AWS объявила о выпуске Physical AI Toolchain on AWS — набора с открытым исходным кодом, предназначенного для компаний, разрабатывающих машины, способные воспринимать физическое окружение, принимать решения и адаптироваться к нему в реальном времени. Экосистема ориентирована на промышленную автоматизацию, автономную мобильность и человекоподобных роботов и интегрируется с экосистемой NVIDIA для физического искусственного интеллекта.
Этот класс отличается от традиционного искусственного интеллекта, который обрабатывает данные и выдает цифровые результаты: интеллектуальные машины взаимодействуют с реальным миром посредством восприятия, вывода и выполнения действий. Эксплуатационные данные также возвращаются в цикл обучения, что позволяет улучшать модели по мере повторения процессов развертывания.
От обучения до эксплуатации в рамках единой экосистемы
Набор объединяет архитектурные рекомендации, автоматизацию развертывания и готовый к использованию эталонный код, охватывая цикл разработки физического искусственного интеллекта по пяти взаимосвязанным направлениям:
- Генерация синтетических данных: создание разнообразных сред и сценариев обучения с использованием искусственного интеллекта для снижения потребности в дорогостоящем сборе реальных данных.
- Обучение моделей: обучение машин на основе демонстраций людей и практики в моделируемых средах.
- Симуляция и верификация: виртуальное тестирование поведения машин до их запуска на фактическом оборудовании.
- Развертывание на периферии: передача оптимизированных моделей на машины для принятия немедленных решений без постоянного подключения к облаку.
- Непрерывная оптимизация: возврат эксплуатационных данных в цикл обучения для генерации новых данных и улучшения моделей.
Среди используемых сервисов AWS — Amazon SageMaker для обучения моделей, экземпляры Amazon EC2 с графическими процессорами для симуляции, AWS IoT Greengrass для развертывания на периферии и Amazon Bedrock AgentCore для интеллектуальной координации. Со стороны NVIDIA набор интегрируется с Isaac Sim для симуляции, Isaac Lab для обучения с подкреплением, Isaac GR00T для обучения человекоподобных машин и Cosmos для генерации искусственных миров.
Что практически меняется для компаний?
Компании могут внедрить экосистему полностью через единую точку управления либо выбрать отдельные компоненты, такие как симуляция, обучение или развертывание, и интегрировать их в существующий рабочий процесс. Возможности управления парком также позволяют настраивать, защищать и удаленно обновлять тысячи машин при переходе к промышленной эксплуатации.
AWS заявляет, что набор разработан для сокращения времени, которое инженерные команды тратят на инфраструктуру, чтобы они могли больше сосредоточиться на разработке самих приложений и машин. Компания указывает, что процессы развертывания можно адаптировать к оборудованию, рабочей среде и конкретному варианту использования вместо применения единой конструкции.
Использование опыта Amazon Robotics
Набор опирается на опыт Amazon по эксплуатации более миллиона роботов в рамках своей операционной сети, где роботы ежедневно обрабатывают миллионы посылок совместно с сотнями тысяч сотрудников. Компания также упомянула автономного робота Proteus, разработанного Amazon Robotics для работы на объектах, где требуется перемещение предметов.
Такие компании, как NEURA Robotics, RLWRLD и Config, используют технологии, связанные с экосистемой. NEURA разрабатывает человекоподобных роботов, способных видеть, слышать и учиться на основе опыта, тогда как RLWRLD работает над базовой моделью с 8,1 миллиарда параметров для задач захвата предметов и манипуляций с ними. Config, в свою очередь, создала линию для сбора более 200 тысяч часов данных о действиях роботов.
Редакционный анализ: основная ценность объявления заключается не в добавлении отдельного облачного сервиса, а в попытке AWS объединить обучение, симуляцию, развертывание и управление парком в единый настраиваемый процесс. Это может снизить барьер для создания роботизированных систем, однако успех по-прежнему будет зависеть от качества данных, совместимости оборудования и надежности моделей при переходе от симуляции к непредсказуемым реальным средам. В материале не уточняются детали лицензии с открытым исходным кодом, уровни доступности и стоимость — эти вопросы необходимо изучить до оценки коммерческой применимости.