具身智能的训练数据，正从数万小时迈向百万小时量级。
支撑这一轮数据扩张的重要来源，是Ego数据，也就是人类第一视角视频。人操作工具、完成任务的过程被记录下来，为具身模型学习真实世界中的操作提供素材。
从原始视频到可直接用于模型训练的标准数据集，中间仍有一道工程鸿沟。大量清洗、标注和结构化后处理工作，需要规模化、标准化的处理管线承接，而这些基础设施尚不完善。
这也暴露出具身智能研发中的一个结构性矛盾：大量研发力量集中在模型架构和训练范式的创新上，支撑这些创新的数据工程基础设施，建设进度却相对滞后。
随着数据规模扩大，清洗、标注和后处理环节的效率，正越来越直接地影响模型迭代的速度。
怎样让百万小时的数据更高效地进入训练，同时控制处理和迭代的成本？
在百度世界2026具身智能专场，围绕模型研发与真实场景应用，百度智能云与产业伙伴分享了前沿探索和实践。数据如何支持模型持续迭代，以及AI基础设施如何提高研发效率，成为其中的重要议题。
百度智能云依托百舸平台，持续建设面向具身智能的全栈AI基础设施。它覆盖从数据处理到模型训练、部署的研发过程，相关服务也延伸到机器人本体与应用场景。
百度集团副总裁侯震宇表示，物理智能的长期竞争力，来自真实场景中数据、模型与AI基础设施的共同进化，以及将这些能力系统化组织起来的工程体系。百度智能云将携手产业伙伴，持续完善面向真实具身场景的能力，推动技术创新与产业落地。
据百度方面披露，目前百度智能云已为70多家具身智能产业链企业提供全栈AI Infra服务，并以29.6%的市场份额位居中国具身智能云市场第一。相关能力也在与客户的共同实践中持续打磨。
回到具身企业的研发流程，百舸怎样帮助团队减少数据的重复加工、缩短训练等待，让同样的投入支持更多轮模型迭代？这要从数据进入模型之前的工作说起。
从模型到现场，百度智能云全栈能力如何支撑具身研发
一套具身模型从训练到部署，需要不断与数据、机器人本体和作业环境配合。百度智能云提供的全栈能力，也围绕这四个方面展开。
首先，在模型侧，百舸承担的是训练、推理和算力调度的工作。
具身模型的架构和训练方法仍在演进。研发团队尝试新的模型时，既需要方便地修改代码，也需要控制每轮实验的时间和算力开销。
百舸的做法，是在相对灵活的开源框架上提供加速套件，针对VLA、世界动作模型等常用模型优化训练吞吐。
以π₀.₅为例，据百度披露，在单机8卡的特定测试中，优化后的OpenPI PyTorch实现，训练吞吐达到JAX参考实现的2.37倍。这意味着，在相同时间内，模型可以完成更多训练计算。
算力调度则贯穿这些过程。数据预处理和模型训练，对CPU、GPU的需求各有不同。百舸将这些资源纳入统一管理，为不同任务分配所需资源，减少硬件配置与任务需求不匹配造成的浪费。
对于研发团队，这些优化最终关系到：手头已有的算力，能处理多少数据，又能支撑多少轮模型迭代。
数据侧，要把采集、标注、管理和评测连接起来。
具身数据的来源很多，人类第一视角视频记录了操作过程，机器人遥操作数据则包含本体执行任务时的反馈。不同来源的数据，需要经过相应的处理，才能用于模型训练。
以人类第一视角视频为例，一段素材采回来之后，还要切分片段、添加语义标签，并根据训练需求标注手部动作。遇到手部遮挡、多人同时操作等情况，处理难度还会进一步增加。
据百度百舸具身行业高级技术专家史南胜介绍，过去一年，数据规模增长能够带来模型能力提升，已得到反复验证。但从采集到可用，再到真正产生训练收益，数据会经过层层筛选，数据管线的效率直接影响其中的转化率。
百舸将数据加工与数据资产管理分开：通过算子、工作流编排和算力调度，让不同来源的数据完成加工；同时保存原始素材与处理结果，记录版本和使用关系，让数据在处理方法不断更新的过程中仍能复用、追溯。
在加工环节，百舸提供手部重建、相机轨迹恢复、动作切分与标注等算子，通过工作流组织执行，并将数据质检前置，提前筛出不适合后续处理的素材。这些流程可以沉淀为参数化模板，团队处理新的数据集时，可以调整参数，复用已经调试过的流程。
具体到处理效率，据百度披露，在针对10段EgoLife视频的测试中，百舸优化了从视频中还原相机位置和朝向的处理环节。采用MegaSaM方案时，处理每小时视频所需的算力消耗，从11.36 GPU小时降至6.48 GPU小时，减少约43%。
随着视频数据不断积累，这类优化也能减少批量加工的算力消耗。
数据管理则帮助研发人员记录数据来源与处理版本，为后续复用和效果追溯提供依据。
评测结果还会影响下一轮采集。哪些任务表现不足、哪些操作需要增加样本，都需要结合模型效果判断，让后续的数据投入更有针对性。
到了本体侧，模型需要与机器人的交互和运行条件配合。
机器人进入服务场景后，往往需要接收人的指令。语音能否被准确理解、交互过程能否顺畅进行，都会影响使用体验。
百度智能云在这一侧提供语音交互、安全和端云协同支持。例如，与机器人计算平台企业地瓜机器人合作，为AI陪伴设备提供语音交互方案，让设备能够理解用户表达并作出回应。
端云协同关注的，则是机器人端侧设备与云端资源如何分工。哪些任务在端侧处理，哪些使用云端能力，需要结合响应时延和机载计算资源来安排。
因此，模型部署要与本体的软件、硬件条件一起考虑，安全要求也需要纳入系统设计。
场景侧，继续检验机器人能否稳定完成任务，以及应用经验能否复制。
在一个环境里验证过的模型，换到另一台机器人或另一处作业现场，仍需要检验表现。进入真实业务后，企业还要看任务成功率、人工接管情况，以及持续运行的成本。
百度智能云通过训练场和中试平台，支持企业继续完成验证，并探索向更多场景复制。同时，结合行业场景资源与产业伙伴合作，帮助具身企业寻找适合开展应用验证的业务环境。
这些验证也会为研发提供新的依据。现场暴露的问题，可以用于调整后续的数据采集与模型训练；已经验证有效的方法，则有机会在下一次部署中继续使用。
模型更新需要数据支撑，部署要适应本体条件，场景验证又为下一轮研发提供反馈。百舸的工程优化，正是顺着这条流程，去减少重复加工和训练等待，让同样的投入支持更多轮迭代。
同样的投入，怎样完成更多有效研发？
具身研发中的数据，会被反复使用。今天完成了视频清洗，明天可能需要补充质量评分；这轮训练使用的标注方法，下一轮又可能更新。
每次调整，都涉及一个问题：之前的加工结果，哪些还能继续用？
百舸首先要减少的，就是这些重复加工。
同一批视频，往往会被用于多轮实验。每次调整模型或训练方案时，此前完成的标注、筛选等工作，有一部分仍然适用。要把这些成果继续用起来，就需要将它们与原始素材对应保存，并记录清楚各自的处理方式。
在已经落地的数据治理管线中，百舸采用Lance宽表组织数据：一行对应一个样本，视频及其标注、评分等信息分别保存在不同列中，方便单独补充和更新。
例如，团队更换了视频质量评分模型，就可以重新计算评分，保留原始视频和仍然适用的动作标注。下一轮训练时，再按新的评分筛选视频，搭配已有标注使用。这样，一次实验中的调整，就不必带着整批数据从头加工。
这套表级读写方式，目前也在向更多管线推广。
要判断哪些结果可以沿用，还需要知道它们是怎样产生的。平台将数据版本与加工过程、训练结果关联起来，记录一轮训练用了哪批数据、经过怎样的处理，以及对应的训练表现。
研发人员由此可以检查已有结果是否符合新实验的要求，选择可复用的部分；模型表现发生变化时，也能回查数据和处理流程，寻找原因。随着实验推进，原始素材上不断积累的标注、评分和处理记录，就能成为后续研发的基础。
对于仍然需要执行的处理任务，下一步是降低单位数据的算力消耗。
比如，Ego数据的采集，需要人戴着相机操作，走动、转头都会让画面发生变化。为了还原拍摄时的空间关系，需要从连续画面中反推出相机的位置、朝向和移动轨迹，这一步叫作“相机位姿恢复”。
这类处理需要CPU和GPU配合。如果CPU忙于争抢资源、来不及准备数据，GPU也可能跟着等待，拉长整个任务的处理时间。
百舸对相机位姿恢复方案Droid-W的优化，就从这一问题入手。据百度披露，一台8卡服务器上同时运行的多个处理任务，默认会启动合计720个CPU线程，而整机只有180个逻辑核。线程过多，反而拖慢了整机处理效率。
因此，团队限制了每个任务的CPU线程数量，调整资源分配。同时，在GPU计算当前数据时提前准备下一批数据，缓存可复用的中间结果，并将适合的计算迁移到GPU，进一步减少等待和重复运算。
根据百度提供的测试结果，经过针对性优化，Droid-W和MegaSaM处理每小时视频所需的GPU时间，分别下降31%和43%。
同样的视频处理任务能够更快完成，占用的GPU时间也随之减少。
数据准备好后，训练本身也能再快一些。
在OpenPI的π0.5优化实践中，清华大学于超团队参与研发的RLinf，先完成了PyTorch实现与JAX版本的训练精度对齐。百舸在此基础上，逐项排查数据加载、模型计算和多卡通信中的耗时。
这次LIBERO训练只有两路相机画面，模型接口却预留了三个位置。原始流程会补上一张空白图像。虽然这张图最终会被屏蔽，但前面仍要传输、做视觉编码，用不上的输入也消耗了时间和算力。
百舸让输入数量随实际数据调整：有两路画面，就只处理两路，省掉空白图像带来的无效传输和计算。
另一个优化发生在多卡协作时。多张GPU共同训练一个模型，需要不断交换数据，通信跟不上，计算就得停下来等。团队因此调整了参数分组和通信方式，让GPU在执行当前计算时，提前传输下一阶段需要的数据，减少等待。
这些调整还腾出了一部分显存，可以保留更多后续会用到的中间结果，减少重复计算，进一步缩短训练时间。
在百度公布的单机8卡、无NVLink测试环境中，保持核心训练配置一致，π0.5在LIBERO训练集上完成一个epoch，也就是遍历一遍训练集的时间，从61.4分钟缩短至26分钟，训练吞吐增至原来的2.36倍。
速度提升的同时，团队也检查了训练表现。据百度百舸发布的OpenPI训练优化技术文章，在π0.5的8卡、1000步对照测试中，优化版本与基线的训练损失曲线高度一致，全程平均损失仅相差0.0001。
对于需要反复调整模型、验证想法的团队，完成同样一轮训练所需的时间缩短，就能更早查看结果、安排后续实验。
这套OpenPI优化也已沉淀为百舸平台的预置运行环境，供客户在对应配置下使用，让调优成果进入日常研发。
这些能力，已经进入哪些客户的研发流程？
这些优化进入客户的研发流程后，要应对的是一轮接一轮的实验。同一批数据会被反复使用，处理方法也会随着模型更新而调整。
在百度披露的一项客户实践中，百舸帮助一家具身企业将视频存储、加工和结果管理串成一条数据管线，让团队能够沿用已有处理结果，更新需要重做的部分，并追溯每轮训练所用的数据。
这家企业已经积累了几十TB的人类第一视角视频，希望从中还原人的操作，整理成机器人可以使用的训练数据。原始视频按采集批次上传后，与任务描述等信息一起管理，再由百舸工作流组织后续加工。
这条处理流程包含八个环节，其中三个需要调用GPU模型。仅手部运动，就涉及三维重建、动作解算和轨迹处理，最终还要按训练要求导出数据。
流程还会随着研发不断调整。比如，更换手部重建模型后，团队需要比较新旧结果，并重新执行受影响的后续步骤。原始视频和其他仍然有效的加工结果，则可以继续使用。
百舸将各步骤产生的姿态、手部轨迹等结果与原始视频关联保存，同时记录所用的模型和参数。
客户团队调整处理方法后，可以据此检查新旧结果，只重跑受影响的步骤，再将更新后的数据用于训练，减少整批数据从头加工的工作。
除了数据准备，百度智能云还与客户围绕模型训练、推理部署和语音交互展开了合作。
星海图与百舸的合作，围绕Fast-WAM世界动作模型的推理效率展开。
这类模型用于根据机器人看到的画面和任务指令，生成后续动作。Fast-WAM在训练中学习动作与环境变化的关系，实际执行时直接输出动作，以降低计算开销。
Fast-WAM在星海图Galaxea R1 Lite机器人上的叠毛巾任务展示
按照百度提供的测试结果，Fast-WAM在10步推理设置下的延迟为87毫秒。这类优化关注模型部署时的响应速度，帮助研发团队缩短从模型计算到输出结果的等待。
千寻智能与百度智能云的合作，则进一步涉及训练过程的稳定性。
千寻智能研发的Spirit系列具身模型，需要处理图像、语言和动作轨迹等多类数据，并通过持续训练迭代能力。训练任务运行期间，资源闲置、任务中断和无效等待，都会消耗研发时间。
百度智能云为千寻智能提供模型训练所需的AI基础设施支持。在这项合作案例中，百度披露，其平台可将集群有效训练时长提升至98.8%，减少训练过程中的中断与等待；配合大模型训推加速套件，文中报告的训练和推理效率分别提升了30%和60%。
这些优化既关注计算速度，也关注训练能否持续运行，让投入的算力更充分地用于模型迭代。
与地瓜机器人的合作，则将支持延伸到了机器人与人的语音交流。
据百度智能云泛科技行业解决方案总监孙颖欣此前介绍，百度智能云结合地瓜机器人的旭日3、旭日5计算芯片，打造了多模态互动框架和端到端语音交互等方案，面向不同定位的AI硬件。
其中，多模态互动框架将语音识别、大模型和语音合成串联起来，并融合情绪识别、长期记忆和视觉理解等能力。开发者可以接入文心或第三方模型，也可以调用音乐、教育等内容资源，用于AI玩具、儿童陪伴机器人等产品。
端到端语音方案则直接接收音频，将音色、语调等信息一起用于理解用户表达，让回应能够结合说话者的情绪和语气。
此外，在本次论坛上，百度智能云还与壹零壹壹、潜界科技、普渡科技开展合作签约，进一步拓展产业合作。
对具身企业而言，每一轮研发的投入，都需要尽可能成为下一轮迭代的基础。加工好的数据可以继续使用，调试过的流程可以重复调用，现场发现的问题也能为后续训练提供依据。
这也呼应了李彦宏关于智能组织的判断：沉淀隐性知识，设计流程闭环。工程师在一次次实验中积累的方法，逐步沉淀为团队可以共同使用的工具和流程，让研发经验随着项目推进不断积累。
智能组织，需要智能云。百度智能云依托百舸等平台，将数据处理、模型训练和部署验证连接起来，支持具身企业把这些积累用于后续研发，让同样的投入支撑更多轮迭代。
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
