AWS представляет набор инструментов для робототехники Physical AI Toolchain
Новый набор инструментов объединяет сервисы AWS и программный стек NVIDIA Physical AI в единый рабочий процесс разработки. Цель состоит в решении одной из самых больших проблем, стоящих перед компаниями, разрабатывающими роботов с искусственным интеллектом: объединение множества компонентов, необходимых для превращения обученной модели в систему, способную надежно работать в реальном мире.
«Мы пытаемся сделать, если хотите, простую кнопку, чтобы люди могли сосредоточиться на проблеме, которую они пытаются решить, а не беспокоиться обо всей инфраструктуре», — сказал Шри Элапролу, директор по передовым исследованиям и разработкам в области искусственного интеллекта в AWS.
Physical AI Toolchain не является прямой заменой облачной платформы для моделирования робототехники RoboMaker, которая была закрыта в 2025 году. Элапролу назвал RoboMaker одним из компонентов стека робототехники AWS, а новый набор инструментов объединяет более широкий спектр технологий разработки. Если точнее, набор инструментов Physical AI Toolchain объединяет пять этапов процесса разработки ИИ:
- Генерацию синтетических данных
- Обучение модели
- Моделирование и проверку
- Развёртывание на периферии сети
- Непрерывное совершенствование
Компания, занимающаяся робототехникой, может собрать примеры выполнения роботом задачи, сгенерировать дополнительные сценарии обучения синтетическим путём, обучить или доработать модель и протестировать эту модель в симуляции, прежде чем развёртывать ее на физическом роботе.
AWS использует облачный сервис Amazon SageMaker для обучения моделей и программное обеспечение AWS IoT Greengrass для распространения моделей на периферийные устройства. Вклад NVIDIA включает такие компоненты для обучения физического ИИ, как Isaac Sim, Isaac Lab, Isaac GR00T и Cosmos. Компании могут использовать эти компоненты по отдельности или объединить их в комплексный рабочий процесс.
«Для обучения этих моделей требуется значительный объем информации, а доступных данных не так много, в отличие от больших языковых моделей, для которых в интернете есть масса данных», — сказал Элапролу. «Так как же сгенерировать эти данные? Как сгенерировать синтетические данные, репрезентативные для реального мира? Это одна из задач, которую мы пытаемся решить».
Синтетические данные могут помочь компаниям генерировать дополнительные сценарии, а моделирование позволяет разработчикам тестировать модели перед их развёртыванием на физическом оборудовании. Инструментарий поддерживает цикл обратной связи, в котором данные, собранные роботами в полевых условиях, возвращаются в облако и используются для улучшения моделей.
«По мере масштабирования этих роботизированных систем данные, собранные локально, необходимо передавать обратно в облако», — говорит Элапролу. «Таким образом, вы постоянно совершенствуете систему».
В новый набор инструментов вошли наработки Amazon в области робототехники, которые сейчас включают более 1 миллиона роботов. Но контролируемые центры выполнения заказов Amazon — это не единственная среда, в которой будет работать физический искусственный интеллект. Элапролу привел в пример японскую робототехническую компанию Telexistence, которая внедряет человекоподобных роботов в магазины у дома. По его словам, уже установлено более 300 таких роботов, и ожидается, что их станет еще больше. В отличие от контролируемого производства, в магазине у дома больше переменных, и роботы должны быстро реагировать на меняющиеся условия.
«Уровень отказоустойчивости, как правило, гораздо ниже, но в то же время скорость реагирования должна быть гораздо выше», — сказал Элапролу.
Он также привел тактильные ощущения в качестве примера специализированных возможностей, которые могут потребоваться физическому искусственному интеллекту. AWS сотрудничает с южнокорейской компанией RLWRLD, разрабатывающей тактильные возможности для рук гуманоидов. По словам Элапролу, существующие модели недостаточно эффективны при выполнении некоторых задач, требующих ловкости пяти пальцев, поэтому AWS и RLWRLD разработали специализированную модель.
Также AWS видит возможности применения не только на складах и фабриках. Например, компания Bedrock Robotics, которая разработала аппаратное обеспечение и модели ИИ для автономных строительных роботов, обучает свои модели в облаке на AWS, а затем использует их для управления оборудованием в реальных строительных зонах.
Набор инстурментов Physical AI Toolchain имеет открытый исходный код, что позволяет стартапам и крупным компаниям использовать и модифицировать его. Отдельные компоненты AWS и NVIDIA уже используются клиентами, в том числе компаниями, участвующими в программе AWS Physical AI Fellowship совместно с компаниями MassRobotics и NVIDIA. Новое предложение объединяет эти компоненты в более целостный рабочий процесс.
«Мы объединяем компоненты и делаем так, чтобы компаниям было удобно их использовать», — добавил Элапролу.
