随着具身智能研发不断向更复杂的任务、更大规模的训练演进，AI基础设施的角色也在发生变化——从提供算力，进一步延伸到支撑模型研发全流程。7月29日，在2026可信云大会暨首届Token云服务大会上，百度智能云主任架构师应茹围绕"全栈AI Infra助力具身智能"主题进行分享，介绍了百度百舸AI计算平台面向具身智能研发打造的全栈AI基础设施能力，并分享了百度智能云在模型训练、强化学习、仿真评测、推理部署等方面的最新实践。
此前，据国际数据公司（IDC）发布《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，持续领跑中国具身智能云市场。
具身智能研发进入新阶段，AI Infra面临新要求
随着具身智能快速发展，模型架构和研发范式不断演进，AI基础设施也面临新的挑战。应茹介绍，从百度智能云服务行业客户的实践来看，目前云上的具身智能研发主要集中在操作类模型研发和全身控制策略研发两类典型场景。
一方面，操作类模型不断吸收通用大模型的发展成果，从大语言模型、视觉语言模型（VLM）发展到视觉—语言—动作模型(VLA)，并逐步融合世界模型，机器人处理复杂长程任务的能力不断增强。另一方面，全身控制策略也从面向单一动作的独立训练，逐步走向统一控制策略和规模化训练，对训练资源和研发效率提出了更高要求，越来越多研发任务开始往云端进行迁移。
模型快速演进、训练规模持续扩大，也意味着AI基础设施需要覆盖数据准备、模型开发、训练优化、仿真评测、推理部署等研发环节，从而为具身模型快速迭代提供更加完善的支撑。
应茹认为，当机器人逐步具备环境理解、任务规划和持续学习能力，具身智能的竞争维度也在从本体性能和单次任务效果，逐渐延伸至模型研发与迭代效率。
面对具身智能研发的新变化，百度智能云依托百度百舸AI计算平台，构建覆盖数据准备、模型开发、训练优化、仿真评测、推理部署等研发全流程的AI基础设施，为具身模型研发提供完整的AI工程能力。
在数据准备阶段，百度智能云提供具身开源数据集及配套工具，支持动作重定向、数据标注、结构化处理等数据加工流程，帮助开发者提升数据处理效率。在模型开发与训练阶段，依托高性能计算、存储和网络底座，平台支持多模态模型、世界模型等主流模型架构训练，并围绕通用算子和热点算子进行优化，加快模型训练效率。
在具身智能研发高度依赖的仿真评测环节方面，百度智能云集成主流仿真引擎和研发框架，为模型训练、强化学习和效果评估提供统一的仿真环境，降低真机测试成本。同时，针对VLA、世界模型等新型模型结构，平台不断完善推理部署能力，支撑具身模型快速验证和落地。
算法与工程协同 技术创新加速具身智能落地
当前，随着训练规模扩大、模型结构不断演进，多模态数据处理、强化学习仿真、分布式训练和低延迟推理之间的协同难度也在增加。对具身智能企业而言，跑通一次训练只是起点。应茹表示，如何持续验证新方法、缩短迭代周期，并将训练结果稳定部署到机器人上，是研发成果走向真实场景需要解决的重要问题。
围绕具身智能模型训练和部署需求，百度智能云不断优化底层AI基础设施，通过算法与工程协同，让模型研发更加高效。在模型训练阶段，针对多模态模型和世界模型训练过程中存在的数据处理、资源调度、通信效率等问题，百度智能云持续优化训练框架，通过计算与通信协同、算子优化等技术手段，提高硬件利用率，让现有算力发挥更大价值。
针对全身控制策略研发，百度智能云率先在云上集成主流强化学习研发框架，并结合策略训练特点，对显存管理、仿真环境部署等关键环节进行优化，为规模化训练提供更加稳定、高效的研发环境。在仿真与推理阶段，百度智能云围绕仿真环境部署、物理引擎性能等问题开展工程优化，同时持续优化世界模型等新型模型的推理性能，为模型验证和部署提供更高效率的基础设施支撑。
此外，围绕世界模型等新型模型方向，百度智能云持续推进工程化优化。面向开源VLA模型及融合世界模型的模型架构，平台通过推理加速，将模型推理速度提升至原来的2至4倍，为机器人实时控制提供更加高效的基础设施支撑。
此前，百度智能云与上海交通大学团队围绕世界模型推理优化开展联合研发，将算法创新与工程优化相结合，把WAM模型推理时延降低至41毫秒量级，为具身模型研发提供新的技术路径。目前，百度百舸AI计算平台已服务北京、上海等具身智能创新中心，并支持30余家头部具身智能企业开展模型研发和创新实践。
面向具身智能快速发展的新机遇，百度智能云将通过持续升级的全栈AI Infra能力，围绕模型研发全流程不断优化AI工程体系，与更多产业伙伴携手推动具身模型加速迭代，为具身智能技术创新和产业落地提供更加坚实的基础设施支撑。