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」

上周五，逐际动力线下黑客松实训大赛「创学营2026」收官，选手们打开浏览器登录云端工作站，在Isaac Sim里旋转机械臂场景、调整参数、生成数据，跑完最后一轮仿真评测——这一幕在三年前几乎难以想象，此前筹办类似比赛光是找场地、配机器就要耗费一个月。

机器人训练远不是打开电脑写代码那么简单：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。逐际动力联合创始人兼CTO谌骅告诉量子位，过去两年，公司研发团队的算力需求增长了5到10倍，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，机器人研发正从单点实验走向复杂工程协作：一个完整的具身智能团队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，研发资源不再是「一台机器」，而是一整套持续运行的基础设施。

传统模式显然跟不上了。业内此前普遍采用采购工作站、安装软件、配置GPU环境、逐台维护的路径，工程师搭建一套可用开发环境经常要耗费四五个小时；CUDA、ROS2、Isaac Sim等工具链组合复杂，依赖库与驱动之间极易出现版本冲突，新人入职甚至要从零开始下载、编译、调试全套环境，单人配置耗时长达大半天。

阿里云给出的方案是无影灵构AI创研算力平台：把GPU、仿真环境、数据盘等重型计算单元全部搬上云，工程师只用轻量设备通过网络串流画面操作云端工作站。无影灵构提前把研发机器人所需的软件和驱动打包成固定模板镜像，新增开发机器一键复制模板，新人登录账号即可使用完全一致的环境，谌骅形容半小时就能开工，很少出故障。

算力弹性是另一个关键变化。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，遇到训练营、大规模测试等高峰期快速扩容，项目结束后再释放，不必再按峰值需求采购硬件，也避免了重金自建算力、硬件快速过时的浪费。

衡量云端工作站是否好用，关键看工程师能否感觉不到GPU在哪里。在现有Isaac Sim对比测试中，模型文件拖动旋转等复杂操作下，无影自研ASP流化协议可维持约29fps，而NVIDIA WebRTC streaming降至约22fps，帧率提升约32%、达到满帧水平97%左右；相同操作下无影平均带宽约1.9Mbps，相比WebRTC方案降低约50%。

逐际动力与阿里云此前已有长期合作，但多依托PAI平台和通用GPU算力完成大规模模型训练；今年3月，双方围绕具身智能研发全链路的前端工程痛点深入沟通——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。目前合作主要集中在模型训练、仿真评测和云上研发环境。

谌骅的判断是，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。当基础设施逐渐公共化，机器人公司的竞争重点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。