Markov Robotics 创立时的信念是：机器人学面临的是智能问题，而非硬件问题。公司的长期目标是实现充裕的物理自动化，其理由是，要让人类扩展到地球之外，就需要能够从事真实物理工作的机器人。它的第一步是实现零样本通用灵巧性：用单一策略在任何机器人本体上执行任何任务。
]] ]]]][![![![ [![为此，Markov 正在训练一个世界模型，并采用一种新方法来实现这一目标。他们的判断是，视频已经包含了机器人行动所需的绝大部分物理现实信息，而让模型以压力、本体感觉等高保真模态为条件，就能使策略对世界如何随时间变化形成详细的内部表征。
]] ]]]][![![![![![ ]]]]]][![![![ [![不到十小时的机器人数据，就足以让 Markov 的模型执行多种复杂的操作任务，而在这一领域，同等水平的结果通常需要数千小时的数据采集。然而，要实现这一点，需要能够支撑复杂计算流水线的基础设施，从处理海量数据，到管理并行训练任务，再到提供低延迟推理服务。
]] ]]]][![![![![![“我们几乎所有的计算都在 Modal 上运行，无论是预处理、训练模型还是部署模型。我们机器人流程的几乎每个阶段都跑在 Modal 上。”
为训练准备数百 TB 数据
] ]]]][![![![ [![在训练开始之前，Markov 需要摄取数百 TB 的视频，来源包括机器人回合数据、人类演示提供方以及团队自行采集的素材。所有这些都需要经过处理——切分视频、转换为世界模型所需的格式、让文本指令通过嵌入模型。
]] ]]]][![![![ [![Markov 将每个步骤写成一个 Modal Function ，并用 .spawn_map将其分发出去，从而扩展到全球数千个 CPU 和 GPU 节点上的容器，在最繁重的阶段可同时使用多达 500 块 GPU。得益于按需计算并行处理的能力，原本在传统配置上可能需要一整天的工作，在 Modal 上只需二十到三十分钟即可完成。
“用 Modal 就像写简单的本地脚本，但在后台，它正在数千个容器上编排预计算。”
借助 Modal，研究人员可以为每个函数选择合适的 GPU 或 CPU 资源，因此切分和格式转换等任务可以跑在 CPU 上，较小的模型跑在 A100 上，较重的预计算模型跑在 H100 上。这使成本与每个阶段实际所需的工作量保持成比例。此外，由于流水线中很大一部分受 I/O 限制，Markov 利用 Modal 的输入并发，在每个容器内重叠网络与计算，从而避免加速器在下载期间空转。
]] ]]]][![![![![![“即使我自己搭建基础设施，也需要数周到一个月才能搞定，而且即便如此，也没有哪家供应商会给我 spot 容量，让我直接说：把这个函数跑在任意 GPU 上，我还得花更多时间精力去申请这种预留。”
这极大地加快了整个团队的迭代速度，因为他们不必等待预留资源可用，也不必等待之前的任务完成。
]] ]]]][![![![ [![“世界上没有任何地方能让你瞬间获得 500 块 GPU 来处理你的全部数据，而 Modal 是唯一一家让我们只需写一个 Python 脚本，就能把它分发到计算资源上并行运行一切的供应商。”
]] ]]]][![![![ [达到最高研究速度
] ]]]][![![![ [![Markov 团队在任何时候都会运行 2 到 10 个训练任务。借助 Modal，基础设施不会拖慢他们的流程。
]] ]]]][![![![ [![训练任务直接读取预处理步骤写入的同一批 Modal Volumes ，因此读取速度快，不会把时间浪费在不必要的数据搬运上。
]] ]]]][![![![ [![实验默认具有可复现性。由于 Modal Function 在代码中声明其容器和依赖项，团队运行的每个实验都很容易复现，无需折腾 Docker 镜像，也无需追查难以察觉的漂移。现在，更改基础镜像或核心依赖只需一行 diff，就会在下次运行时生效。而在以前，这意味着构建镜像、推送镜像、想办法把源代码放到机器上，并在崩溃时手动重启。每个实验因此能省回 30 到 60 分钟。
]] ]]]][![![![![![“Modal 把原本可能需要 30 分钟的流程变成零分钟的流程，因此我们可以多跑一个数量级的实验。没有 Modal，很难达到这样的研究速度。”
而且他们无需预先预留计算资源，这对 Markov 运行的突发性工作负载至关重要。一个实验意味着大量预处理和计算，然后是四到十小时的训练运行，之后再缩减到零。他们考察过的大多数 GPU 供应商都要求按月租用固定机器，而在 Modal 上，他们可以按需获取计算资源，并且 只在 需要时获取，得益于 Modal 的按秒计费。
]] ]]]][![![![ [解锁远程推理
] ]]]][![![![ [![虽然 Markov 的许多机器人自带 GPU 并在本地运行许多策略，但公司更大的世界模型需要远程运行，同时保持操作实时设备所需的低延迟。
]] ]]]][![![![ [![为此，Markov 使用 Modal Tunnels 在机器人与固定在美国西部（us-west）的 GPU 之间建立直接通路，测得往返网络开销约为 20 毫秒。部署也是流水线中唯一有位置要求的阶段：预计算和训练可以在全球运行，而推理需要尽可能靠近机器人，并运行在性能稳定的硬件上。Modal 让这一切只需一行代码。
]] ]]]][![![![ [以 Modal 的代码优先方式赋能智能体
] ]]]][![![![ [![虽然端到端流水线的每一步看起来都不一样，但有一点是相同的：它们全都只是代码。无论是预计算步骤、训练运行，还是低延迟推理，在 Modal 上它都只是一个代码文件。这种结构对工程师有利，他们可以端到端地阅读整条流水线；对团队所依赖、用来快速推进工作的编码智能体也同样有利。
]] ]]]][![![![![![“Modal 让我们以非常代码优先的方式构建一切，因此我们可以更高效地使用编码智能体。一切都只是一个代码文件，而不是这个平台做这个、那个平台做那个。智能体可以看到所有内容，并编写一个完全符合我们需求的脚本。”
这正是这样规模的团队能够同时运行十个实验的重要原因。工程师描述一个实验——预计算什么、基于什么训练、如何部署——然后由智能体编写文件。
]] ]]]][![![![ [加速迈向通用灵巧性
] ]]]][![![![ [![Markov 的赌注是：世界模型会从视频而非演示中学习物理规律，而它在此过程中获得的先验知识将替代大规模数据采集。
]] ]]]][![![![ [![这个赌注正在得到回报。在专注于灵巧手之后，团队在夹爪上的早期实验几乎无需额外努力就奏效了。
]] ]]]][![![![ [![他们能如此之快走到这一步，部分原因在于他们清楚地知道自己需要从计算中获得什么。准备数百 TB 的视频、同时运行十个实验，以及为机器人保持一个 20 毫秒的循环，是三个不同的问题，而 Markov 找到了一个平台，让他们能同时解决这三个问题。这让团队的注意力得以留在它该在的地方：弄清楚机器人需要看到什么才能行动。
]] ]]]][![![![ [![随着团队扩大数据规模、训练运行规模和投入现场的机器人数量，流水线也随之扩展。
]] ]]]]]