亚马逊云科技（AWS）今日推出了一款开源的Physical AI Toolchain，旨在帮助机器人专家从数据采集迈向在机器人上训练、模拟、验证和部署AI模型。
该工具链将AWS服务与NVIDIA的Physical AI软件栈整合到一个统一的开发工作流中。其目标是解决开发AI驱动机器人的公司所面临的最大挑战之一：将训练好的模型转化为能够在现实世界中可靠运行的系统所需的众多环节连接起来。
“我们试图打造这个‘一键搞定’的方案，如果你愿意这么理解的话，让人们能够真正专注于他们想要解决的问题，而不必操心所有的基础设施，”AWS前沿AI科学与工程总监Sri Elaprolu对《The Robot Report》表示。
Physical AI Toolchain并非RoboMaker的直接替代品，后者是一个基于云的机器人仿真平台，已于2025年关停。Elaprolu将RoboMaker描述为AWS机器人技术栈的组件之一，而新工具链则整合了更广泛的开发技术。
从数据到部署
该工具链整合了AI开发流程的5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。一家机器人公司可以采集机器人执行任务的演示数据，合成生成额外的训练场景，训练或微调模型，并在部署到实体机器人之前先在仿真中测试该模型。
AWS使用Amazon SageMaker进行模型训练，使用AWS IoT Greengrass将模型分发到边缘设备。NVIDIA的贡献包括Isaac Sim、Isaac Lab、Isaac GR00T和Cosmos。企业可以单独使用这些组件，也可以将它们组合成端到端的工作流。
“训练这些模型所需的数据量非常庞大，而且可用的数据并不多，不像大语言模型那样互联网上有海量数据，”Elaprolu说。“那么你如何生成这些数据？如何生成能够代表现实世界的合成数据？这就是我们试图解决的问题之一。”
合成数据可以帮助企业生成额外的场景，而仿真则让开发者在将模型部署到实体硬件之前进行测试。该工具链支持一个反馈闭环，即机器人在现场采集的数据被传回云端，用于改进模型。
“当你开始扩大这些机器人部署规模时，在本地获取的经验需要回传到云端，”Elaprolu说。“这样你就能持续迭代这个大脑。”
来自亚马逊机器人的经验
Elaprolu表示，该工具链包含了来自亚马逊自身机器人运营的经验，目前亚马逊已拥有超过100万台机器人。但亚马逊受控的履约中心并不能代表Physical AI将运营的所有环境。
Elaprolu提到了日本机器人公司Telexistence，该公司正在便利店部署人形机器人。他说，目前已部署超过300台，预计还会更多。与受控的工厂不同，便利店引入了更多变量，要求机器人对不断变化的条件做出快速响应。
“容错水平往往要低得多，但与此同时，响应速度必须高得多，”Elaprolu说。
AWS保持该工具链的硬件中立性。它不指定特定的机器人，而是提供跨不同机器进行模型训练和部署的基础设施。
“将会出现各种各样的硬件设计和组件，现在正在构建，未来也会继续构建，”Elaprolu说。“该工具链有意在最后这一步保持中立。”