具身智能技术路线未定型，百度智能云以百舸承接共性基建
具身智能技术路线尚未收敛，但算力调度、数据处理、仿真评测、推理部署这些每家公司都会重做的工程环节，正在沉淀为可复用的公共基础设施，百度百舸切的就是这一层。
机器人本体数量上来了，具身智能看似离规模化更近，但理解环境、学习新任务、持续进化的能力还无法随机器人一起批量复制。行业关注点正从「怎么造出机器人」，转向「怎么持续生产和迭代机器人的能力」——一次动作成功不算数，能稳定复制到更多本体和场景才算数。
正文摘录
别意外。本体数量上来了，具身智能乍看离规模化越来越近，但理解周围世界、学习新任务、持续进化的能力，还没法跟着机器人一起批量复制。 一台机器人学会一个动作不算最难，难的是继续学会第二个、第三个任务；一项已经验证的能力，能不能快速复制到更多机器人身上；换一座工厂、一个工位，甚至换一种本体，还能不能继续跑。 说到底，行业关注的重点，正从如何造出机器人，转向如何持续生产和迭代机器人的能力。 9 月 16 日，在 2026 智能经济论坛上，百度集团执行副总裁、百度智能云事业群总裁沈抖分享了一个判断： 如果类比 AI 时代的发展，今天的 AI 有可能只是灯泡发明后的第一个月而已，因为灯亮了，所有人都看到了变化，但是电力带来社会经济分工的调整还没有出现。 当智能体进入产业系统，企业里的知识、数据、流程、工具和具体要求，要被组织到真实场景里，最终交付结果、创造价值，并持续进化。 这些经验要能回流到模型和系统里继续迭代，再沉淀成下一次可以复用的能力，机器人才能真正「越用越会」。 怎样才能让每台机器人不断学会新技能，并把一项已经验证的能力稳定复制到更多机器人和场景里？ 所谓「能力量产」，指的是把已经验证过的具身应用技能，通过模型、数据和本体的持续闭环，以稳定且可控的成本复制到更多真实场景中。 前者看一次成功，后者看任务成功率、人工接管率、单位任务成本、稳定运行时长，以及一项技能复制到更多机器和场景需要多久。 「本体」解决身体如何规模化制造，「模型」决定能力上限，「数据和 AI Infra」影响学习新技能的速度，「真实场景」则检验它能否从一次成功变成稳定成功。 但一个现实问题是，具身企业进入高频迭代后，原本分散的算力、模型、数采、仿真和部署链路很容易互相拖慢。 数据拿回来要处理，模型训练完要仿真，仿真过了还要真机验证，真机暴露新问题又得重新回流。