Amazon 推出开源开发工具链助力机器人开发及实施物理任务

Amazon Web Services (AWS) 推出了开源开发平台，以帮助企业构建和部署能够感知周围环境、做出决策和执行实体任务的机器人。这个名为 Physical AI Toolchain on AWS 的平台，结合了 AWS 基础设施与 NVIDIA 的物理 AI 软件生态系统，旨在支持工业机器人、自主移动机器及类人系统的开发。Amazon 表示，这个工具链的目的是减少将 AI 模型从开发转移到实际机器所需的工程努力。

AI 开发的转变

此项推出反映了 AI 开发的一个更广泛的转变：从生成文本和图像的系统，转向必须与物理环境互动的机器，这些互动中的错误可能损坏设备、扰乱生产或产生安全风险。

传统工业机器人通常在受控环境中执行预定的动作。物理 AI 旨在使机器更具适应性，使其能够解读传感器信息、对变化的条件做出反应并从经验中学习。例如，工作在装配线上的机器人可能需要处理以不同角度呈现的组件，而自主仓库机器则必须在变化的布局中导航并避免障碍物。类人机器人面临的挑战更加广泛：在为人类设计的环境中操作不熟悉的物品并执行任务。训练这些系统需要的不仅仅是一个强大的 AI 模型，开发者还需要大量的训练数据、真实的模拟、计算资源以及将训练后的模型转移到实体硬件上的方法。

AWS 表示，这个新工具链将这些元素整合于一个共同的开发工作流程中，让企业可以选择全套解决方案或为现有项目选择个别组件。

工具链的组织架构

该工具链围绕物理 AI 开发过程的五个部分组织。合成数据生成：AI 生成的环境创造额外的训练场景，而无需在现实世界中记录每一种情况。模型训练：系统从人类示范和模拟练习中学习。模拟和验证：开发者在虚拟环境中测试机器人的行为，然后再在实体机器上运行。边缘部署：优化的 AI 模型在部署的硬件上运行，使其能够在不需要持续云端连接的情况下做出即时决策。持续改进：在操作过程中收集的数据可以反馈到训练中，帮助开发者为未来的部署改进模型。

该平台结合了 AWS 服务，如 Amazon SageMaker 用于模型训练、Amazon EC2 GPU 实例用于模拟、AWS IoT Greengrass 用于边缘部署，以及 Amazon Bedrock AgentCore 用于协调。它还整合了 NVIDIA 工具，包括 Isaac Sim 用于机器人模拟、Isaac Lab 用于强化学习、Isaac GR00T 用于类人机器人，以及 Cosmos 用于生成合成环境。

其目标是减少这些阶段之间的摩擦。工程团队可以使用共享架构而不是独立组装和维护每个开发管道的每个部分，并将其适应于自己的硬件和应用。

Amazon 表示，该工具链吸取了其自身机器人操作的经验，公司报告指出其网络中有超过一百万台机器人。这种经验暴露了在大规模操作自主机器时所面临的实际挑战，从协调机队到维护部署硬件上的软件。该公司强调了几个从事物理 AI 的开发者。NEURA Robotics 正在开发认知类人机器人，RLWRLD 正在构建灵巧操作的基础模型，而 Config 则建立了一个收集和扩展机器人行动训练数据的管道。

对于制造商来说，潜在的应用范围从适应新装配任务的机械臂到自主机器，这些机器可移动材料和监控生产。然而，该工具链是一个开发平台，而非现成的机器人，其可用性并不保证模拟训练的模型能在工厂或仓库中可靠运行。

模拟与现实的挑战

机器人技术的一个核心挑战是从模拟过渡到现实操作。一个在虚拟环境中成功的模型在部署到实体硬件时可能会遇到意想不到的摩擦、光线变化、传感器噪音或物品处理的变化。通过在一个工作流程中结合模拟、训练、部署和反馈，AWS 和 NVIDIA 旨在使这一过渡变得更容易管理。该工具链还包括车队管理功能，旨在帮助企业随着部署的增长来配置、保护和更新机器。对于工程师来说，这个意义不仅在于单一的新 AI 模型，更在于重复开发物理 AI 系统所需的基础设施。

项目	规格
模拟环境	合成数据生成
学习方式	人类示范与模拟练习
测试方式	虚拟环境测试
部署方式	边缘部署
数据反馈	持续改进

物理 AI 开发的未来挑战与机遇

随着机器人技术的发展，企业越来越需要能够与物理环境互动的系统。Amazon 的开源开发平台不仅提供了必要的工具，还针对机器人在实际运作中面临的挑战进行了整合。这包括从模拟到现实操作的过渡，这是一个关键的技术挑战。成功的物理 AI 系统需要大量的训练数据和有效的模拟环境，以确保在真实世界中的可靠性。这样的开发平台有助于加速机器人技术的进步，并推动各行业的自动化进程。