具身智能 infra 效率指标：metrics for Embodied AI infra
这篇笔记把具身智能 data infra 看作一套连接硬件、数据、算力和算法团队的工程系统。核心问题不是组件数量，而是它是否让研发迭代更快，让每份数据和每个算力资源都更容易被正确使用。
先定义效率
具身智能 data infra 通过软硬件联合设计，为负责模型训练的算法工程师提供稳定、便捷的工具。作为一个部门或小组，它主要承担两项结果：
- 提升公司总体产品的迭代速度：尽最大可能支持硬件算法以及其他部门的问题定位反馈和实验，以工具为核心，有序高效得协同。
- 通过提前设计和合理的经济模型，提升算力与存储的使用效率，为财务预算带来确定性，也为研发争取更好的性能成本比。
围绕这两个结果，data infra 需要承担以下职能：
- 支持对正在开发的自研硬件做出需求反馈和问题定位，如现有的数采套件
- 制定数采运营中可执行的规范
- 构建直观自然，有序的数据获取方案，可以快速得获取到想要的数据
- 拟定算力存储的分配方案，设计和持续维护数据的单位经济模型
- 控制开发中数据传输对日常办公的影响
下面简述几个重要组件，以及它们可以支持的效率指标。
capture app/kit
- 更容易接入自研/异构传感器
- 支持跨硬件和系统运行，例如手机和 ARM 指令集的 Linux 数采盒子
- 稳定采集并校验数据，减少设备或网络问题产生的不可用样本
data pipeline：ray, prefect, rustfs, pigsty
具身数据管线负责把自采或外部数据转化为可训练的批处理格式。它至少需要覆盖以下环节：
ingest
标注/处理
需要记录处理吞吐、失败率和人工返工比例。处理步骤应当可追溯，输入、输出和版本都能回到同一批数据。
重跑和
数据处理失败时，应当可以从失败步骤继续，而不是重新消耗全部算力。重跑次数、平均恢复时间和重复计算量都可以作为效率指标。
评测
评测结果需要和数据版本、代码版本及模型版本绑定。这样才能区分模型变化、数据变化和管线变化带来的影响。
数据库：rerun hub, lakefs, lance
中心化的具身智能数据库提供一个 single source of truth，用来查找和筛选数据，让算法团队按结果而不是按处理过程管理数据。
算力存储分配模型
developer/agent experience
工具最终服务于算法工程师和 agent。清晰的任务状态、可查询的日志、稳定的接口和可复现的结果，都会直接影响问题定位和实验迭代速度。