加速悖論：重新思考具身任務中推理速度與質量的權衡
本文提出TISED分析框架，統一多種有損推理最佳化技術，並揭示其在具身任務中的悖論效應：靜態任務中最佳化可能延長完成時間，動態任務中適度最佳化可提高成功率，且效果受硬體配置影響。
近年來，具身基礎模型被廣泛用於提升機器人泛化能力和任務成功率。為降低計算成本，研究者常採用量化、剪枝、非同步推理等有損高效推理技術，以犧牲小幅動作質量為代價換取更低的單步延遲。然而，傳統機器學習任務多為靜態，而具身任務涉及與環境的反覆互動，其任務級效能不僅取決於單步成本，還受到閉環效應的影響——機器人每次動作的結果會改變後續狀態，從而形成反饋迴路。當前高效推理研究對此類閉環效應刻畫不足。
針對這一問題，來自Yujin Wang等七位研究者的論文《The Speedup Paradox: Rethinking Inference Speed-Quality Trade-off in Embodied Tasks》（arXiv:2606.28529，2026年6月提交，共23頁）提出了一個名為TISED（Task-level Inference Speedup Effect Decomposition）的分析框架。該框架統一了多種有損推理最佳化技術，並將其對靜態任務（如定點抓取）和動態任務（如跟蹤移動物體）的影響進行分解。透過理論分析和實驗驗證，研究揭示了一系列悖論效應：
首先，在靜態任務中，最佳化雖然降低了單步推理延遲，但可能導致機器人更頻繁地執行次優動作，反而使端到端任務完成時間延長。其次，在動態任務中，適度的有損最佳化可以提升任務成功率，甚至超過未最佳化基線，因為更低的感知延遲使機器人能夠更快適應環境變化。最後，這兩種效應的單調性和最優平衡點會隨著硬體配置（如邊緣裝置與雲端）的變化而改變，意味著不存在通用的最佳最佳化策略。
這些發現為具身AI系統的推理最佳化提供了重要指導：在實際部署中，需根據任務型別和硬體條件謹慎選擇最佳化程度，避免陷入“加速陷阱”。該工作已被提交至cs.RO、cs.AI和cs.CV領域，相關程式碼和資料預計將在後續釋出。