清华大学联合无问芯穹开源具身智能云原生纳管平台RLark

具身智能的实验现场往往由多个角色拼成：机器人和相机等现场设备、云端算力、训练与推理程序，以及把它们连起来的通信环境。机器之心转述的项目描述把这一协同比作机场塔台——飞机各自飞行，但起降需要与跑道、航线和地面资源统一协调。当机器人从单机走向机群，设备逐个接入、任务分别部署、网络反复配置、故障逐一排查的成本会被放大。

RLark 的切入点不是“把设备连进来”这一件事，而是把分散的算力、设备和执行程序组织到同一项任务下运行。按官方说明，平台以自研具身设备运行时和任务级跨集群网络互联为核心，前者统一管理机器人、相机等设备的运行时环境，后者针对不同任务和流量特征做跨集群通信隔离与优化。

需要说明的是，上述定位与架构描述均来自项目方通过机器之心发布的稿件，属于 source_claim；本文未获得独立的第三方验证，因此对“统一纳管”“像 GPU 一样调度”等表述应理解为项目目标与自述能力，而非已获外部确认的结论。

官方披露的规模是：RLark 已完成 3 个集群、近百个云边端节点的统一纳管，覆盖 4 种型号的具身设备。在测试环境下，具身设备纳管从传统的 1 小时缩短至约 5 分钟；资源已接入且具备运行条件时，任务提交后 10 秒内可在平台侧启动。这些数字是本文最具体的量化依据，但均出自项目方自述，且明确限定在“测试环境”内。

跨地域实测把 RLark 与强化学习基础设施框架 RLinf 结合，在广东云端 GPU 集群与北京机器人现场之间进行。现场设备负责交互和数据采集，云端 GPU 承担训练计算，训练得到的策略再用于后续真机交互。官方称实验连续运行约 36 分钟，训练推进至 323 个全局训练步骤，完整跑通设备申请、跨集群调度、真机数据回传、云端训练和策略更新全链路。

通信专项测试给出了另一组数字：在受限网络环境下，RLark 的大包单流吞吐较测试所用 VPN 方案提升约 49%，小包单流吞吐提升约 14%；在高带宽环境下，大包单流吞吐接近 2 Gbps。稿件还称与 EasyTier 方案对比，RLark 显著减少了跨地域真机任务运行中因网络传输造成的卡顿。这些对比数字同样属于 source_claim，测试条件、基线配置与可复现性未在稿件中展开。