Amazon Web Services (AWS) представила новый открытый инструмент для разработки физического ИИ, который призван помочь робототехникам перейти от сбора данных к обучению, моделированию, валидации и развертыванию ИИ-моделей на своих роботах. Этот инструмент объединяет сервисы AWS и программный стек NVIDIA для физического ИИ в едином рабочем процессе разработки. Основная цель заключается в решении одной из самых больших проблем, с которыми сталкиваются компании, разрабатывающие роботов с ИИ: соединение множества компонентов, необходимых для превращения обученной модели в систему, способную надежно функционировать в реальном мире.

Упрощение разработки

"Мы пытаемся создать своего рода "кнопку легкости", чтобы люди могли сосредоточиться на решении своих задач, а не беспокоиться о всей инфраструктуре", — отметил Шри Элапролу, директор Frontier AI Science and Engineering в AWS, в интервью изданию The Robot Report. Новый инструмент не является прямой заменой RoboMaker, облачной платформы для симуляции робототехники, которая была закрыта в 2025 году. Элапролу описал RoboMaker как один из компонентов стека робототехники AWS, в то время как новый инструмент объединяет более широкий набор технологий разработки.

От данных до развертывания

Инструмент включает пять ключевых этапов процесса разработки ИИ: генерация синтетических данных, обучение модели, симуляция и валидация, развертывание на краевых устройствах и непрерывное улучшение. Например, компания, занимающаяся робототехникой, может собирать демонстрации работы робота, синтетически генерировать дополнительные сценарии обучения, обучать или дообучать модель и тестировать ее в симуляции перед развертыванием на физическом роботе. AWS использует Amazon SageMaker для обучения моделей и AWS IoT Greengrass для распространения моделей на краевых устройствах. Вклад NVIDIA включает Isaac Sim, Isaac Lab, Isaac GR00T и Cosmos.

Генерация синтетических данных

Компании могут использовать компоненты индивидуально или объединять их в единый рабочий процесс. Элапролу отметил, что объем данных, необходимых для обучения этих моделей, значителен, и доступных данных не так много, в отличие от больших языковых моделей (LLM), для которых в интернете имеется множество данных. "Как же генерировать эти данные? Как создать синтетические данные, которые будут представлять реальный мир? Это одна из задач, которую мы пытаемся решить", — добавил он. Синтетические данные могут помочь компаниям создавать дополнительные сценарии, в то время как симуляция позволяет разработчикам тестировать модели перед развертыванием их на физическом оборудовании.

Обратная связь и улучшение моделей

Инструмент поддерживает обратную связь, при которой данные, собранные роботами в поле, возвращаются в облако и используются для улучшения моделей. "Когда вы начинаете масштабировать развертывание роботов, полученные локально знания должны возвращаться в облако", — отметил Элапролу. "Таким образом, вы постоянно улучшаете "мозг" робота".

Уроки из робототехники Amazon

Элапролу также подчеркнул, что инструмент включает уроки из собственных операций робототехники Amazon, в которых сейчас участвует более 1 миллиона роботов. Однако контролируемые центры выполнения заказов Amazon не представляют собой все среды, в которых будет работать физический ИИ. Например, японская компания Telexistence развертывает гуманоидов в магазинах удобства, и уже более 300 таких роботов были внедрены, с ожидаемым увеличением их числа. В отличие от контролируемой фабрики, магазин удобства вводит больше переменных и требует от роботов быстрой реакции на изменяющиеся условия.

Аппаратная нейтральность инструмента

AWS сохраняет аппаратную нейтральность инструмента. Вместо того чтобы предписывать конкретного робота, компания предоставляет инфраструктуру для обучения и развертывания моделей на различных машинах. "Существует широкий спектр конструкций аппаратного обеспечения и компонентов, которые разрабатываются и будут разрабатываться в будущем", — отметил Элапролу. "Инструмент намеренно остается нейтральным к этому финальному этапу".

Тактильные сенсоры и специализированные возможности

Элапролу также указал на тактильные сенсоры как на пример специализированных возможностей, которые могут потребоваться физическому ИИ. AWS сотрудничает с южнокорейской компанией RLWRLD, разрабатывающей тактильные возможности для гуманоидных рук. Элапролу отметил, что существующие модели не были достаточно эффективными для выполнения определенных задач с пятифingersой ловкостью, что привело к совместной разработке специализированной модели. Робот Vulcan от Amazon является еще одним примером. Эта система использует тактильные сенсоры для помощи в манипуляциях и хранении предметов в центрах выполнения заказов Amazon.

Применение за пределами складов

Инструмент не является платформой для тактильного восприятия, но его поддержка различных источников данных, обучения моделей, симуляции и развертывания на краевых устройствах может позволить разработчикам интегрировать специализированные сенсоры в свои системы. AWS также видит применение за пределами складов и фабрик. Элапролу указал на Bedrock Robotics, которая разработала оборудование и ИИ-модели для автономных строительных роботов. Модели обучаются в облаке на AWS и затем используются для управления оборудованием в реальных строительных зонах.

Открытый подход к разработке

Физический ИИ Toolchain является открытым исходным кодом, что позволяет стартапам и крупным компаниям использовать и модифицировать его. Элапролу отметил, что отдельные компоненты AWS и NVIDIA уже использовались клиентами, включая компании, участвующие в программе AWS Physical AI Fellowship с MassRobotics и NVIDIA. Новое предложение упаковывает эти компоненты в более целостный рабочий процесс. "Это упаковка и создание бесшовного процесса для компании, которая будет двигаться вперед", — заключил он.