随着 Scale Up 组网规模的扩大与算力密度的提升，超节点的稳定性成为集群作业连续性的核心保障， 需考虑器件、网络、系统等层面的可靠特性，以化解系统故障风险。在此基础上，针对单用户专属、 多任务并行等差异化场景，超节点还需通过精细化资源调度、性能隔离与数据安全机制实现全场景 适配，在满足复杂业务需求的同时最大化释放算力价值。 4.2 系统特征 图 4.1 超节点集群组网架构（以昇腾 384 种分级恢复策略确保不同类型业务在 故障发生时均能被实时高效地处理，以最小时间代价保障业务连续性。 超节点发展报告 20 超节点实现大规模组网和稳定运行的同时，所面临的任务场景也从单任务独占到多任务并行逐步 多元化，不同场景对资源调度、性能隔离、数据安全要求差异显著。因此，构建适配全场景的系统能力， 成为超节点释放算力价值、支撑企业数字化转型的必然选择。 单任务场景下的资源独占与性能优化： 高要求，系统应将全部计算、存储和网络资源集中调配至单一任务，避免资源争用与调度损耗。用 户仅需关注超节点域的大小和模型切分策略，利用超节点互联优势即可实现计算性能的最大化释放。 多任务场景下的逻辑切分与高效协同： 面对多任务并行（如同时运行模型训练、在线推理、数据预处理）的混合负载场景，超节点应采 用逻辑切分技术，将物理超节点拆分为多个逻辑超节点，各逻辑节点间通过高速互联协议实现低时 延通信（如图

恢复到原始体素网格的维度, 并用于预测离散化的行动动作. 通过对场景进行三 维体素化, 并使用编码器进行场景、语言的特征提 取, PerAct 能够有效地对环境进行建模, 获取全局 感受野, 并在多任务设置中执行精确的 6-DoF (De- gree of freedom) 操控任务. 体素化提供了对场景的 强结构先验, 而 Perceiver Transformer 则允许模型 从少量演示中学习并泛化到新的环境和任务 representation based on NeRF[107] 近期同样用于 3D 场景表示的 3D 高斯 (3D Gau- ssian splatting, 3DGS)[108] 在许多任务上展现出了 惊人的能力与效率, 其显式的场景表示能够以高效 率和高精度渲染出具有丰富细节的场景, 在虚拟现 实、增强现实、同步定位与地图构建 (Simultan- eous localization 大模型处理环境观察与提示, 输 出动作序列, 动作序列可以是一系列关节角度或末 端执行器的位姿与夹爪开合数据, 这些序列将直接 用于控制机器人的运动. Gato[60] 是一个可以处理多 模态、多任务和具身化问题的通用智能体, 通过在 604 个涵盖不同的模态、观测和动作规范的任务上 进行预训练, Gato 可以完成玩游戏、为图像添加字 幕、操控真实机械臂堆叠方块等多种任务. 当 Gato 作为动作策略时

测和学习能力的智能算法演进。现代控制系统必须能够管理复杂的动态系统，通过集成机器学习技术实现参 数自调优、故障预测和性能优化。 • 多元化负载整合与资源优化：随着自动化控制与信息化、智能化的深度融合，多任务负载整合成为核心发展 方向。现代工业系统需要在单一平台上同时运行实时控制、AI 推理、数据分析、视觉处理、通信管理等多种 工作负载，通过统一的计算平台实现硬件资源的高效利用和系统成本的显著优化。在这一整合过程中，确保 等。 PAC 的主要特点包括： PAC 实现方法多种多样，下图展示了一种基于 ACRN 虚拟机构建的 PAC 架构。该架构利用了 Type 1 虚拟化技术，因此具备 卓越的实时性和隔离性，为多任务和多系统的 PAC 应用开发提供了坚实的基础。此外，借助内存共享机制，该方案实现了虚 拟机间的高速数据交换，不仅在空间上实现了优化，同时也提升了系统间的通信效率，为负载整合带来了全面的性能提升。 图：隔离的运行环境 图：工信部电子五所 Cyclitest 抖动延迟测试 高实时高精度控制 Intewell RTOS 实时性抖动可低至 5 μs，支持多任务间信号量同步技术，实现 IEC61131-3 与 C\C++ 多任务间的时序同步控 制，周期精度可达 1ms 以内。支持高级语言 C\C++ 在实时环境中的交叉编译，充分满足半导体生产实时性业务的需求。 27 高速高确定性数据交互

CTU AGV 益模一体化调度平台 16 第三章 汽车零部件行业数字化转型方向 单一站点 物理按键呼叫 人工出发指令 单任务线 固定路线 ① ② 多站点 系统中呼叫 人工出发指令 多任务线 串行执行 固定配送路线 模具仓库 注塑车间 模具仓库 AGV充电站 原材料仓库 模具立体库 半成品立库 成品仓库 注塑车间 表面处理/分包车间 组装/包装车间 注塑车间 半成品仓库 一体化调度平台 AGV执行控制系统 APS 加工计划 路径规划 资源需求 时间要求 优先顺序 执行 状态 预计 计划 搬运需求 全场景站点 按APS计划指令 与MOM协同 多任务线 AGV小车选择 优化调度执行 任务自动下发 ...... 优化配送顺序 配 送 需 求 配 送 顺 序 优化路径规划 最近AGV/最短路径 动态计算最优配送时长 最优配送顺序 交通管制 无法排出 准确的出货计划； 无法同步综合考虑资源、人员 、产能、半成品、WIP数、成品库存、工序等多种约束因素，计划跟不上变 化，导致计划与实际需求脱节； 车间没有精确生产计划，极难做到多任务前后联动计划，前工序传什么，后工序就做什么。 25 苏州某公司 MEMS精微零部件龙头 借助APS提效700% 汽车零部件行业数字化转型白皮书 汽车齿轮 产品类型 价值与收益 26

化学习等技术正驱动⼈形机器⼈的智能化⽔平快速提升。 特征之五，具⾝智能体之间的关系开始从单体智能向智能协作、群体智能演进。 从单个机器⼈的遥控，向多台机器⼈乃⾄异构机器⼈之间的⽆⼲预协作⽅向突破，但 机器⼈的⾃主⾏动和多任务能⼒还⽐较有限。 特征之六，制造与研发能⼒推动成本下探，为产业化和市场导⼊进程加速。随着 硬件技术路线收敛、供应链成熟、中国制造优势及产业市场规模效应初步显现，⼈形 机器⼈成本和价格呈现双下 XHAND1，实现全域操作、极速响应及⾼效 拣选；在模型层⾯，搭载端到端 VLA 具⾝模型 ERA-42，具备双向交互机制和标准化 IO 接⼝，提⾼作业成功率和通⽤性；在软件层，融合开源与真机多任务数据预训练， 实现快速适配，结合多摄像头补盲设计与⾼频推理技术，实现及时纠偏与瞬时动作决 策，并集成数字孪⽣监控，实现⼯位设备运⾏、物料流转状态的实时监测；在数据 层，构建⾃动化数据管线与仓储 ⾼度范围内的⼯作空 间，可驾驭多种复杂环境满⾜不同⼯作需求。G1 拥有具备空间智能的“⼤脑"⼤模型， 能理解三维场景、与⼈⾃然语⾔交互并将⻓程任务进⾏多步分解，⾃主决策所需的操 作。G1 具备多任务、多技能能⼒的"⼩脑"⼤模型，通过数⼗亿级仿真合成数据的训 练，已展示出多种较⾼成功率的泛化具⾝技能。G1 ⽀持 IsaacSim/Mujoco 等多个仿真 平台，经过测试和示范应⽤阶段，在⼯业⽣产辅助、零售服务等场景进⾏了初步验

PLATO-XL|搜索 ERNIE-Search 跨语言 ERNIE-M |代码 ERNIE-Code 语言理解与生成 ERNIE OCR图像表征学习 VIMER-StrucTexT 多任务视觉表征学习 VIMER-UFO 视觉处理多任务学习 VIMER-TCIR 自监督视觉表征学习 VIMER-CAE 文档智能 ERNIE-Layout 文图生成 ERNIE-ViLG 视觉-语言 ERNIE-ViL 亿级参数的Pangu P系列，适用于低时延、高 效率的推理场景；千亿级参数的Pangu U系列 适用于处理复杂任务；万亿级参数的Pangu S 系列超级大模型能够帮助企业处理更为复杂的 跨领域多任务。 盘古大模型5.0能够更好更精准地理解物理世界， 包括文本、图片、视频、雷达、红外、遥感等更 多模态。在图片和视频识别方面，可支持10K超 高分辨率；在内容生成方面，采用业界首创的 STCG（Spatio

Direct Memory Access）等关键技术实现算力间显存高效 互通，实现不同芯片间的超低时延传输。 （3）统一调度：实现全局最优的资源编排中枢 统一调度是异构算力协同的智能决策中枢，旨在解决多任务资源争用引发的“效率下降” 难题，构建全局最优的资源编排范式，实现对异构算力集群的全维度精细化调度。针对异构 算力计算能力差距，面向大模型训练场景构建分布式并行策略组合、业务感知的非均质拆分 网 18 络和算力间进行一体化考虑，在网络感知算力、算力融入网络等方面保障跨域异构算力集群 高效协同。 业界针对跨域异构算力协同主要呈现两种方式，一是多任务分发式算力调度，通过将分 散、异构算力资源进行感知、连接、整合对系统中多任务进行按需供给和灵活分配，为每项 任务调配到最优区域和算力资源，提升系统整体算力利用情况；二是组合式单任务算力调度， 例如将大模型训练任务分发到远隔千里的多

景操作），注重开放性和 跨领域应用。 Octo UC Berkeley & Stanford 加州大学伯克利分校与斯坦福大学联合开发的多模态决策模型，融合视觉、语言、 运动数据，用于机器人多任务协同（如导航、操作、对话交互），强调实时性和 跨场景泛化。 π0 Physical intelligence Physical Intelligence公司开发的机器人控制模型，专注于低延迟动作生成与环境感 略，支持多模态感知与动态环境适应，用于复杂操作任务（如灵巧手操作）。 Master 2000 有鹿机器人 有鹿机器人开发的多模态机器人控制模型，整合视觉、语言、运动数据，支持家 庭服务机器人（如清洁、配送）的多任务执行，强调低成本与易部署性。 九天大模型 若愚科技 若愚科技的多模态大模型，支持视觉、语言、动作的联合推理与指令执行，用于 机器人场景理解与复杂任务规划（如工业巡检、服务场景交互）。 千诀· 机器人

搭配机器人手臂与灵巧手，兼具移动能力；足式人形机器人着重腿部 运动能力，手部主要用于平衡；通用人形机器人具备双足、双臂、双 手及各类感知和人工智能功能，有全面软硬件基础，能适应开放环境 中的多任务。 01 2.人形机器人的发展历程 1950年—1980年，为人形机器人的概念萌芽阶段，图灵在其论文 中提出了人工智能可能的发展方向，为机器人的概念奠定了基础。现 代机器人的雏形是 CoPa模型，利用GPT-4V等基础模型的常识知识，生成任务导向的抓取 姿态及运动规划方案。其三，视觉-语言-动作模型（VLA）路线，在 VLM基础上增加运动控制层。典型代表谷歌RT-H，通过多任务数据集 联合训练语言-视觉-动作模块，学习自适应动作策略以解决轨迹决策问 题。其四，多模态大模型路线，未来主导方向。如MIT与IBM的MultiPY， 融合视觉、触觉等3D环境特征，通过多视图关联构建以对象为中心的场