人工智能的开源与发展：从模型到基础设施

演讲人：汪玉（清华大学电子工程系 / 杭州人工智能基金会理事长）背景：2026年世界互联网大会乌镇峰会

1. 人工智能发展进展与国家战略

1.1 人工智能最新事件: “可形式化验证的科学问题”正被AI以惊人的速度解决

人工智能正在加快科学领域的研究探索，推动科研方式向人机协同和大规模并行转变

数学证明：
- OpenAI在2026年9月解决纳维-斯托克斯千禧年难题，10月集中公开722份稿件，包含对372个数学问题的证明。github地址
- 重塑数学研究分工，AI批量探索，数学家审阅、理解并延伸成果。
生命科学：
- OpenAI联合PerturbAI使用1946个智能体，并行分析小鼠全脑CRISPR图谱，32分钟内生成关于基因扰动及其潜在生物学机制的研究报告。
- 推动生命科学传向大规模并行探索，从逐项解读转向批量提出假设

1.2 人工智能最新进展: 视频生成和AI编程被大范围使用

视频生成与编程助手的广泛应用，带来大量真实需求：

AI视频生成: 画面从失真走向逼真：
- 从动作失真到画面逼真、动作连贯
- 创意生产门槛下降，广告与影视制作流程加速重塑，传统拍摄和后期环节面临冲击
AI编程助手: 开发者使用快速普及
- 开发者使用AI工具的比例：从2023年的44%跃升至2025年的79%。
- 软件生产转向人机协同，开发门槛大幅降低，开发速度明显提高

1.3 人工智能最新事件: 从数字世界到物理世界

人工智能在具身智能、芯片研发和太空空间等领域展现出新的发展潜力：

从数字世界走向物理世界：
- 具身智能: 从简单抓取到灵巧操作：
  - GPT6在具身任务上展现出极强的Zero-Shot(零样本)能力及泛化性，无需训练，性能甚至超过VLAWAM等具身模型。
  - 机器人从单步操作迈向多任务协作，打开制造、物流和服务场景
- 电路设计: AI参与芯片研发：
  - OpenAI与新思科技合作，让模型推理集成电路设计与验证任务，并调用EDA工具。
  - 芯片研发从人工操作工具转向人机协同，有望加快设计迭代。
- 太空算力:实现“天数天算”：
  - 之江实验室“三体计算星座”实现首批12星入轨。
  - 数据可在轨处理，减少回传依赖，星动遥感与太空科学实时响应

1.4 国家战略与政策导向

2026世界互联网大会：李强总理强调构建网络空间命运共同体，推动互联网与AI融合，突出以人为本的价值取向（人机关系、算法模型伦理、数实融合安全、数字鸿沟公平）。
《关于发展新质生产力的意见》（2026年10月9日印发）：强调“推动科技创新和产业创新深度融合”，全面实施“人工智能+”行动，强化算力等关键要素供给，前瞻布局具身智能、6G等未来产业。

2. 开源的历史与发展

2.1 现代计算机领域的开源运动

思想萌芽（20世纪50-70年代）：软件作为硬件附属品免费提供，学术界形成代码共享文化，BSD Unix是代表。
制度奠基（1983-1991年）：1983年Richard Stallman发起GNU计划；1985年成立自由软件基金会（FSF），提出GPL协议；1991nianLinus Torvalds开源Linux内核。
正式定名（1998年）：网景公司开源浏览器代码，业界正式提出“Open Source”，随后成立开源促进会（OSI）。

2.2 开源历史与发展

演进历程：1969年 UNIX -> 1991年 Linux -> 2008年 Android -> 2010年 OpenStack -> 2015年至今 AI开源生态。

年份	项目/技术	核心描述	关键人物	人物身份
1969	UNIX	大学与研究机构共享软件的早期实践	Ken Thompson	UNIX 早期开发者
1991	Linux	社区协作开发开放操作系统内核	Linus Torvalds	Linux 内核创建者
2008	Android	开放移动平台推动移动互联网普及	Andy Rubin	Android 联合创始人
2010	OpenStack	开源云基础设施连接算力与服务	Jonathan Bryce	OpenStack 推动者
2015 至今	AI 开源生态	开源框架与模型加速智能技术创新	François Chollet	Keras 创建者

2.3 开源案例:Linux & Android & Hadoop & OpenStack

开放的技术底座能够凝聚全球开发者，带动移动互联网产业生态发展并催生新的商业模式

Linux & Android：共建通用计算底座与移动终端平台，实现了合法的商业化与强大的生态繁荣。

对比维度	Linux：共建通用计算底座	Android：共建移动终端平台
起点与主导	• 1991年由Linus Torvalds发起 • 1992年转向 GPL • 社区与企业共同维护	• 2007年由Google牵头成立联盟 • 2008年开放 AOSP* • 首款 Android 手机上市（2008年T-Mobile G1）
关键里程碑 (图内紫色方块)	1992年转向GPL（GNU通用公共许可证）是开源软件和操作系统历史上最具决定性意义的里程碑事件，它直接造就了今天Linux内核及整个开源世界的繁荣。 GPL让Linux可以： • 合法的商业化与分发 • 强大的“传染性” • 与GNU项目完美合体	(无特别标注)
产业影响	• 全球数字经济基石：Linux的免费、高稳定性和高度可定制化，使其直接催生并支撑了云计算与移动互联网等多个万亿级产业。 • 商业模式重构：证明了“代码免费开放，通过技术支持、托管服务、软硬一体或云服务盈利”的商业可行性。 • 打破技术垄断：开源协议（GPLv2）确保了其代码永远属于全人类公共财富，任何单一商业巨头或国家都无法将其私有化或实施“断供”。	• 重塑市场格局：大幅降低了硬件门槛。 • 繁荣应用生态：催生了空前繁荣的移动互联网与统一的应用生态。 • 跨界延伸：推动了操作系统向物联网（IoT）与智能汽车等跨界延伸。

Hadoop & OpenStack：降低大数据处理和云基础设施的使用门槛，打破生态封锁。

对比维度	Hadoop：让海量数据处理普及	OpenStack：让云基础设施开放
起点与主导	• 2006年从 Nutch 分离，Yahoo 投入研发 • 2008年成为 Apache 顶级项目，社区与企业共同维护	• 2010年由 NASA 和 Rackspace 发起 • 2012年成立基金会，社区与厂商共同开发
图示信息	Hadoop 是一个开源软件框架，用于在分布式计算环境中存储和处理大量数据	OpenStack 是一套提供云基础设施通用服务的软件组件。OpenStack 控制着大量的计算、存储和网络资源，所有资源均通过 API 或仪表板进行管理。
产业影响	• 数据处理平民化：摧毁了传统数据仓库的高昂壁垒，实现 PB 级数据处理的“平民化” • 确立事实标准：确立了全球大数据底座的“事实标准”，孕育出全新的产业链 • 降低成本与储备燃料：大幅降低了存储和处理数据的成本，终结“数据抛弃”时代，为当今的人工智能爆发储备了燃料	• 打破生态封锁：打破全球云巨头的“生态封锁”，赋予企业真正的“云自由” • 重塑基础设施：推动软硬件彻底解耦，运营商摆脱了对专用通信黑盒的依赖，重塑了全球电信与 IT 基础设施架构 • 巨头联合共建：促成了 IT 史上空前规模的“巨头联合共建”模式，共建一个统一的开源标准比各自为战更符合利益

2.4 范式转移：当开源遇上AI

AI开源从开放代码进一步扩展到数据和模型，面临复现成本高、模型可解释性不足等新挑战

分类	交付物	复现难度与透明度	应用范围
传统软件开源	程序与源代码源代码+技术文档	编译与运行极低：普通电脑即可编译白盒：逻辑清晰，逐行可读	基础软件开发者/厂商/企业
AI开源	数据与模型 (训练、评测) 数据模型权重，部署代码	完整重训极高：需天价算力集群从头训练黑盒：数千亿参数矩阵，难以解释单一参数意义	广泛应用像水电一样触达大众，延伸至千行百业和个人

2.5 任务变化导致计算特征变化

计算任务形态从“数据密集与松耦合”到“算力/通信密集与紧耦合”

变化维度	大数据与传统云计算时代	大模型时代
集群扩展逻辑变化	Scale-Out：切分与复用 • 单任务计算量小通常不突破单机处理能力，甚至单机能力足以并发处理多个子任务 • 系统关注“切分和复用”（CPU），任务数量庞大，以批处理、离线计算为主 • 不强调单任务的绝对性能，允许慢节点（Straggler）存在，可通过调度和重试解决，核心强调高容错	Scale-Up：聚合与协同 • 单任务（单个大模型）体积急剧膨胀，单机/单卡处理完全不可能，任务必须切分到多机多卡“同时”执行 • 系统关注“组合与聚合”（GPU-超节点-大集群） • 此外，除了巨型预训练任务，大模型推理带来了海量的在线、高并发、低延迟（流式生成）请求，极度强调单任务的端到端性能
硬件形式及容错机制变化	廉价商用机（Ethernet）和任务重试 • 假设硬件是廉价的x86服务器（数万到数十万） • 标准TCP/IP以太网连接 • 磁盘读写或内存容量是瓶颈 • 硬件故障是常态，一个节点挂了只需在其他节点重启这个子任务，其他几千个节点不受影响	昂贵的智算超节点（Scale-up + Scale-out）和全局停摆 • 单台机器价值百万到千万 • 内部通过NVLink/NVSwitch组成高带宽域（Scale-up），机器间通过RoCEv2或InfiniBand（RDMA）组成无损网络（Scale-out） • 任何微小的虚拟化开销都会造成巨大的资金浪费 • 几万张卡在做同步任务，一张卡掉线或一根光模块抖动，整个万卡集群就会…等待（被遮挡）
虚拟化变化	解决 CPU 资源的切分、隔离与共享问题 • CPU具有成熟的硬件虚拟化和内存隔离机制，不同CPU节点相对独立，任务之间通信较少。 • 能够通过虚拟机、容器和时间片调度实现资源超分、弹性分配与故障迁移，其核心是将物理服务器抽象为标准化、可独立调度的计算资源	不再只是切分算力，而是如何聚合算力并保持高…（被遮挡） • 与CPU不同，GPU拥有独立显存和专用高速互联，单卡算力无法满足需求，跨卡通信带宽、拓扑位置和数据同步直接决定训练性能 • 例如，72卡超节点与分散部署的72张GPU，即使理论算力相同，实际性能存在显著差异。因此，虚拟化需要从单卡资源抽象扩展到包含计算、显存、网络等的逻辑计算资源组。
并行计算范式变化	通算系统：单维度并行（弱耦合） • 关注 Scale-out，不需要切分模型逻辑，基本上只有数据并行（Data Parallelism） • 切分数据、各自独立处理、最后汇总（Map-Shuffle-Reduce），任务之间是“弱耦合（Embarrassingly Parallel）”的，对网络拓扑不敏感	智算系统：多维度混合并行与拓扑感知（紧耦合） • 多维混合并行与计算图切分：关注Scale-up域与Scale-out域的协同，甚至模型本身进行切分。演化出高度复杂的多维混合并行（3D/4D/5D Parallelism）——数据并行（DP/ZeRO）/张量并行（TP）/流水线并行（PP）/序列并行（SP）/专家并行（EP）等。推理阶段也可解耦分离。 • 这些并行维度对通信带宽和延迟的要求完全不同，虚拟化和调度系统必须感知底层物理拓扑

2.7 开源芯片:RISC-V与开放处理器生态

RISC-V正在快速打破X86与ARM的传统架构垄断，重塑全球半导体产业的生态格局。https://blog.csdn.net/zhaoweiminde/article/details/134372330

起源与背景

动机：为打破专属芯片架构(ARM和X86)高昂授权壁垒，创建个真正开放、免费且通用的开源指令集架构。
起源：2010年在加州大学伯克利分校启动，得到计算机体系结构泰斗David Patterson 教授RISC奠基人之一)支持

关键事件

2011年发布首版ISA（指令集架构）技术报告
2015年RISC-V基金会成立，推动标准与社区协作
2016年英伟达（NVIDIA）入局：这是一个标志性的产业信号。GPU巨头英伟达宣布在GPU内部控制处理器中使用RISC-V，这意味着RISC-V在要求极致可靠性的底层控制领域得到了国际顶级大厂的认可（目前英伟达每年出货数十亿颗RISC-V内核）。

应用规模

累计内核数（2022）达100亿：正如上一轮提到的，Arm达到百亿里程碑用了十几年，而RISC-V从2011年算起，仅用了大约10年就达到了这个量级，足见其爆发式增长的势头。
机构成员（2026）达303家：虽然幻灯片上标注的是2026年，但无论是当下的真实数据还是预测数据，全球几百家顶级科技企业（包括高通、谷歌、英特尔、阿里、华为等）加入RISC-V国际基金会，证明了全球半导体产业链正在形成共识，不愿再被单一架构“卡脖子”。

典型案例

这三个案例正好对应了RISC-V三个不同的落地场景：

谷歌（Pixel 6 Tensor芯片）：采月RISC-V架构，作为内置的独立安全芯片。
西部数据（Western Digital）：将 RISC-V架构用于每年数亿个存储控制器。
阿里平头哥（玄铁高性能处理器）：用于边缘计算、自动驾驶。

2.8 开源基础设施

2.8.1 深度学习框架与共享社区

开源框架和共享社区为全球开发者提供了共同的研发基础

年份	代表产品	核心定位	关键数据	产业意义
2015	TensorFlow (Google)	Google开放机器学习框架，研究者和企业可以使用同一套工具训练模型。	GitHub主仓库约 20.1万星标，7.8万次Fork。	降低深度学习开发与部署门槛推动AI 技术走向企业
2017	PyTorch (Meta)	开源框架方便研究者复现论文并分享代码，社区项目不出现	GitHub主仓库约 10.5万星标；2023年Linux基金会报告称，60% 的AI研究实现选择PyTorch。	成为AI科研的重要共同基础，加快前沿算法复现与迭代
2020	Hugging Face 🤗	Hugging Face 用仓库管理模型权重和数据，开发者可按许可下载并改进模型	截至2025年底，平台拥有约 1,300万用户，超 200万个公开模型和超 50万个公开数据集。	形成全球性的模型与数据共享平台

2.8.2 视觉开发与大模型推理

从深度学习到大模型推理，开源工具持续降低技术开发和部署门槛

年份	代表项目	核心定位	关键数据	产业意义
2018	MMDetection	视觉模型开发与训练框架	已开放数百个模型训练可复现代码，开发者可直接复用并按场景调整	为视觉算法提供开放的研发和评测基础
2023	vLLM	大模型高效部署工具	GitHub星标9.6万，Docker 镜像累计拉取超过4000万次，已应用于亚马逊购物助手等实际业务	推动高效推理技术普及，降低大模型部署门槛和算力成本
2024	SGLang	大模型高效推理工具	GitHub 星标 3.8万；镜像累计拉取超 1500万次；支持DeepSeek、通义千问等模型，是目前英伟达官方支持的推理框架	推动大模型与多厂商适配，促进开放模型部署和多元算力生态发展。

2.9 开源大模型:共享智能能力，推动应用创新

开源大模型为大模型应用及开发者创新提供了基础和多样化选择

时间节点	模型名称	核心特性
2025.01	DeepSeek-R1	擅长数学和复杂推理，开放权重及技术报告，供研究者学习、改进
2025.04	Qwen3	可在深度思考和快速问答间切换，开放 8 种规模，适配不同算力
2026.02	Qwen3.5	开放多模态模型，能够理解图片、视频和文字，支持图表问答
2026.04	DeepSeek-V4-Flash	支持长文本、编码和工具调用，百万 token 上下文方便处理长材料
2026.08	Qwen3.8	首次开放 Max 级模型权重，可用于复杂编程和多步骤任务

R1发布时的数学评测

AIME 2024 美国数学邀请赛，单次作答正确率

模型名称	准确率	数据可视化 (比例条)
DeepSeek-R1	79.8%	`████████████████████` (紫色)
OpenAI o1	79.2%	`███████████████████░` (深蓝色)

开放带来的变化

2026 年 8 月，基于 Qwen 首次开发的衍生模型超过 15 万个。
2026 年前 7 个月，该模型家族在 HuggingFace 的下载量达 6 亿次，下载量占比近 50%。

2.10 开源应用:从大模型到“龙虾”智能体

开源智能体框架的发展推动了智能体应用的普及

时间节点	里程碑事件	详细说明
2025.11	项目诞生	个人开发者开源，最初名为 warelay
2026.01.30	突破 10 万星	更名 OpenClaw，GitHub 约 12 万星
2026.02.16	突破 20 万星	项目走红，创始人加入 OpenAI
2026.03.03	超过 React	约 25 万星，登顶软件类项目
2026.10	约 39 万星	持续吸引社区，共同开发和扩展

现象级爆发的开源自主人工智能智能体（AI Agent）框架与大模型能力突破一起共同推动了智能体应用需求普及与爆发。

核心功能特性

本地运行与工具
- 可在个人电脑或服务器运行
- 按授权读取文件、调用浏览器
持久记忆
- 用 MEMORY.md 等文件保存偏好与历史，下次任务可复用
定时与主动执行
- 设定时间自动检索、执行并反馈结果

2.11 总结:开源推动人工智能创新与广泛应用

开源贯通人工智能研发与应用的各个环节，站在巨人肩膀上，全球协作，相互连接

从程序开源到全链条开源

研发和应用各环节共享成果、共同改进

[ 软件代码 ] ➔ [ 芯片架构 ] ➔ [ 工具链 ] ➔ [ 模型权重 ] ➔ [ 应用 ]

站在巨人肩膀上

在开源成果上创造，再把新成果贡献回社区

流程图说明：[ 开源模型、框架与工具 ] ➔ [ 在既有成果上创造 ] ➔ [ 新成果 ] 　　　　　▲　　　　　　　　　　　　　　　　　　　　　　│ 　　　　　└────────── 继续开源新的成果支持下一轮创新

建立连接

开源让世界各地的人相遇、合作、团结

[ 开发者 ] ➕ [ 研究者 ] ➕ [ 企业 ]

3. 中国人工智能开源

3.1 中国开源案例:DeepSeek的全球影响

DeepSeek以极致的低成本、高性能，极大加速了全球人工智能技术的民主化与普及进程

2025.01 DeepSeek-R1	2026.09 DeepSeek-V4.1-Flash
• 开放权重与技术报告，推动全球用户与开发者关注、使用和研究。 • 英伟达当天股价波动，投资者重新评估 AI 开发成本与芯片需求。	• 模型权重与技术报告开放，支持全球开发者下载、部署和改进。 📊 下载数据：截至 2026 年 11 月 2 日，近 30 天模型下载量 214 万+。 • 在 OpenRouter（全球最大大模型聚合平台）[调用]量登顶，并保持第一超过 30 天。https://openrouter.ai/rankings#top-models
📱 App 表现： App 上线后 19 天后，全球 App 下载量 2300 万+。	在 OpenRouter（全球最大大模型聚合平台）[调用]量登顶，并保持第一超过 30 天。https://openrouter.ai/rankings#top-models

3.2 时代特征:为什么中国需要Al开源

追求极致效率：
1. 共享开源基础模型，避免各家从零训练、重复投入
2. 通过量化、蒸馏与推理优化，提高有限算力的使用效率
开放协作，保持技术创新活力：
1. 开放模型权重和架构，减少对外部闭源 API 的依赖
2. 保留本地部署、研究和改进的技术基础
契合企业私有化与合规诉求
1. 金融、政务、医疗、能源和制造业重视数据安全
2. 开源模型可部署在内网，结合内部数据进行适配
共建全球 AI 技术生态
1. Qwen、DeepSeek 等成为全球ddd开发者二次开发的基础
2. 通过模型、架构和工具链的广泛使用，扩大技术影响

开源拼的是“生态厚度”、“工程效率”和“群众路线”。

3.3 中国开源案例:接续迈向世界 AI前沿

凭借比肩顶级闭源大模型的卓越性能与极致性价比，彻底打破了行业的技术垄断壁垒加速了全球人工智能技术的民主化进程，重塑了全球AI应用开发的创新生态与商业落地范式。

3.3.1 国产开源大模型发展里程碑

2025.01	➔	2026.06	➔	2026.07
DeepSeek-R1		智谱 GLM-5.2		Kimi K3
在数学与代码等复杂推理性能上实现了比肩 OpenAI o1 的革命性领先，推动模型范式从对话到推理		在代码生成、长周期智能体任务（Long Horizon Task）等任务达到世界最先进水平		全球首个逼近3万亿参数级（3万亿）的开源大模型，将开源技术生态的规模上限推向了新高度，进一步缩小开源模型与闭源模型差距

3.3.2 Qwen:全尺寸模型覆盖，支撑多场景落地

覆盖不同尺寸规格的开源模型，满足从大集群到端侧设备的多样化应用需求

模型类型	Qwen3.8-2.4T-A95B	Qwen3.5-397B-A17B	Qwen3.8-27B	Qwen3-8B	Qwen3-0.6B
总参数	2.4 万亿	3970 亿	270 亿	80 亿	6 亿
模型架构	MoE 模型	MoE 模型	Dense 模型	Dense 模型	Dense 模型
核心定位与场景	旗舰推理科研与复杂推理大型多卡集群	多模态理解图文视频与长文档多卡服务器	专业任务代码、图像与办公单机服务器	通用助手对话、知识问答本地工作站	轻量应用分类、轻量指令端侧设备
近期表现近 30 天下载	约 2.6 万	约 103 万	近约 758 万	约 785 万	约200万
部署	大型集群	服务器	服务器	工作站	端侧设备

Qwen系列以Transformer 架构为基础，可借助多种框架实现模型推理与服务部署并结合Qwen-Agent等工具开发智能体应用

3.4 中国开源矩阵之基础设施:训练、算子与部署

逐步完善涵盖模型训练、算子开发和推理部署工具链等全链条开源生态

开源项目 / 工具	核心特性与数据
veRL 强化学习训练	• 开放的强化学习训练框架，让开发者更容易开展模型推理能力训练和算法创新 • Qwen 等团队参与共建，支撑 DAPO 等开放训练方案 • 开源框架 GitHub 约 2.4 万星（2026 年 11 月）
TileLang 算子开发	• 降低高性能算子开发门槛，帮助开发者更高效地发挥不同芯片的算力 • DeepSeek 使用 TileLang 构建开源算子库 TileKernels • 支持多类芯片后端，GitHub 约 8900 星（2026 年 11 月）
FlagOS 异构芯片适配	• 提供跨芯片的开放软件工具，减少大模型适配不同芯片时的重复开发 • 开源算子、编译和通信组件，适配昇腾、海光等芯片
XTuner / LMDeploy 上海人工智能实验室	• 提供从模型微调到推理部署的开源工具，降低企业基于开放模型开发应用的门槛 • XTuner 微调、LMDeploy 部署，支持 Qwen 等开放模型 • GitHub 分别约 5200、8100 星（2026 年 11 月）

3.5 中国人工智能开源趋势:数字世界基础设施日益完善，模型应用快速发展

数字世界：从基础建设走向应用	物理世界：具身智能打开新空间
基础设施初步形成模型、训练及推理工具逐步完善，为开发者提供可复用的技术底座	产业仍处于发展阶段真实数据获取、机器人训练和真机验证仍是发展中的关键环节
应用百花齐放智能体、办公和研发助手加速涌现，持续向行业场景拓展	开源协同创造机会数据、模型、训练与评测逐步开放，帮助更多团队参与机器人研发
下一步：模型持续变强，应用做深做实	下一步：推动机器人从实验走向实际场景

4. 人工智能开源：从数字到物理与太空

4.1 物理世界与数字世界有相似规律，智能算法与基础设施相辅相成

4.2 具身AI相比数字 AI更有挑战，基础设施无法直接迁移

算法：物理环境、多样未收敛	数据：昂贵、受限、差异	算力：训练和推理跨越云边端
【物理环境】 • 真实环境连续且混沌 • 看似相同的状态、相同的动作，执行效果可能完全不同 • 算法鲁棒性、容错要求高	【真机数据】 • 物理过程无法像 Token 生成一样任意加速 • 真实机器人资源稀缺，难以大量复制；真实物理执行具有风险和不可逆性	【端云协同】 • 模型训练通常位于云端或数据中心，推理、控制和传感发生在机器人端。 • 网络带宽、延迟和稳定性不可控
【未收敛】 • 具身模型算法仍未收敛 • 模型结构、算法、工作流、数据需求仍在高速变化、探索期	【仿真数据】 • 可扩展但存在现实差距 • 物理规律和视觉分布难以完全还原；仿真场景比较理想，难以覆盖真机情况	【异质硬件】 • 机器人与算力两[侧]资源难以管理、调度

4.5 具身数据基础设施:又快又好为具身技能的生产提供训练数据

Skil生产效率 ≈ 单位时间数据量 x 数据可用性

数据可用性：从76%提到92%
任务：采集任务将面向更高成本的任务
效率：穿戴式采集方式兼顾采集速度与动作有效性（穿戴式数据采集效率为遥操作的3倍）

任务升级	测评升级	系统升级
• 增加了柔性物体的处理 • 增加了大量需要双臂协作 • 多元化的硬件机型	• Generalist • 零样本测试的引入	• 吞吐量提升 300% • 引入“完成时间”作为关键评分维度

4.7 RLinf:平衡动态负载与固定调度，面向具身智能的高灵活大规模强化学习框架

开源:https://github.com/RLinf/RLinf

RLinf的“inf”不仅代表着RL “infrastructure”，也代表着“infinite” scaling，体现了该框架极度灵活的系统设计思想。RLinf的系统可以抽象为用户层（统一编程接口）、任务层（多后端集成方案）、执行层（灵活执行模式）、调度层（自动化调度）、通信层（自适应通信）和硬件层（异构硬件）6大层级。

设计1：采用基于Worker的统一编程接口，利用微执行流实现宏工作流，实现一套代码驱动多种执行模式。

当前已有强化学习框架通常采用两种执行模式：共享式（所有卡跑同一个组件）和 分离式（不同的卡分配不同的组件）。**然而，这两种模式在具身智能“渲训推一体”的特点下都存在局限性。**主要是：由于具身智能体多步决策的属性，模型（Actor）要和仿真器（Simulator）频繁交互，而当前框架一方面不支持仿真器状态快速卸载和加载，另一方面若用共享式需要频繁加载卸载组件，切换开销大，严重降低系统效率。因此，目前已有的框架在这个场景下仅支持分离式训练，但分离式采用on-policy算法训练时资源闲置率高，系统气泡比较大。RLinf针对这一问题，提出了混合式执行模式，如图所示，这种模式兼具分离式和共享式的优势，再配合上细粒度流水设计，使得系统几乎无气泡，显著提升了系统运行效率。

设计2: 面向具身智能大小脑不同训练需求，采用全新的低侵入式多后端集成方案，兼顾高效性和易用性。

具身智能领域的特点是：大小脑同时存在，且该领域仍处在蓬勃发展期，技术路线尚未收敛。因此为了更好地支持具身智能不同用户（如具身大小脑研究人员）的需求，RLinf集成了两套后端：

**Megatron + SGLang/vLLM：**针对已收敛的模型架构（如具身大脑 VLM），支持已适配模型的快速接入，是大规模集群训练的首选模式。在这一模式下，RLinf也采用了全新的低侵入式训推引擎集成方式，有助于快速集成训推引擎的更新版本（用户可尝试切换SGLang版本，方法见说明文档Advanced Feature章节），进而能够启用Megatron和SGLang/vLLM的所有优化能力，如5D并行等。
**FSDP + Hugging Face：**针对未收敛的模型架构（如具身小脑 VLA），支持Hugging Face模型开箱即用无需适配，是快速小规模验证的首选模式。这一模式对于算力受限及新手用户比较友好，特别为具身智能从业者打造。

设计3: 设计面向强化学习的自适应通信库和自动化调度模块，提升训练稳定性和系统效率。

自适应通信机制。强化学习存在多个组件，且这些组件之间存在大量的数据交互。

自动化调度模块。大规模强化学习框架的优化目标是尽量减少系统资源闲置。已有框架通常采用人为指定资源配置的方案，依赖于人工经验，容易造成系统资源浪费，RLinf设计了一套自动调度策略，可以针对用户的训练流以及用户所使用的计算资源，选择最优的执行模式。

影响力

4.8 群体经验学习:将数量增长转化为智能提升

不再只依靠人类教练数据，让机器人彼此经验共享。一台机器人的实践能够帮助其他机器人改进后续学习无需额外专家动作示范或纠错动作，为机器人数量Scaling建立了可扩展的学习机制。

4.9 APXInf:面向具身智能的高性能端侧推理引擎

APXInf以 Python降低接入门槛，以Rust保障运行可靠性，以专用算子释放端侧性能 https://www.zhihu.com/tardis/zm/art/2098390206877648564

4.10 展望未来AI基础设施:从地面到太空

当前 AI 发展的根本性问题：如何将电能更高效地转换为 有生产力的 Token。
长期展望：太空能源具备快速下降的趋势和空间。
价值转化链路
投入 ➔ 电能 ➔ Token ➔ 生产力 ➔ 价值

📊 1GW 算力集群成本与需求测算

1 GW = 1,000 兆瓦 (MW) = 1,000,000 千瓦 (kW)

成本/需求维度	核心数据与说明
GW 级需求	地面数据中心已进入 GW 级竞争，OpenAI、Meta、xAI 等已规划超 10GW 算力集群。
1GW Capex (资本支出)	• 总投资约 400 亿美元 • 约 6500 个 GB200 机柜 • 计算节点约 200 亿美元
1GW Opex (运营支出)	• 总运营成本约 150 亿美元 • 10 年运营周期，0.15 美元/kWh • 电费约 100 亿美元

📉 太空能源成本下降趋势

核心驱动力：火箭大型化 + 火箭回收 + 卫星大工业化预期推动太空能源成本下降。 图表注释：每 W 发电机一年发电量 = 每年 8 度电。

(因原图为对数坐标折线图，此处以时间轴形式重构图表逻辑)

Y轴：每 W 价格 / 元（对数坐标：1, 10, 100, 1,000, 10,000, 100,000）
X轴：年份（2020 - 2035）

年份节点	里程碑阶段	成本趋势及特征描述
~2020	初步工业化	成本处于极高位（近 100,000 元/W）。
~2024	中大型火箭	成本开始下降（约降至 10,000 元/W 量级）。
~2026	可回收火箭	成本曲线加速下降。
~2030	地面供应链太空化	红线穿过“地面”基准虚线（约 10 元/W），意味着太空能源成本开始低于地面能源。
~2035	大工业化 / 全回收火箭	成本降至极低位（接近 1 元/W），实现太空能源的大规模平价应用。

太空算力正成为全球关注的战略性科研方向

太空算力现在正从传统“抗辐射”单点研究，走向“高性能在轨边缘计算与AI化”综合体系研究。

太空算力≠将地面数据中心发射到太空

太空算力面临三个与地面截然不同的关键挑战 需要从星座系统、芯片、Infra 软件多方位协同创新

卫星一直在运动	电力与散热有限	设备难以维修
多颗卫星怎样一起协同工作？卫星的位置和链路不断变化；计算任务不能只按固定网络分配。	有限功率下怎样跑得动 AI？供电能力与散热条件受到严格限制；高功耗地面设备难以直接照搬。	出了故障怎样持续运行？辐射与硬件故障影响长期运行；上天以后无法像机房一样随时维修。
🛠️ 应对方案：星座协同与动态网络	🛠️ 应对方案：高能效芯片与功率管理	🛠️ 应对方案：自主容错与可靠运行

面对全新的挑战，太空算力需要共建开源基础工具

以三大开源平台支撑太空智算系统的宏观规划、芯片设计与高效运行。形成覆盖“系统一芯片一软件”的太空智算开源工具链。

宏观建设	微观设计	在轨运行
星座级：星座怎么建？星座级太空智算系统仿真平台 ⚛️ 星座拓扑与互联 🗂️ 算力与任务映射 📊 功率及系统性能评估	芯片级：芯片怎么设计？智能体驱动的高能效芯片高层次综合平台 ⚙️ Agentic HLS 🔍 微架构与数据流搜索 📦 性能/功耗/面积协同优化	Infra级：模型怎么稳定运行？极端约束下的星载大模型推理引擎 💽 低比特混合精度推理 ⚙️ 存储与数据流优化 🛡️ 错误感知与可靠运行
💡 总结：发射之前，先在地面进行模拟评估星座方案整体性能	💡 总结：让 AI 帮助设计更省电、更适合太空的芯片	💡 总结：让大模型在有限功耗下尽可能高效、可靠地运行