将物理AI推理从机器人本体卸载到边缘或云端GPU：一项移动操作工作负载的系统性测量研究

作者称这是首个针对机器人工作负载的系统性研究，聚焦移动机器人操作，并以“检查厨房是否有垃圾并把它放进垃圾桶”这类典型任务为例，覆盖语义建图与规划、导航、操作三类核心能力。 此前物理AI的主流做法是在机器人上配置GPU、把推理限制在本体，高层规划可能在云端但任务执行仍绑定机器人；该工作把推理基础设施本身作为研究对象，系统比较本体、边缘与云端配置。 基于代表性模型在多档计算配置上的评测，具体测试硬件细节放在技术报告中；文中以百分比形式给出差异，但未在正文列出样本量或统计检验。

卸载推理可改善任务表现：部分较小GPU无法承载移动操作栈；在显存足够的GPU上，建图与规划相比A100最多慢383%；导航对障碍物的及时检测下降30%；VLA模型虽未明显变慢，但精度下降50%。 把“本体算力不足”从工程直觉转化为可量化的性能损失，说明本体GPU会限制机器人在动态空间中的能力，而卸载到本地或云端GPU可提升运行表现。 以A100为参照的相对比较，覆盖建图规划、导航与VLA操作三类负载；文中未给出置信区间或重复次数。

卸载推理可延长电池续航：用Raspberry Pi-5板替换本体GPU并把数据全部送到卸载GPU后，电池续航提升；较大的本体GPU如Jetson Thor即使对较大机器人也会使电池消耗增加最多160%（约数小时）。 把功耗与续航作为与性能并列的系统指标纳入物理AI推理架构讨论，指出本体GPU在功耗、成本、重量上的代价。 基于本体GPU与Raspberry Pi-5加远程推理的对比测量，给出百分比与“数小时”量级的描述。

作者构建了自动卸载工具集：用声明式规范自动容器化并卸载机器人工作负载，用Kubernetes在机器人算力、边缘GPU与云端之间按策略分发，并集成机器人仿真器、LeRobot与ROS2；该能力作为“业界首个”机器人物理AI推理卸载能力加入开源、生产就绪的Physical AI Toolchain，包含SO-101与UR10e的示例项目，并演示了将Microsoft Rho模型推理卸载到Jetson Thor以控制Mobile Aloha。 把测量结论落地为可复用的部署路径，使开发者能够跨机器人、边缘与云端编排分布式推理，而不必自行搭建卸载管线。 以已发布的开源工具链与示例项目为依托，并称已在多个真实用例中测试；正文未给出这些用例的量化结果。

该结果面向移动机器人操作这一设定，典型任务如“检查厨房是否有垃圾并把它放进垃圾桶”，覆盖语义建图与规划、导航、操作三类能力，并在本体、边缘与云端GPU配置之间比较。它适用于需要在动态空间中运行较大模型、同时希望延长续航的机器人部署，也适用于希望用Kubernetes在机器人、边缘与云端之间编排推理的开发者，工具链已提供SO-101与UR10e示例。作者明确指出卸载涉及性能、网络延迟与带宽、可用GPU资源之间的复杂权衡，因此其收益取决于部署环境中的网络条件与算力供给。

正文以百分比呈现差异，但未给出样本量、重复次数与统计检验，具体测试硬件细节指向技术报告，因此这些数字的稳定性仍需结合报告确认。卸载收益与网络延迟、带宽和可用GPU资源紧密相关，在什么网络条件下收益会反转，正文未给出边界。作者称已在多个真实用例中测试，但未列出这些用例的量化结果。此外，随着物理AI模型继续增大，卸载收益“可能”更明显，这一趋势性判断尚属预期而非已验证结论。