具身智能基础设施收敛，百度推全栈方案
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载能力量产看三项指标
沈抖在9月16日的2026智能经济论坛上，对智能体的能力边界给出了一个判断框架。他把“能力量产”定义为：一项已经被验证的技能，能够以稳定且可控的成本复制到更多场景中去。这一定义把讨论从单点演示拉回到可复制的工程问题。衡量执行是否稳定，他给出三个观察维度：任务成功率、人工接管率以及单位任务成本。三者合在一起，才能说明一项能力是否真正具备量产条件。对于具身智能，他提出执行过程中产生的数据需要回流到模型，让模型持续迭代，而不是一次训练后固定不变。机器人最终能做什么，取决于本体、模型、数据与AI Infra，以及真实场景的共同作用，缺少任何一环都难以形成闭环。
全栈链路缩短迭代周期
在沈抖的描述中，算力、数据采集、仿真和部署如果各自分散，链路上的环节会互相拖慢迭代速度。全栈基础设施的作用，是把数据、训练、评测、推理和反馈串成一条链路，减少环节之间的等待与重复。应茹提到，技术路线尚不确定时，AI Infra应保持通用和灵活，以适应不同方向的探索。当前VLA、世界模型、全身运动控制等模型路线仍在并行演进，没有收敛为单一方案。训练节奏的差异很直观：有人一周能跑3轮训练，有人3周才跑完一轮。百度百舸把数据准备、训练、仿真评测和推理部署接入同一工作流，试图压缩这种节奏差距。SONIC训练配方开源后，百舸可以一键扩展到128卡训练规模；针对WAM推理瓶颈优化后，延迟降到原来的四分之一。
具身大脑的全栈支撑
无界动力自研了快慢结合的MWA具身大脑，围绕性能、技能和泛化三个方向推进。百度百舸为MWA具身大脑提供全栈支持，训练有效时长超过99.5%。这一数字反映的是训练过程被中断或浪费的时间很少，对需要持续迭代的具身模型来说，直接关系到每一轮实验能否按时产出结果。具身数据包含视觉、动作、力觉等多种模态，并且与本体和任务现场高度绑定，这意味着数据难以脱离具体场景单独积累。数据回流模型、模型再回到场景执行，形成循环，才能让技能逐步稳定并复制到更多场景。对读者而言，判断一个具身智能方案是否成熟，可以看它能否在真实场景中稳定执行，以及训练与部署链路是否足够紧凑。
为什么值得看
揭示具身智能从单次成功迈向稳定复制的基建关键，百度方案提供工程落地参考。
信源1 家
关键事实
相关 · 观点
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。