【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！