5月5日，特斯拉发布人形机器人"擎天柱（Optimus）" 最新进展视频，展现了其分拣电池、行走、执行工厂任务的能力，并配文"最近正在努力变得有用"。机器人发展"新奇点"的出现，背后离不开大模型技术支撑。
大模型的出现彻底颠覆了机器人的软件开发范式，预训练赋予了大模型知识压缩的能力，因此模型可以通过大规模的预训练实现高泛化能力，不仅可以覆盖绝大多数小概率场景（corner case），同时也降低了算法开发的复杂度。
随着大模型多模态能力的持续迭代，大模型在具身智能领域的技术供给可以分为三个阶段：
1）短期阶段：以大语言模型（LLM）为主，LLM可以赋能人形机器人和人之间的交互，大幅度提高服务场景的智能化水平；但LLM无法参与机器人的规划控制，所以无法在动作控制方面施加影响力；
2）中期阶段：图像-语言模型（VLM）有望赋能具身智能系统，直接参与机器人的决策规划系统，但由于缺少动作模态，所以决策系统与控制系统契合度较低；
3）远期阶段：图像 -语言-动作多模态模型（VLA）。把动作作为模态融合进入大模型，得到了高度泛化能力和思维链能力的VLA，VLA模型成熟之后可基本实现具身智能功能。
大模型是"大算力+强算法"相结合的产物，是人工智能的发展趋势和未来。与传统机器学习相比，深度学习是从数据中学习，而大模型则是通过使用大量的模型来训练数据。深度学习可以处理任何类型的数据，例如图片、文本等等；大模型可以训练更多类别、多个级别的模型，因此可以处理更广泛的类型。
大模型的构建及优化离不开训练和推理两大基石。训练以其对数据集和算力资源的庞大需求为我们所熟知，是大模型构建的基础，通常需要数据中心级别算力支撑；训练可以提高模型的表示能力和泛化能力，使其能够更好地使用各种实际情况。
推理，则是大模型优化和应用的关键。通过推理，开发人员可以定位模型中的潜在问题，如过拟合、欠拟合等，从而针对性地进行调优和优化，提升模型的性能。并且，推理不需要和训练一样循环往复的调整参数，因此对算力需求也会低很多。
.png)
大模型训练调优"赛程过半"，推理随着效率的不断提高，逐渐展现于"聚光灯下"。超集信息针对大模型推理场景，推出了强大的企业级高性能GPU工作站——ServMAX® TS60-X4。
.png)
相较市场主流高性能工作站，TS60-X4在超集信息强大的产品设计能力下，实现高密集成，完成了单机4卡的算力限制突破，在双路4th/5th Gen Intel® Xeon®平台下最高可支持6张 450W 3.5宽GPU搭载。
提升算力同时，TS60-X4通过风道优化，保障了高效散热。在30℃环温的满载压力测试中，机内关键算力芯片及内存温度均全程低于散热阈值，有效规避过热带来的降频等问题。
并且，大模型推理时不仅需要将数据量极大的大模型加载到内存中，而且为避免使用外存进行存储和读取，造成推理降速，还需将输入数据和输出结果也都完全加载到内存中，因此需要占用大量内存空间。TS60-X4拥有高达16个DDR5 DIMM内存插槽，内存容量最高可达1TB，可有效满足推理场景下的需求。
随着人工智能技术研究的深入及应用场景的扩展，推理技术备受推崇，迎来了更为广阔的发展空间。未来，推理也将与其他技术相结合，在更多领域实现更广泛应用，进一步推动人工智能领域的创新和进步。