随着物理AI与机器人技术从实验室走向真实世界，基础设施的瓶颈正日益凸显。一旦机器人在工厂、仓库或公共空间中部署，系统失败将带来真实风险，而传统的云计算架构已难以支撑这一新形态AI的发展。 物理AI无法像大语言模型那样依赖互联网文本进行训练，而是需要大量与具体场景相关的多模态数据——包括图像、视频、激光雷达、传感器流和运动数据，这些数据必须与实际动作和结果直接关联。由于环境、任务和硬件配置的差异，真实世界的数据获取成本高昂且效率低下。为此，大规模仿真成为关键手段，可生成合成数据、测试边缘案例并加速迭代。 但仿真本身对基础设施提出全新挑战：需协调大规模GPU集群，实现仿真并行化，准备“可仿真”的3D资产，并使用与训练和推理不同的GPU类型。仿真中的推理需以高吞吐量为目标，而非低延迟，这要求专门优化的硬件与调度系统。同时，硬件可靠性至关重要——数千GPU同时运行时，任何中断都可能导致训练周期崩溃，价格性能比和平均故障间隔成为核心考量。 部署后，系统将产生海量、高时效的多源数据。若仅将数据简单存入对象存储，无法满足实际需求。这些数据具有噪声大、上下文强、时间敏感等特点，必须通过自动化管道实现索引、同步与组织，才能支持高效检索与训练。而物理系统反应需在毫秒级完成，传统批处理模式无法满足，必须结合边缘端快速推理与云端高层规划，形成协同系统。 更关键的是，数据流动成为主要瓶颈。机器人持续生成视频、传感器与运动数据，对传输速度和带宽要求极高。现有平台多为批处理设计，难以应对持续高吞吐的多模态流。单纯增加GPU算力无济于事，若数据无法高效传输，成本反而可能超过存储费用。 因此，未来的物理AI基础设施必须是云边协同的混合架构：在云端完成大规模仿真与模型训练，在边缘实现低延迟推理与持续学习。其核心能力包括高速数据传输、高带宽管道、可预测的吞吐性能，以及灵活的资源编排。 Nebius正致力于构建专为物理AI打造的基础设施，整合高性能GPU、高速存储与智能调度系统，支持大规模仿真与模型训练。其平台可灵活应对从Slurm任务调度到基础模型训练的各类需求，助力企业安全、高效地推进机器人系统落地。 物理AI的突破，不仅依赖算法进步，更取决于能否构建真正适配真实世界复杂性的基础设施。谁先解决这一难题，谁就将主导下一代AI的演进。