机器人的“大脑”应置于何处？
人工智能正从屏幕后的聊天机器人走向物理世界，机器人成为其最大载体。然而，行业尚处早期，硬件、模型及经济模型均未定型。与大语言模型（LLM）“模型优先、硬件适配”的逻辑不同，机器人领域受限于实时控制的时间约束和大规模部署的成本约束，必须让模型适应固定的廉价硬件。
具身智能的挑战与模型演进
当前通用机器人模型参数量多在数十亿级别，如Physical Intelligence的π0系列（30-50亿）、字节跳动GR-3（40亿）及英伟达DreamZero（140亿）。模型大小并非由缩放定律单一决定，而是受限于数据获取难度及硬件延迟要求。前沿模型已超出单体机器人承载能力，导致延迟和抖动成为核心瓶颈。
业界正探索混合路径：部分功能本地运行，部分卸载至数据中心。英伟达RoboTTT等新技术通过测试时训练（TTT）减小模型体积以适配端侧，但长远来看，利用数据中心共享算力摆脱端侧功耗限制更具潜力。
供应链现实：硅片与内存的效率博弈
供应链倾向于数据中心芯片。英伟达Blackwell系列占据主导，而机器人专用的Jetson产品线产量低、利润率较低，且在先进制程节点上需与数据中心GPU竞争产能。此外，DRAM资源日益被HBM挤占，使得依赖LPDDR的端侧方案面临扩展瓶颈。
效率分析显示，当每块GPU服务超过5-7台机器人时，共享数据中心方案在硅片和DRAM消耗上均优于每台机器人独立配备芯片。这意味着在大规模部署下，云端方案更具可扩展性。
总拥有成本（TCO）裁决：B300 vs Jetson Thor
基于英伟达RoboTTT模型的基准测试对比了三种情景：
- B300卸载情景：单GPU服务12台机器人，综合TCO为18.63美元/小时。
- RTX 6000 Pro卸载情景：单GPU服务4台机器人，综合TCO为15.61美元/小时。
- Jetson Thor端侧情景：每台机器人独立部署，综合TCO为14.97美元/小时。
虽然端侧初始TCO略低，但利用率是关键变量。工业机器人利用率约40%，而共享GPU服务器利用率可达90%。计入利用率后，B300卸载方案的每PFLOP TCO仅为端侧方案的46%。除非部署规模极小，否则云端推理在成本上更具优势。
部署战场：各大厂商的策略分野
Boston Dynamics：拆分架构应对“太大的大脑”
为实现通用性，Boston Dynamics采用分层架构。System 1（视觉运动策略）在本地Jetson Thor上运行，满足低延迟要求；System 2（高层推理）卸载至Google TPU云端。这种拆分解决了前端模型过大无法装入机器人的问题，但也引入了网络可靠性挑战。
Agility Robotics & Verne Robotics：坚守端侧
Agility Robotics认为工厂无线环境恶劣，且安全认证要求决策本地化，因此将计算保留在机器人端，仅将编排等非实时任务上云。Verne Robotics同样因任务无需开放世界推理，选择端到端策略完全本地运行，以避免对外部连接的依赖。
Sunday Robotics & Weave Robotics：家庭场景的妥协
Sunday Robotics初期尝试云推理，但因家庭WiFi抖动严重导致成功率下降，最终转向完全本地推理。Weave Robotics亦选择在本地运行模型，同时利用上行链路上传数据用于训练和远程接管，以应对家庭网络的不可靠性。
攀爬“网络墙”：解锁云端推理的关键
网络是将推理移出机器人的最大障碍，主要体现为具身性带来的射频干扰、上行链路设计缺失及环境动态变化。要突破这一瓶颈，需从以下方面入手：
- 修复环境：部署机器人感知型接入点，实施上行链路优先调度、位置感知波束成形及集中式计时，确保低延迟切换和多链路冗余。
- 减轻负载：优化主板以支持4x4上行链路MIMO，并通过感知堆栈减少传输数据量。
- 时间同步：实现车队亚毫秒级时间同步，使数据中心GPU能高效批量处理多机器人观测数据，最大化算力效率。
随着网络技术的进步和车队规模的扩大，云端推理的经济性和能效优势将愈发显著，推动更多部署从端侧向云端迁移。