具身智能技术路线尚未定型，基础设施却先收敛
内容提要
具身智能正从造机器人转向能力量产，将已验证技能稳定复制到多场景。百度智能云以全栈AI基础设施打通模型迭代、数据生产与跨本体部署，通过百舸平台、东莞训练场等缩短迭代周期，已服务超50家具身企业，市场份额居首。
延伸解读
从“造机器人”到“造能力”的产业转向
文章指出，行业关注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。本体批量下线后，理解世界、学习新任务、持续进化的能力无法随机器人一起批量复制。展台上一次叠衣服与工厂里连续一万次执行是两回事，后者考验任务成功率、人工接管率、单位任务成本等指标。这意味着企业竞争焦点正从硬件制造转向能力量产效率。
技术路线未定，基础设施为何先收敛
当前VLA、世界模型、全身运动控制等路线仍在并行演进，模型分工与训练范式尚未收敛。但无论哪条路线，企业都会反复遇到算力调度、训练加速、数据处理、仿真评测、推理部署等共性工程问题。文章认为，这些环节越来越适合沉到公共基础设施层，让企业把资源放回模型、产品和场景本身。因此，技术路线百花齐放与基础设施需求收敛同时发生。
能力量产需要打通的三个环节
文章将能力量产拆解为三个环节：模型迭代效率、数据持续生产、跨本体跨场景部署。模型侧需提高训练与推理效率，数据侧需贯通采集、标注、管理，本体侧要解决交互、端云协同、安全与适配。三个环节环环相扣，任一环节拖慢都会影响整体迭代速度。百度智能云的全栈AI云布局正是沿这条链路展开，试图将共性环节做成可复用底座。
训练场与中试：把试错搬离客户产线
东莞具身智能训练场规划13个真实产业场景，配置50台套异构本体和100余台无本体设备，并承担“中试”功能。机器人可先试训、再中试、最后进厂，相当于把大量试错从正在生产的客户产线上提前搬出来。这种安排降低了真实产线中断风险，也让数据在真机、无本体采集和仿真三条路径上持续回流，目前该平台已服务35家具身智能企业。
Q&A
具身智能行业当前面临的核心挑战是什么？
核心挑战是从“造出机器人”转向“持续生产和迭代机器人的能力”，即如何让机器人不断学会新技能，并将已验证的能力稳定复制到更多机器人和场景中。
什么是“能力量产”？
“能力量产”是指把已经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。
实现“能力量产”需要打通哪三个环节？
需要打通三个环节：模型迭代效率、数据持续生产，以及跨本体和跨场景能力应用部署。
百度智能云在具身智能领域提供了哪些基础设施？
百度智能云提供全栈AI基础设施，包括百度百舸AI计算平台（统一workflow处理算力适配、训练框架、资源调度、仿真环境和模型部署）、东莞具身智能训练场（数据采集、标注、仿真和模型迭代）以及语音交互、端云协同等能力。
百度智能云在具身智能云市场的份额如何？
根据IDC发布的《中国具身智能云市场份额报告，2025》，百度智能云以29.55%的市场份额位居第一；英富曼（Omdia）也给出了相同排名。
具身智能数据生产有哪些主要方式？
数据生产分成三条路：真机遥操作保证真实性，无本体采集降低成本并扩大规模，仿真和算法生成补充多样性。
百度百舸AI计算平台在模型训练方面有哪些优化效果？
百度百舸将SONIC模型训练配方集成到云上，可一键扩展至128卡训练规模；针对WAM模型的推理瓶颈，经过工程优化，推理延迟降至优化前的四分之一。
具身智能的基础设施需求为什么开始收敛？
尽管技术路线尚未定型，但不同路线、不同本体、不同场景的企业在模型迭代、数据回流、本体部署等方面面临相似的底层工程问题，因此基础设施需求逐步收敛，适合沉到公共基础设施层。
