速度。
免费获取企业 AI 成熟度诊断报告,发现转型机会








关注公众号

扫码关注,获取最新 AI 资讯
3 步完成企业诊断,获取专属转型建议
已有 200+ 企业完成诊断