百度百舸 AI Infra 助力具身智能模型加速迭代¶

Ch01.960 百度百舸 AI Infra 助力具身智能模型加速迭代¶

📊 Level ⭐⭐ | 6.7KB | entities/百度百舸-ai-infra-助力具身智能模型加速迭代.md

来源: 百度Geek说

发布日期: 2026-02-02

原文链接: https://mp.weixin.qq.com/s/96cmhuymVdUUBDpG_C4p4Q

。

点击蓝字，关注我们

本文整理自百度智能云主任架构师应茹在文心 Moment 大会 2026·

上海站多硬件协同分论坛的演讲。

我今天分享的主题是：在具身智能行业飞速发展的背景下，百度百舸·AI 计算平台看到了哪些趋势和新需求，以及作为技术赋能者，如何助力具身智能模型的加速迭代。

2025 年以来，我们都能感受到自身处于具身智能的热潮之中。在云端具身智能领域，听到最多的一个词是 VLA（Vision-Language-Action Model），它以视觉与自然语言解析作为输入，生成 Action 序列，成为一种热门的建模范式。

从顶会论文统计数据或权威论文发布平台来看，以 VLA 为主题的文献数量在 2025 年呈现了十几到二十倍的爆炸性增长。深入这些文献内容可以发现，此前主流的机器人操作或机械臂评测任务集，平均成功率也已达到 95% 以上。同时，在设计 VLA 模型结构时，架构设计也逐步形成了一些共识。

我们看到，云端的具身智能开发者与研究者，开始将研究重点转向如何对模型参数量和算力训练规模进行 Scaling，使操作任务变得更长程、更复杂，并关注模型如何真正落地到产业端，例如关注推理速率、考量鲁棒性，能否在长程任务中实现稳定、持续、高成功率的操作。

在这样的变化背景下，具身行业对 AI Infra 平台、对百度百舸提出了一些新的要求。

首先，简要介绍一下具身智能模型基于云平台的典型开发流程与工作流 Workflow 。通常，AI Infra 或云厂商会提供包含几个层次的 Infra 底座：

首先是底层 IaaS，包含高性能算力，辅以机间高速互联的高性能网络，以及分布式高性能存储能力。

其上提供成熟的云原生分布式调度框架，将模型的训练和推理任务高效调度和部署到机器上。

具体模型如何运行？训练和推理框架会根据事先定义好的模型结构，调用底层 GPU 或加速芯片开放的算子接口来运行模型。通常还会通过切分的并行技术在多卡或多机之间进行加速运行，这主要由第三层训推加速框架负责。

具身智能的业务运行在此之上，核心流程主要涉及几个环节：

首先是训练数据准备。数据来源可以有多种：预置开源热门数据集，客户可直接使用。除了主流的 20 多种开源具身数据集，近期百度百舸也率先针对预训练场景集成了简智开源的 RealOmni 无本体数据集。

客户也可在云端部署仿真环境，通过键盘遥操作收集轨迹数据，或使用世界模型生成数据，还可将真机数据上传至云上，使用数据增强模型进行扩增。这些数据存储在云端的高性能存储集群中，可便捷地对接到训练集群或开发机，进入训练环节。

训练环节涉及具身大脑、运动小脑及世界模型的训练。百度百舸全面适配了 RDT、GR00T N1.5、π0.5 等一系列模型，并对开源模型的训练吞吐做了加速优化。

训练到一定阶段后进入模型效果评估环节，客户可使用云端预置的仿真评测环境进行模型鲁棒性、成功率的评测。百度百舸在此集成了 Isaac、Maniskill3、RoboTwin2 等主流仿真环境及典型任务集，训练完的模型 Checkpoint 可直接对接到仿真环境部署评估。

这便是当前具身智能在云端的主流开发工作流。针对上述环节，我们将从 AI In

百度百舸团队在国产主流 GPU（无 NVLink）上对 Cosmos3-Nano-Policy-DROID 做全链路优化，效果超越官方 GB200 基准：

优化项	技术	效果
任务启动	Parquet 列裁剪 + 数据路径重构	37.2min→25s，内存 1,734GB→46GB
I/O 瓶颈	ColorJitter CPU→GPU 迁移（占 78.5% 耗时）	吞吐 +50%
编译优化	torch.compile 禁用 mix-order reduction	吞吐 +28.6%
显存利用	分层 Activation Checkpointing（layer-wise AC）	吞吐 +3.1%
多机扩展	弹性 RDMA + HSDP	12 节点 98.3% 扩展效率

MFU 0.42，超过 Cosmos 3 官方论文 GB200 基准（0.23-0.3）。所有优化均为无损精度。