Amazon 推出開源開發工具鏈助力機器人開發及實施物理任務

Amazon Web Services (AWS) 推出了開源開發平台，以幫助企業構建和部署能夠感知周圍環境、做出決策和執行實體任務的機器人。這個名為 Physical AI Toolchain on AWS 的平台，結合了 AWS 基礎設施與 NVIDIA 的物理 AI 軟件生態系統，旨在支援工業機器人、自主移動機器及類人系統的開發。Amazon 表示，這個工具鏈的目的是減少將 AI 模型從開發轉移到實際機器所需的工程努力。

AI 開發的轉變

此項推出反映了 AI 開發的一個更廣泛的轉變：從生成文本和圖像的系統，轉向必須與物理環境互動的機器，這些互動中的錯誤可能損壞設備、擾亂生產或產生安全風險。

傳統工業機器人通常在受控環境中執行預定的動作。物理 AI 旨在使機器更具適應性，使其能夠解讀感測資訊、對變化的條件做出反應並從經驗中學習。例如，工作在裝配線上的機器人可能需要處理以不同角度呈現的組件，而自主倉庫機器則必須在變化的佈局中導航並避免障礙物。類人機器人面臨的挑戰更加廣泛：在為人類設計的環境中操作不熟悉的物品並執行任務。訓練這些系統需要的不僅僅是一個強大的 AI 模型，開發者還需要大量的訓練數據、真實的模擬、計算資源以及將訓練後的模型轉移到實體硬件上的方法。

AWS 表示，這個新工具鏈將這些元素整合於一個共同的開發工作流程中，讓企業可以選擇全套解決方案或為現有項目選擇個別組件。

工具鏈的組織架構

該工具鏈圍繞物理 AI 開發過程的五個部分組織。合成數據生成：AI 生成的環境創造額外的訓練場景，而無需在現實世界中記錄每一種情況。模型訓練：系統從人類示範和模擬練習中學習。模擬和驗證：開發者在虛擬環境中測試機器人的行為，然後再在實體機器上運行。邊緣部署：優化的 AI 模型在部署的硬件上運行，使其能夠在不需要持續雲端連接的情況下做出即時決策。持續改進：在操作過程中收集的數據可以反饋到訓練中，幫助開發者為未來的部署改進模型。

該平台結合了 AWS 服務，如 Amazon SageMaker 用於模型訓練、Amazon EC2 GPU 實例用於模擬、AWS IoT Greengrass 用於邊緣部署，以及 Amazon Bedrock AgentCore 用於協調。它還整合了 NVIDIA 工具，包括 Isaac Sim 用於機器人模擬、Isaac Lab 用於強化學習、Isaac GR00T 用於類人機器人，以及 Cosmos 用於生成合成環境。

其目標是減少這些階段之間的摩擦。工程團隊可以使用共享架構而不是獨立組裝和維護每個開發管道的每個部分，並將其適應於自己的硬件和應用。

Amazon 表示，該工具鏈吸取了其自身機器人操作的經驗，公司報告指出其網絡中有超過一百萬台機器人。這種經驗暴露了在大規模操作自主機器時所面臨的實際挑戰，從協調機隊到維護部署硬件上的軟件。該公司強調了幾個從事物理 AI 的開發者。NEURA Robotics 正在開發認知類人機器人，RLWRLD 正在構建靈巧操作的基礎模型，而 Config 則建立了一個收集和擴展機器人行動訓練數據的管道。

對於製造商來說，潛在的應用範圍從適應新裝配任務的機器手臂到自主機器，這些機器可移動材料和監控生產。然而，該工具鏈是一個開發平台，而非現成的機器人，其可用性並不保證模擬訓練的模型能在工廠或倉庫中可靠運行。

模擬與現實的挑戰

機器人技術的一個核心挑戰是從模擬過渡到現實操作。一個在虛擬環境中成功的模型在部署到實體硬件時可能會遇到意想不到的摩擦、光線變化、感測器噪音或物品處理的變化。通過在一個工作流程中結合模擬、訓練、部署和反饋，AWS 和 NVIDIA 旨在使這一過渡變得更容易管理。該工具鏈還包括車隊管理功能，旨在幫助企業隨著部署的增長來配置、保護和更新機器。對於工程師來說，這個意義不僅在於單一的新 AI 模型，更在於重複開發物理 AI 系統所需的基礎設施。

項目	規格
模擬環境	合成數據生成
學習方式	人類示範與模擬練習
測試方式	虛擬環境測試
部署方式	邊緣部署
數據回饋	持續改進

物理 AI 開發的未來挑戰與機遇

隨著機器人技術的發展，企業越來越需要能夠與物理環境互動的系統。Amazon 的開源開發平台不僅提供了必要的工具，還針對機器人在實際運作中面臨的挑戰進行了整合。這包括從模擬到現實操作的過渡，這是一個關鍵的技術挑戰。成功的物理 AI 系統需要大量的訓練數據和有效的模擬環境，以確保在真實世界中的可靠性。這樣的開發平台有助於加速機器人技術的進步，並推動各行業的自動化進程。