机器人在实验室里把活儿干成了,到了工厂,还能天天这么干吗?换台机器人,之前练出来的本事又能剩下多少?
光把模型训得聪明还不够,背后的算力、仿真、真机适配,都得跟上。
11 月 16 日,华为云发布了昇腾原生具身世界模型 CloudRobo-WM1.2。
从仿真训练到适配不同机器人,这个模型背后,牵出的是一整套具身智能工程难题。
两天后,华为云在上海办了场「行业 AI 梦工厂 · 具身智能高层论坛」,把这些隐秘的幕后工程,搬到了台前。

现场还签了份备忘录。华为云和福建小状智能准备把 CloudRobo 和昇腾算力用到高校实训里,让学生上手做机器人开发。

华为云的思路,是先把算力、存储、网络和底层适配这些活儿揽过来,再用 CloudRobo 把数据、训练、仿真和真机部署接起来。
至于不同行业的实际需求,就拉上懂技术、懂现场的伙伴一起解决。跑通的工具和方法,尽量留给下一个项目接着用。
不过,想让后面的工程少折腾,第一关就得先过。
机器人公司连模型都还没开训,算力该买多少、钱该怎么花,就已经够头疼了。
算力底座,先得撑得起具身智能的野心
AI 从卷模型卷到了应用,算力始终是入场券。
但同样是搞 AI,不同项目对算力的胃口,还真不一样。
普通问答,你问一句,大模型答一句,这轮任务基本就结束了。
换成 Agent,可没这么省事。
先拆任务、查资料、调工具,拿到结果还得继续琢磨。中间哪一步走岔了,可能还得推倒重来。
华为昇腾芯片产品管理专家钱鑫源给出一组数字:近两年 Token 消耗增长约 1400 倍,Agent 任务的 Token 消耗量,是普通问答的 100 至 1000 倍。
而到了具身智能这里,算力还得接着上强度。

机械臂伸手、握住、提起来,看着也就几秒钟的事儿。可在仿真训练里,杯子到底抓稳了没有?会不会半路滑下去?
仿真软件得先算出结果,训练程序才能根据反馈调整模型。视频、关节位置、动作记录等数据,也得一批批往里送。
仿真结果没出来,训练只能等着。数据没跟上,卡也只能闲着。
真让一家具身智能公司自己搭集群,光是该买多少卡,就够头疼了。
照平时需求买,训练和仿真赶到一块儿,实验得排队。照最忙的时候买,平时闲着的设备也得照常运维。
更别提,卡买回来,还要配网络、接存储、安排任务。
这份活儿,华为云打算接过去。
硬件采购、系统适配、长期运维,由云端统一承担。
具身团队需要集中训模型,就调一批昇腾算力;想多跑几组仿真,再按任务调整资源。
模型怎么迭代,算力就怎么跟着变。不用为了最忙的那几天,先买下一整套设备。

不过,卡调来了,还得让它真忙起来啊。
尤其是具身智能这种既要处理长视频,又要兼顾动作等多种数据的任务。
训练长视频时,计算单元得反复从显存读取数据,再把中间结果写回去。
显存带宽管的,就是数据搬得有多快。就像发动机马力再大,油管却供不上油,算力也只能干等着。
昇腾芯片从 950 系列往后,一边提高计算能力,一边给数据传输提速。按照规划,960DT 的显存带宽最高可达到 9.6TB/s!
单卡跑顺了,多张卡一起上,新的麻烦又来了。
假如一段长视频拆给好几张卡处理,其他卡都还游刃有余,偏偏有一张先把显存撑爆了。
得,大家只能跟着干瞪眼。
华为云做了长序列并行,尽量均衡不同模态的显存负载,还提前取来下一批训练数据,减少等待。
对具身智能工程师来说,这些优化可太实在了。
训练少等一会儿,实验就能多跑一轮。谁不想早点看到结果,少熬几个大夜啊!!!

新模型碰到框架里没有现成实现的算子,工程师还得开发、移植,再测性能。
华为云计划让专项团队和具身伙伴一起做昇腾云适配,把这类算子调好。
前一家踩过的坑,后面的团队就有机会绕着走。
对云厂商来说,这笔生意有意思的地方也在这儿。
一批卡可以轮流服务多家公司,一次适配也能让更多团队受益。算力不必家家从头买,工程上的坑也不用家家重新踩。
不过,训练集群里跑得再顺,机器人也还没真正上岗呢。
模型训出来了,下一关,是让它在真实世界里把活儿干好。
从模型到真机,CloudRobo 打通工程化链路
模型在仿真里明明会抓了,到了真机,手一伸,偏了。
这几乎是每家具身智能公司都经历过的场景。
仿真里的分数明明挺漂亮,到了现场却突然掉链子。工程师又得回去查,到底哪一步出了岔子。
华为云 CloudRobo 要解决的,就是这类麻烦。
它把数据处理、模型训练、仿真验证,一直到真机部署接成一条链。
毕竟机器人干不好活儿,问题可能出在任何一步。每次都从头查、从头改,谁受得了?
拿数据来说,采集方式五花八门,换台设备,数据格式可能都不一样。

换种采集方式,不必把整套流程推倒重来,针对新本体调整映射就行。
目前,平台已积累超过 100 万条导航轨迹、5 万多条操作轨迹,还有 50 多种数据处理算子。
数据理顺了,模型开训。
CloudRobo 把训练、推理、后训练和评测放进同一个开发环境,还汇集了 30 多款第三方模型、30 多项评测指标,以及 20 多项具身开发专业 Skills。
计划于 11 月 30 日正式开源的昇腾原生具身世界模型 CloudRobo-WM1.2,也将成为平台上的模型资源。

有了模型,还得知道它到底好不好用。
比如,机器人抓杯子的成功率突然下降了。是数据出了问题,还是新模型的策略不太行?
工程师可以沿用原来的评测环境,分别调整数据和模型,看看究竟是谁惹的祸。
模型调好了,也别急着上真机。
CloudRobo 支持导入描述机器人结构的 URDF 文件,让自家的机械臂先在虚拟世界里练练手。
同一个杯子,换个位置、转个角度,再抓一次。
真机试错要考虑设备损耗和安全,仿真里可以先筛出容易失败的情况,再生成数据补回训练。
不过,虚拟世界里练得再熟,最后还得接受真机考试。
这就轮到 CloudRobo 运行管理平台出场了。
它负责把云端模型和现场机器人接起来。长程规划和后续训练可以放在云上,边缘侧支持多机调度,实时控制和安全机制则尽量留在本体附近。
机器人碰到异常,现场先处理。出错前后的画面、动作轨迹等信息,也会留下记录,方便工程师排查问题、优化模型。

可机器人不一样。模型跑完还不算完,后面还连着一个真实的物理世界。
仿真里学会的动作,真机能不能复现?现场出了问题,如何更快投入新的训练?
CloudRobo 想做的,就是让这条链路尽量少掉链子。
模型改一版,原来的数据管线、评测环境还能接着用;换台机器人,也不用整套开发流程重新搭。
实际用起来如何?上海交大团队现身说法。

在华为云训练营里,30 名具身智能微专业学生借助 CloudRobo,从仿真一路做到真机,还对比学习了 Diffusion、ACT 和 Pi0.5 等模型。
之后,还有学员组队参加首届 CloudRobo 具身智能大赛,拿到了第二名。
对高校来说,学生可以少花时间搭环境,更快接触真实机器人任务。
企业研发同样如此。
只不过,到了产业现场,接缝还会更多。换个工厂、换条产线,设备、作业流程、安全要求都可能不一样。
华为云组队,让更多机器人上岗
有些问题,还真得让懂行业的人一起解决。
比如亿嘉和,已经把机器人送上了高空带电作业现场。旗下 Z100 累计交付超过 400 台,每年累计作业超过 8 万次。
与华为云合作开发的 Z200Pro,计划让机器人自主判断更多现场环境、规划部分运动,减少对人工遥操作的依赖。

大晓机器人也已经在零售、安防、酒店等场景完成从 0 到 1 的落地,并与昇腾云在框架适配、算子开发和训练调优等方面展开合作。
接下来,大晓计划把单点项目积累的动作和任务流程,沉淀成技能库和标准化交付方案。下一单碰到类似需求,至少不用从头折腾。
还有国地中心,正尝试依托昇腾云共建异构机器人虚实融合训练场,把真实采集和仿真合成的数据接起来,探索数据集开放和统一评测,给更多机器人提供训练资源。
三个伙伴,切入点各不相同。
有人要解决高风险作业,有人琢磨怎么批量交付,还有人专门补训练数据的短板。
但往底层看,数据处理、模型适配、仿真工具、训练调优,又有不少共通之处。

底层是昇腾云,负责提供算力;往上是 CloudRobo 平台,提供贯穿数据管理、模型开发、仿真验证、真机部署与持续迭代的全流程开发运营支撑,降低创新与应用门槛。
在这套技术体系上,高校、开发者、模型公司、具身智能企业和行业客户,都能把各自擅长的能力带进来。
比如,高校研究出的算法,可以交给企业在真实任务里验证;工具公司打磨好的仿真工具,可以进入更多机器人的开发流程;行业客户积累的作业经验,也有机会转化成模型训练和评测需要的数据。
前一家跑通的经验,下一家就有机会接着用。这也是生态合作的重要价值之一。
当然,伙伴辛辛苦苦做出来的东西,光放进资产库里可不够。
华为云通过云商店等渠道,把伙伴的产品和联合方案推向更多客户。
一款仿真工具如果能在多个项目里用起来,开发团队才更有动力持续维护。机器人企业也能少花些时间重复开发,把精力留给自己的场景。

具身智能专项单伙伴最高支持 200 万元,AI 行业解决方案专项单方案最高支持 100 万元。
目前,专区上线 5 个月,已与 230 多家企业及高校开展合作,积累 1500 多项技术资产。
具身智能这场仗,打到现在,机器人从展台走进工厂,大家比拼的,不光是把活儿干成一次,还得天天干得稳,换个场景也能把本事用起来。
这背后,模型要训得起,真机要跑得稳,到了现场还得算清楚成本。哪一关都不能掉链子。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法!
— 完 —
点亮星标
科技前沿进展每日见