物理AI算力战:英伟达三台计算机、CoreWeave与九章云极的不同路径
物理AI的热度,正从机器人本体向产业链上下游扩散。 过去一年,人形机器人、四足机器狗频繁出现在工厂、仓库和门店。产业界关心的问题正在变化:从“机器人能完成什么动作”转向“如何让它越做越准”。 答案不只在机器人本体,更在其背后的计算系统:数据从哪里来,仿真在哪里运行,模型多久迭代,算力如何匹配研发节奏。这些都不是多买几台
物理AI眼下不只热在机器人本体,产业链上下游都在被带动。
人形机器人、四足机器狗在过去一年里频繁现身工厂、仓库和门店。产业界关注的重点随之转移:不再是"机器人能完成什么动作",而是"怎么让它越做越准"。
真正的答案藏在机器人身后的计算系统里。数据从哪儿来、仿真跑在哪儿、模型多久迭代一次、算力怎样跟上研发节奏,这些问题靠多买几台服务器解决不了。
英伟达给出的思路叫"三台计算机":一台负责训练模型,一台在数字孪生与仿真环境里训练和验证技能,第三台装在机器人本体上负责执行。Omniverse、Isaac、Cosmos等平台要做的,就是把训练、仿真与终端计算串成一条链。最新一季财报里,其数据中心业务收入同比增长117%,物理AI正在成为计算平台新的增长市场。
问题在于,仿真替代不了真实世界。Neura Robotics创始人兼CEO David Reger在接受麦肯锡采访时表示,数字孪生和真实环境之间还存在差距,机器人得在真实物理环境中训练,同时采集动作、触觉、声音等多模态数据。这些反馈又会进入下一轮训练与仿真。
物理AI的研发就这样转了起来:数据采集、仿真、模型训练、强化学习、推理和真机验证,一环扣一环。每个环节吃算力的方式和量都不一样,还会随研发进度动态变化,固定配置的算力很难跟得上。
研发模式一变,算力的供给和服务方式也跟着变。过去是一次性建设、长期持有,现在机器人企业开始倾向按需调用、弹性扩缩的云端算力。
中国机器人企业对这一点的感受更直接。
宇树科技创始人王兴兴今年10月在工博会上提到,机器人本体受空间、电池和散热限制,能部署的算力有限,适合放到云端的计算任务应尽量上云。云端算力可以实时调配,管理起来也更灵活。他同时强调,真机数据是模型迭代不可缺少的闭环。机器人越聪明,越依赖身后的云端算力。
智元机器人联合创始人彭志辉在接受采访时说,今年公司的训练集群规模会逼近万卡,目的是跟上不断上涨的计算需求。另一位联合创始人姚卯青则提到,算力大多通过租赁方式拿到,这样做既能压住资产投入,也留出了扩容的余地。
头部机器人公司的算力账本,正在从"买多少卡"转向"能不能随时调到可用算力"。
这背后是具身智能研发的阶段性特征:模型训练、仿真和强化学习会把算力需求推高,到了验证阶段需求又可能回落。自持硬件成本高、容易闲置,临时采购又难以保障研发连续性。
于是,按需调用、弹性扩缩、统一调度,并能适配物理AI多场景需求的智算云服务,成了更现实的选择。

(2026年面向物理AI增长最快的AI新云厂商榜单)
这种需求已经在资本市场上被标了价。行业测算显示,CoreWeave在2026年上半年营收同比增长112%,全年的产能已经提前卖完;国内做AI基础设施和智算云服务的九章云极,2026年上半年云业务营收同比增长约420%。AI新云这一轮增长说明,市场对“随时可调用”的计算资源越来越愿意掏钱。
但换个算法,这笔账未必划算:按需租用的单价可能比自建更高,如果长期处于高负载状态,总成本不见得更低;物理AI的算力需求能否像大模型那样迅速攀升,业内同样没有统一看法。眼下机器人企业的训练规模,还明显小于通用大模型公司。多步计算的需求倒是已经摆在面前,只是增长节奏还要再观察。
九章云极联合创始人兼COO尚明栋此前接受央视总台财经频道采访时把目光投向另一个维度:计算资源有没有真正用起来。他表示,衡量算力产业不能只看建设规模,更要看资源是否真正被使用、能否服务更多产业主体。算力正在从稀缺的技术资源转变为通用的基础生产资料。
九章云极选择的路子,是把分散的算力需求分层接住,而不是押注一套集中式方案。最下面一层做异构芯片适配、算力池化,用防止算力碎片化的技术方案加上统一调度,让不同架构的计算资源一起跑起来,为机器人基础模型的训练任务提供集中式的大算力底座;中间一层靠云原生集群管理、高性能存储和强化学习运行环境,把多轮训练与验证任务自动编排起来;最上面一层则打通模型训练与推理的一致性能力,一直延伸到端侧推理层,按任务需要动态分配资源。它交付的不再是孤立的计算资源,而是可调度、可伸缩、能分布式协同交付的计算服务。

(全球AI新云厂商积极布局物理AI)
这构成了九章云极的差异化。国内机器人企业面对的算力环境更复杂,不同厂商的芯片在架构、驱动和软件栈上各有差异,训练、仿真、推理对资源的要求也不一样。跨架构适配与统一调度能力,直接决定资源利用率和综合计算成本。这类工作不显眼,却是智算云服务真正形成竞争力的关键。
交易方式也随之改变。以前算力采购主要围绕卡型、数量和单价展开;现在企业更关心能否按任务调用、按实际使用计量,在研发高峰期扩容,在验证阶段释放资源。算力由设备采购转向服务交付。
这套能力已经用到了物理AI的研发流程里。在与某头部世界模型企业的联合验证中,九章智算云在生态伙伴的仿真环境里并行调度数千个虚拟机器人策略样本,让强化学习与安全测试跑得更快;在汽车装配场景的联合验证中,弹性多阶段算力调度帮助提升了策略迭代效率。仿真规模、模型复杂度、迭代轮次,都会牵动算力需求变化,弹性调度和多阶段算力调用有助于减少资源闲置、提高研发效率。
第三方研究也印证了这一趋势。花旗研究在《Embodied Intelligence: The Rise of Physical AI》中指出,数字孪生、真实世界数据采集、仿真及协调硬件的计算软件生态,都是物理AI发展的重要支柱。计算基础设施也因此成为产业链的重要增长机会。
把这几家放在一起看,方向已经比较清楚:英伟达把训练、仿真与终端计算连在一起,CoreWeave把云平台嵌进机器人研发,九章云极则用异构算力调度和应用工程体系把计算资源整合起来,提供弹性计算服务。走法各不相同,目标却是一个:让计算基础设施跟得上物理AI不断变化的研发需求。
物理AI的产业热度,如今正从机器人本体向外扩散,落到支撑其持续进化的计算系统上。研发任务越来越复杂,计算基础设施光有算力还不够,更要把算力高效组织、调度起来,转成可持续的研发能力。机器人本体划定了物理AI的能力边界,计算基础设施则左右它的迭代效率。这或许正是物理AI热潮中更该留意的下一个风口,九章云极已经提前入场。