A AWS anunciou o Physical AI Toolchain on AWS, um conjunto de código aberto destinado a empresas que desenvolvem máquinas capazes de perceber o ambiente físico, tomar decisões e adaptar-se a ele em tempo real. O ecossistema atende às áreas de automação industrial, mobilidade autônoma e robôs humanoides, com integração ao ecossistema de inteligência artificial física da NVIDIA.
Essa categoria difere da inteligência artificial tradicional, que processa dados e produz resultados digitais; máquinas inteligentes interagem com o mundo real por meio de percepção, raciocínio e execução. Elas também retornam os dados operacionais ao ciclo de treinamento, permitindo aprimorar os modelos à medida que as implantações se repetem.
Do treinamento à operação em um único ecossistema
O conjunto reúne orientações de arquitetura, automação de implantação e código de referência utilizável, cobrindo o ciclo de desenvolvimento da inteligência artificial física por meio de cinco eixos interligados:
- Geração de dados sintéticos: criação de ambientes e cenários de treinamento diversificados com base em inteligência artificial para reduzir a necessidade de coletar dados reais, que é dispendiosa.
- Treinamento de modelos: ensino das máquinas a partir de demonstrações humanas e da prática em ambientes simulados.
- Simulação e validação: teste virtual do comportamento das máquinas antes de sua execução no hardware real.
- Implantação na borda: envio dos modelos otimizados às máquinas para que tomem decisões imediatas sem conexão permanente com a nuvem.
- Otimização contínua: retorno dos dados operacionais ao ciclo de treinamento para gerar novos dados e aprimorar os modelos.
Entre os serviços da AWS utilizados estão o Amazon SageMaker para treinamento de modelos, as instâncias do Amazon EC2 equipadas com unidades de processamento gráfico para simulação, o AWS IoT Greengrass para implantação na borda e o Amazon Bedrock AgentCore para coordenação inteligente. Do lado da NVIDIA, o conjunto integra-se ao Isaac Sim para simulação, ao Isaac Lab para aprendizado por reforço, ao Isaac GR00T para treinamento de máquinas humanoides e ao Cosmos para geração de mundos sintéticos.
O que muda, na prática, para as empresas?
As empresas podem adotar o ecossistema completo por meio de um único ponto de controle ou escolher componentes individuais, como simulação, treinamento ou implantação, e integrá-los ao fluxo de trabalho existente. O conjunto também oferece recursos de gerenciamento de frotas para configurar, proteger e atualizar remotamente milhares de máquinas durante a passagem para a produção.
A AWS afirma que o conjunto foi projetado para reduzir o tempo que as equipes de engenharia gastam com infraestrutura, permitindo que se concentrem mais no desenvolvimento das próprias aplicações e máquinas. A empresa indica que as implantações podem ser personalizadas de acordo com o hardware, o ambiente operacional e o caso de uso, em vez de depender de um design único.
O aproveitamento da experiência da Amazon Robotics
O conjunto baseia-se na experiência da Amazon na operação de mais de um milhão de robôs em sua rede operacional, na qual os robôs lidam diariamente com milhões de pacotes em colaboração com centenas de milhares de funcionários. A empresa também mencionou o robô autônomo Proteus, desenvolvido pela Amazon Robotics para atuar em locais que precisam transportar itens.
Empresas como NEURA Robotics, RLWRLD e Config utilizam tecnologias relacionadas ao ecossistema. A NEURA desenvolve robôs humanoides capazes de ver, ouvir e aprender com a experiência, enquanto a RLWRLD trabalha em um modelo fundamental com 8,1 bilhões de parâmetros para tarefas de agarrar e manipular objetos. Já a Config construiu uma linha para coletar mais de 200 mil horas de dados de ações de robôs.
Leitura editorial: o principal valor do anúncio não está na adição de um serviço de nuvem isolado, mas na tentativa da AWS de reunir treinamento, simulação, implantação e gerenciamento de frotas em um único fluxo personalizável. Isso pode reduzir a barreira para construir sistemas robóticos, mas seu sucesso continuará ligado à qualidade dos dados, à compatibilidade do hardware e à confiabilidade dos modelos na transição da simulação para ambientes reais e imprevisíveis. O material não especificou detalhes da licença de código aberto nem os níveis de disponibilidade e custo, pontos que precisam ser revisados antes de avaliar a viabilidade do uso comercial.