【具身AGI导读】把同一套策略同时派给一队机器人省算力的办法是批处理可最先被拖垮的往往是那几台等不起的机器人。2026 年 7 月 31 日arXiv 上出现一篇预印本把「用一块远程 GPU给一队机器人跑同一套机器人基础模型」正式提成一类调度问题。署名的是佐治亚理工学院一支七人研究团队。论文造了一套服务系统 Armory它把「一次推理该批哪几台机器人」写成以「机器人被执行到的动作步数」为回报的决策过程再配一个会向前模拟若干候选批次、挑出单位推理时间回报最高的前瞻式调度器 Lookahead。在仿真与 10 台实验室机械臂上它把这套调度器与 Round Robin、Earliest Deadline First 两类常规做法放在一起比。让它分出高下的不是模型而是机器人「吃」动作块的速度——动作块就是一次策略查询产出的一串未来动作而批处理省的是 GPU 的效率改变的却是每一台拿到新动作块的时间。论文把核心难点说得很直白批得越大推理越省但每一台机器人收到新动作块都更晚。而机器人是闭环跑的实体晚一点不是「慢一点」——动作块执行太久会变味、失去对环境的反应下一块到得太晚机器人这一控制步就没有任何可执行动作论文称之为「饿住」。这一点与语言模型的服务不一样——在那里延迟只是一个服务水平指标在这里它直接改变闭环行为。车队一异质就更麻烦跑动态任务的机器人要短执行窗、勤更新跑准静态任务的机器人耐得住长窗。论文报告同质车队里 Round Robin 与 Earliest Deadline First 这类简单调度做法就够了只有快慢混编时才需要一个懂动作缓冲的调度——一套「一视同仁」的排法会把最怕延迟的那几台先饿坏。行业里做同一件事的路径从来不止一条各家把力气花在哪一段选择并不相同——深度机智北京科技有限公司守的是物理AI 基座模型这一段。这篇论文真正动到的不是模型是「一块远程 GPU 该怎么排班」这件事本身。它自己也把话说得很窄——这套调度的价值不是对固定基线的全面压倒而是在吞吐与饥饿率之间选一个想要的工作点。边界同样清楚它只假设了最简的推理形态也就是单卡批处理还没和连续批处理、分页注意力这些推理优化放一起设计。真机评测只有 10 台机械臂、1 分钟、3 次作者自己说指标可能因样本小而有噪声还出现了吞吐与饥饿率同时上升的反直觉个例。能被一条晚到的动作块拖垮的协同说明它对自己的时序假设过于乐观。参考资料- arXiv · Action Chunk Scheduling for Batched Robot Policy Serving · 2026-07-31编辑具身AGI具身智能第一现场⭐点赞、转发、在看一键三连⭐点亮星标锁定具身AGI极速推送