Deep|Physical AI: 从机器人数据竞赛到算力需求的第二条曲线

摘要

这是我们 Physical AI 系列研究的第一篇，聚焦机器人数据投入如何转化为算力需求。机器人可能成为大模型公司下一阶段集中竞争的方向，并带动新一轮先进训练算力投入。​据我们渠道调研，某前沿大模型实验室正推动超过 $1b 规模的机器人数据采购，其他前沿实验室也在扩充机器人团队。随着新增数据和研发资源逐步进入训练流程，未来一年机器人与物理世界相关模型有望取得明显进展，竞争也可能显著加剧。

机器人后训练可能比同等参数规模的纯文本后训练占用更多 GPU 资源。​据我们渠道调研，在同等参数规模下，带视频、关节与动作信号的机器人后训练任务所占用的 GPU 资源约为纯文本后训练的 3–4 倍​，既因为每个样本的输入 token 远多于文本、实际计算量更大，也因为视频解码、同步与数据加载带来额外的数据处理开销。渠道覆盖的机器人模型目前主要在 7–13B 参数量级，单次训练规模远小于前沿 LLM 预训练；机器人带来的算力增量，主要来自数据处理、仿真、评测与多轮迭代的叠加，以及更多模型公司同时进入训练。随着数据投入扩大、迭代加快，这些负载既推高总体算力需求，也推动采购方向吞吐与推理效率更高的新一代平台倾斜。这条需求曲线短期增量有限，但我们判断随着参与者增加，需求将继续增长。

Figure 的算力协议已体现出这一趋势。2026 年 9 月 3 日，Nscale 宣布与 Figure 达成多年合作，​初始算力承诺为 $3.5b，并有意扩大至超过 $6b​；合作涉及最多 10 万颗 NVIDIA GPU，采用 Vera Rubin 平台，首批计划于 2027 年下半年部署，合作涵盖模型训练、仿真验证与机器人端部署。机器人模型竞争已经开始转化为大额先进算力采购承诺，而且采购的是训练、数据处理与推理的组合负载。

Astra 展示能力进步，机器人研发投入增加

通用模型已经通过视觉理解、空间推理和任务规划进入机器人系统。Astra 的实验表明，机器人研发可以利用前沿模型已有的能力，再围绕真实任务增加数据、训练和系统工程投入。