AWS 推出开源物理 AI 工具链，打通机器人开发全流程

亚马逊云科技（AWS）发布开源物理 AI 工具链，帮助机器人开发者打通从数据采集到模型训练、仿真、验证与真机部署的全过程。

该工具链把 AWS 服务与 NVIDIA 物理 AI 软件栈整合为统一工作流，意在解决一个痛点：把训练好的模型变成可靠运行于真实世界的系统，需要串联大量零散环节。

AWS 前沿 AI 科学与工程总监 Sri Elaprolu 对 The Robot Report 表示，公司希望提供一键式方案，让开发者专注解决问题而非底层基础设施。他称该工具链并非 2025 年停服的 RoboMaker 的直接替代品，后者只是 AWS 机器人技术栈的组件之一。

该工作流覆盖五个环节：合成数据生成、模型训练、仿真与验证、边缘部署以及持续改进。

机器人企业可先采集任务演示数据，再合成生成更多训练场景，训练或微调模型，并在真机部署前于仿真中完成测试。AWS 提供 Amazon SageMaker 用于模型训练、AWS IoT Greengrass 用于向边缘设备分发模型；NVIDIA 则贡献 Isaac Sim、Isaac Lab、Isaac GR00T 与 Cosmos。各组件既可单独使用，也可组合成端到端流程。

Elaprolu 指出，与拥有海量互联网文本的大语言模型不同，机器人训练数据十分稀缺，如何生成贴近真实世界的合成数据是核心难题之一。工具链还支持反馈闭环：现场采集的数据回传云端，用于持续迭代模型的「大脑」。

AWS 称该工具链吸收了亚马逊自身机器人运营的经验——其机器人规模已超过 100 万台，但受控的履约中心并不能代表物理 AI 的全部应用环境。

Elaprolu 以日本公司 Telexistence 为例：该公司正将人形机器人部署到便利店，目前已有 300 多台投用。与受控工厂不同，便利店变量更多，要求机器人对变化的条件作出更快响应。

他表示，此类场景的容错水平通常低得多，但对响应速度的要求要高得多。

AWS 让该工具链保持硬件中立，并不指定特定机器人，而是提供跨不同机型训练与部署模型的基础设施。

Elaprolu 称，未来会出现并正在出现种类繁多的硬件设计与部件，因此工具链有意在最后这一步保持中立。