AWS anunció Physical AI Toolchain on AWS, un conjunto de código abierto dirigido a empresas que desarrollan máquinas capaces de percibir el entorno físico, tomar decisiones y adaptarse a él en tiempo real. El ecosistema está dirigido a los ámbitos de la automatización industrial, la movilidad autónoma y los robots humanoides, y se integra con el ecosistema de inteligencia artificial física de NVIDIA.
Esta categoría se diferencia de la inteligencia artificial tradicional, que procesa datos y produce resultados digitales; las máquinas inteligentes interactúan con el mundo real mediante la percepción, el razonamiento y la ejecución. Además, los datos operativos regresan al ciclo de entrenamiento, lo que permite mejorar los modelos a medida que se repiten los despliegues.
Del entrenamiento a la operación en un único ecosistema
El conjunto reúne directrices de arquitectura, automatización del despliegue y código de referencia reutilizable, y cubre el ciclo de desarrollo de la inteligencia artificial física mediante cinco ejes interconectados:
- Generación de datos sintéticos: creación de entornos y escenarios de entrenamiento diversos mediante inteligencia artificial para reducir la necesidad de recopilar datos reales costosos.
- Entrenamiento de modelos: enseñar a las máquinas a partir de demostraciones humanas y de la práctica en entornos simulados.
- Simulación y validación: probar virtualmente el comportamiento de las máquinas antes de ejecutarlas en el hardware real.
- Despliegue en el edge: enviar los modelos optimizados a las máquinas para tomar decisiones inmediatas sin una conexión permanente con la nube.
- Optimización continua: devolver los datos operativos al ciclo de entrenamiento para generar nuevos datos y mejorar los modelos.
Entre los servicios de AWS utilizados se encuentran Amazon SageMaker para entrenar los modelos, las instancias de Amazon EC2 equipadas con unidades de procesamiento gráfico para la simulación, AWS IoT Greengrass para el despliegue en el edge y Amazon Bedrock AgentCore para la coordinación inteligente. Por parte de NVIDIA, el conjunto se integra con Isaac Sim para la simulación, Isaac Lab para el aprendizaje por refuerzo, Isaac GR00T para entrenar máquinas humanoides y Cosmos para generar mundos sintéticos.
¿Qué cambia en la práctica para las empresas?
Las empresas pueden adoptar el ecosistema completo mediante un único punto de control, o elegir componentes individuales, como la simulación, el entrenamiento o el despliegue, e integrarlos en el flujo de trabajo existente. También ofrece capacidades de gestión de flotas para configurar, proteger y actualizar miles de máquinas de forma remota al pasar a producción.
AWS afirma que el conjunto se diseñó para reducir el tiempo que los equipos de ingeniería dedican a la infraestructura, de modo que puedan centrarse más en desarrollar las aplicaciones y las propias máquinas. La empresa señala que los procesos de despliegue pueden personalizarse según el hardware, el entorno operativo y el caso de uso, en lugar de depender de un diseño uniforme.
Aprovechar la experiencia de Amazon Robotics
El conjunto se basa en la experiencia de Amazon en la operación de más de un millón de robots dentro de su red de operaciones, donde los robots gestionan millones de paquetes diariamente en colaboración con cientos de miles de empleados. La empresa también mencionó el robot autónomo Proteus, desarrollado por Amazon Robotics para trabajar en instalaciones que necesitan transportar artículos.
Empresas como NEURA Robotics, RLWRLD y Config utilizan tecnologías relacionadas con el ecosistema. NEURA desarrolla robots humanoides capaces de ver, oír y aprender de la experiencia, mientras que RLWRLD trabaja en un modelo fundacional con 8.1 mil millones de parámetros para tareas de agarre y manipulación de objetos. Por su parte, Config construyó una línea para recopilar más de 200.000 horas de datos de acciones robóticas.
Lectura editorial: el valor principal del anuncio no es añadir un servicio en la nube independiente, sino el intento de AWS de reunir el entrenamiento, la simulación, el despliegue y la gestión de flotas en un único flujo personalizable. Esto podría reducir la barrera para construir sistemas robóticos, pero su éxito seguirá dependiendo de la calidad de los datos, la compatibilidad del hardware y la fiabilidad de los modelos al pasar de la simulación a entornos reales e imprevisibles. El artículo no especificó los detalles de la licencia de código abierto ni los niveles de disponibilidad y coste, aspectos que deben revisarse antes de evaluar la viabilidad del uso comercial.