1 “十五五”具身智能机器人虚 实融合训练场与 Agent 协同 控制平台可行性研究报告 2 目 录 第一章 项目概述.................................................6 1.1 项目基本情况............................................7 1.1.1 项目基本信息............. ............................20 3.1 业务场景与需求分析.....................................22 3.1.1 虚实融合仿真训练场景需求..........................22 3.1.2 OpenClaw 应用与物理部署需求.......................23 3.2 建设目标与量化指标... .............................33 第五章 核心系统与平台设计......................................35 5.1 虚实融合仿真训练场设计.................................36 5.1.1 高保真仿真环境构建机制............................37 5.1.2 虚实数据同步与交互协议

................................. 26 7.2 存算分离拉远训练场景........................................................... 27 算力城域网白皮书（2025 版） III 7.3 跨集群协同训练场景................................................ 的数据量和计算资源，训练成本普遍较高。行业大模型和垂直大模型 专注于特定行业或应用场景，表现出更高的专业精度和深度，算力要 求和训练成本也相对较低。大模型部署可分为训练和推理两种场景： 训练场景是指使用大规模数据集对庞大、复杂的大模型参数进行训练 的过程；推理场景是指在特定条件，利用大模型进行逻辑推理、知识 推断提供高效准确结论的过程。 对于大部分企业和研究机构来说，自行购买和维护高性能计算设 输过程中发生丢包。确保跨广域训练的算效相较于单 DC 仍能达到 95%以上，并且云边协同推理相比集中推理 TTFT 和 TPOT 性能劣化 小于 5%。 （4）收敛组网技术 在跨集群协同训练场景下，城域网络需要承载多个 AIDC 间的大 规模参数面数据并发同步。算力城域网需具备收敛组网能力，有效缓 解多 AIDC 协同训练时数据并发和突发对网络的影响：通过分层梯度 聚合算法重构集合

工业场景的最终目标是执行通用复杂长任务，实现恶劣环境的人工替代并弥补 劳动力短缺。初步落地阶段先从短链条任务起步，不断积累作业数据进行训练， 提升工作能力后逐步胜任复杂任务。 工厂成为应用训练场，轮式形态将成为首选。三大应用场景中，工业场景因标 准化程度较高成为具身智能的训练场，采用渐进式部署策略，待技术成熟后再 向家庭、商业服务场景延伸。在不同的下肢形态中，轮式形态具备稳定性、长 续航、移动速度快的优势，将成为工业场景应用首选。 人形机器人与工业机器人形成互补定位，适配柔性化发展趋势 ............ 5 2.2. 人形机器人从短链条任务开始，提升能力后逐步胜任复杂任务 ............ 7 2.3. 工厂成为机器人走进应用的训练场，轮式形态将成为首选 .................... 8 3. 优先适配搬运与质检类任务，商业化重点关注 ROI ................................... 标是执行通用复杂长任务，实现恶劣环境的人工替代并弥补劳动力短缺，初步落 地的阶段先从短链条任务起步，不断积累作业数据进行训练，提升工作能力后逐 步胜任复杂任务。三大应用场景中，工业场景因标准化程度较高成为具身智能的 训练场，采用渐进式部署策略，待技术成熟后再向家庭、商业服务场景延伸。在 不同的下肢形态中，轮式形态具备稳定性、长续航、移动速度快的优势，将成为 工业场景应用首选。 人形机器人优先适配搬运与质检类任务，并向基础组装拓展，商业化核心卡点是

首个国家级具身智 能标准化试点“上海虚实融合具身智能训练场”正式获批立项，标志着具身智能 从“单点突破”迈向“体系化作战”。在顶层设计上，由国家地方共建人形机器人 创新中心牵头，联合全国河南、深圳、重庆等 8 省 1 市分训练场，形成“主训 练场+区域特色分场”的网络，覆盖工业、农业、能源等多场景；在技术底座上， 依托“麒麟”主训练场和“白虎”数据集，构建“基础+特色”双层标准体系，涵盖数 性；在特色，针对实体训练场、虚拟仿真场、机器人本体等四大领域，计划研 制超 80 项标准，例如如何定义“高精度操作数据”、异构机器人如何兼容同一 训练场等。二是实现数据互通。一方面，通过主训练场输出标准模板，分训练 场按需适配，最终反哺全国数据池；另一方面，通过认证闭环为行业提供质量 标杆，例如“白虎数据集”成为首个获 CR 认证的人形机器人数据集。“1（上海 主训练场）+N（区域分场）” 主训练场）+N（区域分场）”协同体系，形成“上海研发—全国验证—生态共 享”的良性循环。一是主场输出“上海方案”，分场反哺数据。上海主训练场提 供标准化场景模板、全流程规范，例如如何搭建高逼真度的工业模拟环境；分 场采集的陕西榆林的井下采矿数据、吉林的汽车制造数据等特色数据回流至主 训练场，优化通用模型。二是分场打造“区域样板”，通过上海的“中枢”作用实 现资源集约化。各地结合本地优势布局场景，例如重庆聚焦新能源汽车，支持

二是推动构建虚实融合数据训练场体系，推进人形机器人仿真与真 实数据深度融合。数据是未来人形机器人能力突破的关键壁垒，在数据 收集和训练中面临成本高、仿真数据和真实数据差异较大等挑战。针对 这些瓶颈， 17 （二）强化感知能力，促进人形机器人技术融合创新 （三）聚焦重点场景，驱动人形机器人应用健康发展 未来可通过三大路径突破：首先，推动构建虚实融合的国际联合训练场 体系。结合数字孪生技 体系。结合数字孪生技术搭建软硬协同的虚拟训练场，产业各方协同， 建设高质量多模态语料库，实现数据采集效率与场景覆盖率的双重提升。 其次，通过行业联盟、跨界合作等方式，共同构建高质量、大规模的人 形机器人数据集，推进完善多模态数据闭环。开源数据集降低研发成本， 加速技术迭代，吸引更多开发者参与。最后，融合仿真数据与真实数据， 在实际环境应用中采集利用数据优化智能和性能，形成“数据飞轮”效 应。发挥仿真数据优

计算节点典型应用场景​ .......................................................................... 13 （一） 大模型训练场景：支撑万亿参数模型高效训练.................................13 （二） 高并发推理场景：保障生成式 AI 服务实时响应..................... 单芯片算力峰值与数据吞吐能力。在服务器层面，依托 NVLink、高 速以太网等先进 Scale-Up 互联技术，构建超低时延通信架构，实现 单机柜内 64 卡及以上的高带宽互联，优化张量并行、专家并行等大 模型训练场景下的通信效率。 （三）超低时延网络，破解数据传输瓶颈​ 针对大模型训练“通信密集型”特征，构建“节点内-节点间-集 群间”高速互联网络体系，通过协议优化与架构升级，大幅降低数据 传输延迟、 AI 预测模型，实现冷却功耗的动态调节和故障预警，进一步压缩能 耗波动，提升系统可靠性。 AI 计算节点发展研究报告（2026 年） 13 三、AI 计算节点典型应用场景​ （一）大模型训练场景：支撑万亿参数模型高效训练 AI 计算节点通过高效互联协议、统一内存编址、故障主动预防 与恢复，有效突破了传统架构在大规模分布式计算中的性能瓶颈，成 为支撑万亿参数模型高效训练的重要方案。在互联协议方面，AI

防御，这就更需要对营区整体全面监控，及时预警，为部队主动防御提供基础， 但一般营区面积较大、环境复杂、场地空旷等问题给部队防御工作带来了不便， 因此部队营区建设的安防监控系统需具备全景展示功能，以对训练场、周界等大 范围场景可做到全面监控，总体预览，同时支持视频联动，当突发事件发生时提 升营区整体监控水平和应急指挥效率，充分满足部队主动防御需求。 2.1.3 防控保密需求 由于部队本身的 ，并可实时掌控营区内人员的 活动情况。 训练场： 室外训练场地布置图 22 训练场全景：部署多目全景球，可实现对训练场无死角全景拼接监控， 180°/360°全景拼接画面覆盖整个训练场，并可对训练场细节场景进行变倍跟 踪。 训练场监控：部署监控枪机，对训练场进行全天候监控覆盖；在角落或重要 区域可以部署监控球机，实现对训练场重点区域的细节监控。 档案室： 室内保密场所布置图 技术，同时辅以白光、激光 (可 视激光、红外激光)多光谱全天候补光系统，感光灵敏度更高，画面信噪比更 大， 图像效果更逼真、细腻、通透，超星光级的夜视效果使夜间监控场景更 好。 白天效果： 训练场全景画面 营区广场全景画面 夜间效果： 32 营区夜间全景画面 4.1.2.4.3.2 智能分析 全景画面支持区域入侵侦测、离开区域侦测、绊线侦测，动点画面支持越界 侦测、

为金融机构提供更精准的风险评估和投资建议，提高金融服务的效率和安全性。 AI的应用场景从单一的训练模式扩展到丰富的推理服务，包括实时推理、批量推理、 边缘推理等多种形态，业务流量从规律化转向复杂化和多样化。与训练场景相对单一的流量 模式不同，推理业务呈现出显著的异构性和动态性特征。业务调度流量、集合通信流量、 KV Cache访问流量、存储访问流量等多种流量类型在同一网络中并存，且流量模式具有明 显的突 例如华为提出网络级负载均衡，通过算网协同，网络集中控制器从计算侧获得整网的 流量矩阵，将全局流量划分到独立通信域，为每个通信域类的业务流计算全局最优路径，确 保整网流量无冲突，在训练场景中效果如下： 除训练业务外，AI推理业务同样面临流量冲突问题。与训练场景相比，推理业务的流 量具有更高的动态性和突发性，传统的全局调度技术难以有效适应其变化特征。针对这一 挑战，华为基于推理业务的实际特点，自主研发了AI推理调度算法。该算法有效提升了系 需求相对较低，可配置较小的缓冲区配额。结合拥塞控制机制，通过及时的拥塞信号反馈与 速率调节，即可实现大流的平滑传输，避免网络资源过度占用，提升链路利用率与公平性。 4.2.3.3 拉远训练精准流控技术 在万卡乃至十万卡级大模型训练场景中，受限于机房空间、电力与散热瓶颈，集群不 得不跨多个机房甚至地理局点部署。同时，模型迭代加速，算力需求激增，单一数据中心 难以承载，多DC协同成为支撑更大模型训练的必然选择。此外，租户算力本地化需求及部

石景山区的国内最大人形机器人训练场、上海国家地方共建人形机器人创新中心打造的“麒麟”具身智能训练场、天津的 帕西尼具身智能超级数据工厂，以及杭州、成都、宁波等地均有相关人形机器人试验场落地，据不完全统计，国内已建 成或计划在建的具身智能训练场达到 20 余家，其中公开披露的 10 家训练场总面积超过 4 万平方米。 然而，依赖遥操作采集的数据与特定本体结构强绑定，原本定位为公共产品和基础设施属性的数采训练场，在推动

中国移动推出大云磐石 DPU，以云智算场景需求为牵引，与国产芯片厂商深 度合作，提带宽、降延迟、优传输，构建端网协同的高性能互联方案。带宽方面， 研发智算 RDMA 技术，大幅提升网络带宽，满足训练场景大带宽要求；延迟方面， 搭载轻量化 RTT based 拥塞流控算法，有效降低网络时延，满足推理场景下低时 延要求；传输方面，通过端侧多路径、数据高速采集技术，优化 RDMA 传输机制， 从源头上解决多路径 面向近期，重点开展归一化算力度量、自适应算力通告、多因子联合路由技 术研究，面向智算推理场景，开展集中式、分布式部署方案验证，验证算力路由 在模型感知、推理实例选择的灵活性和高效率。 面向中远期，攻关面向大模型训练场景的多维算力信息融合路由机制，综合 感知网络拓扑、网络故障、节点算力状态、检查点等多维信息，构建稳定高效的 智算训练网络，充分发挥算力路由的性能潜力。 2.4.2 在网计算 云智算应用对带宽 范式。数据处理场景下，通过弹性层级队列和负载感知调度以及重调度，有效保 22 障多租户数据处理任务的稳定性。分布式推理场景下，基于全局流量负载均衡和 推理集群自适应弹性伸缩，有效提升推理服务全局 Token 吞吐。集中式训练场景 下，基于 AI 任务断点续训的特点，通过分时调度机制实现训练和推理混合负载， 白天推理、晚上训练，有效降低总体成本。 面向近期，面向数据处理场景，适配 Spark、Flink 等多计算引擎，通过弹