问题——具身智能进入加速期，“能不能跑起来”很大程度取决于基础设施能否及时跟上。近年来，具身智能以“感知—决策—行动”闭环为核心——推动机器人从执行单一指令——走向自主理解、持续学习与复杂交互。与传统自动化相比，具身智能更依赖大规模数据训练与实时推理，对计算密度、网络带宽与端到端时延提出更高要求。业内普遍认为，训练端算力供给、推理端时延控制，以及云端与边缘的协同效率，正成为机器人规模化应用的关键制约。 原因——模型规模扩张与多传感器融合，推动“算力—网络—存储”一体化成为刚需。具身智能机器人需要同时处理视觉、语音、力觉、位姿等多源信息，数据吞吐量大、链路复杂，对网络稳定性和低时延能力的要求明显提高；同时，大模型训练周期长、算力消耗高，单点设备难以兼顾性能与效率。为此，企业正从单一硬件供给转向系统级能力建设，通过高性能服务器集群、智算网络、加速互联与高可靠存储，搭建“可训练、可部署、可运营”的底座，以支撑机器人在复杂环境中的持续运行与快速迭代。 影响——底座能力补齐，将推动机器人从“能演示”走向“可量产、可运营”。紫光股份近日在投资者关系平台回应投资者提问时表示，公司涉及的产品可覆盖技术研发、模型训练、推理部署及场景落地等环节。在算力侧，面向大模型训练与推理的AI服务器、智算超节点等装备，可提升训练吞吐、缩短迭代周期，并为机器人端的实时推理提供支撑；在网络侧，高速光模块、智算交换机及端网融合方案，以大带宽、低时延与高可靠传输能力，强化多传感器数据的实时交互，为云端训练、边缘推理与终端执行协同提供支持。业内人士指出，基础设施的完善有助于机器人更稳定地完成工业生产线的精密装配、巡检搬运等任务，也为家庭服务、园区安防、商业零售等场景的智能化升级创造条件。 对策——以全流程解决方案提升交付效率，并同步完善安全与治理框架。据介绍，紫光股份计划推出覆盖具身智能训练全流程的解决方案，强调从数据存储、网络到算力支撑的系统化能力，为大规模数据训练、推理部署与场景落地提供高性能信息通信技术基础设施支持，并通过虚拟环境数据生成与海量数据训练等方式提升模型学习效率。业内认为，具身智能产业化不仅要解决“算得快、传得稳”，还要解决“用得安全、管得规范”。随着机器人进入更广泛的公共与生活场景，数据合规、模型可解释性、系统可靠性与安全冗余将成为规模落地的重要指标。企业在推进技术创新的同时，需要在数据安全、算法偏差、使用边界与责任划分诸上完善治理设计，推动形成可审计、可追溯、可持续的应用机制。 前景——产业链协同提速，具身智能有望在2025年前后迎来从试点走向规模部署的关键窗口。当前，具身智能正处在“模型能力提升—硬件成本下降—场景需求明确”的叠加阶段。随着智算中心建设提速、边缘计算与高速互联技术持续迭代，机器人训练与部署门槛有望更降低；同时，制造业智能化升级、服务业精细化运营与养老陪护等需求持续增长，为具身智能打开更广阔的应用空间。可以预见，围绕算力设备、高速互联、智算网络与存储体系的底座能力，将成为机器人产业竞争的重要分界线。企业若能在“硬件+网络+软件栈+交付体系”上形成综合能力，并与应用侧伙伴打通数据闭环与运营闭环，将更有机会在新一轮产业扩张中抢占先机。
当机器人开始具备环境感知与自主进化能力，智能变革正在加速到来；紫光股份的涉及的探索说明了国内企业在关键基础设施上的布局，也引发了对技术伦理与产业变革的更讨论。如何在提升效率的同时建立更合理的人机协作方式，仍需要产学研各方持续投入与共同推进。