具身智能技术路线尚未定型 全栈基础设施先迎收敛

机器人本体批量落地，具身智能乍看离规模化越来越近，但理解周围世界、学习新任务、持续进化的能力，还没法跟着机器人一起批量复制。一台机器人学会一个动作不算最难，难的是继续学会第二个、第三个任务；一项已验证的能力能否快速复制到更多机器人身上；换一座工厂、一个工位甚至换一种本体，还能不能继续跑。行业关注的重点，正从如何造出机器人，转向如何持续生产和迭代机器人的能力。

9月16日，在2026智能经济论坛上，百度集团执行副总裁、百度智能云事业群总裁沈抖分享判断：智能体的能力边界在快速打开，已能处理更长程的任务，也开始进入规模化部署。他类比称，今天的AI有可能只是灯泡发明后的第一个月，灯亮了所有人都看到变化，但电力带来的社会经济分工调整还没有出现。当智能体进入产业系统，企业里的知识、数据、流程、工具和具体要求要被组织到真实场景里，最终交付结果、创造价值并持续进化。

放到具身智能领域，要求只会更高。机器人每一次执行都会产生新的数据、误差和现场反馈，这些经验要能回流到模型和系统里继续迭代，再沉淀成下一次可复用的能力，机器人才能真正“越用越会”。所谓“能力量产”，指的是把已验证过的具身应用技能，通过模型、数据和本体的持续闭环，以稳定且可控的成本复制到更多真实场景中。展台上完成一次叠衣服、上下料，和在工厂里连续做一万次是两回事，后者看的是任务成功率、人工接管率、单位任务成本、稳定运行时长，以及一项技能复制到更多机器和场景需要多久。

一项机器人能力从来不只取决于模型：本体解决身体如何规模化制造，模型决定能力上限，数据和AI Infra影响学习新技能的速度，真实场景则检验它能否从一次成功变成稳定成功。具身企业进入高频迭代后，原本分散的算力、模型、数采、仿真和部署链路很容易互相拖慢。百度智能云主任架构师应茹认为，技术路线越不确定时，AI Infra越要保持通用和灵活，企业真正需要的不是某一次训练快了多少，而是同样预算、同样时间里能否多跑几轮训练、仿真和真机验证。百度智能云旗下AI算力基础设施产品“百度百舸”将数据准备、开发训练、仿真评测和推理部署接入同一套工作流，统一处理算力适配、训练框架、资源调度、仿真环境和模型部署。SONIC模型训练配方开源后，百舸将其集成到云上，可一键扩展至128卡训练规模。