AWS startet quelloffene Physical AI Toolchain auf Basis des NVIDIA-Stacks

Was die Toolchain bietet

Die Physical AI Toolchain on AWS bündelt Architekturempfehlungen, Automatisierung für den Rollout und einsatzbereiten Code. Laut AWS ist sie gezielt für Industrieautomatisierung, autonome Mobilität und humanoide Robotik entwickelt und von Amazons eigener Robotik-Erfahrung inspiriert.

Das Unternehmen versteht unter Physical AI Maschinen, die die reale Welt wahrnehmen, verstehen und darin handeln. Anders als herkömmliche Maschinen, die feste Anweisungen wiederholen, erfassen solche Systeme ihre Umgebung, treffen Entscheidungen mithilfe von in der Cloud trainierten KI-Modellen und passen sich in Echtzeit an. Betriebsdaten fließen zurück, um diese Modelle nachzutrainieren.

Uwem Ukpong, Vice President von AWS Industries, sagte, Kunden hätten AWS berichtet, dass „zu viel ihres Entwicklungsaufwands in die Infrastruktur statt in Innovation floss. Das wollen wir ändern.“

Fünf Säulen und die zugehörigen Dienste

Die Toolchain umfasst fünf zentrale Säulen, die in einem kontinuierlichen Verbesserungszyklus aufeinander aufbauen:

• Synthetic Data Generation: KI-generierte Umgebungen erzeugen vielfältige Trainingsszenarien und verringern den Bedarf an teurer Datenerhebung in der realen Welt.
• Model Training: Lernen aus menschlichen Demonstrationen und durch Üben in simulierten Umgebungen.
• Simulation and Validation: Das Verhalten der Maschinen wird in virtuellen Umgebungen getestet, bevor es auf echter Hardware zum Einsatz kommt.
• Edge Deployment: Optimierte Modelle werden auf Maschinen im Feld ausgespielt, wo sie ohne ständige Cloud-Anbindung in Echtzeit entscheiden.
• Continuous Improvement: Betriebsdaten der eingesetzten Maschinen erzeugen neue Trainingsdaten.

Auf AWS-Seite nutzt der Stack Amazon SageMaker für das Modelltraining, Amazon EC2 GPU-Instanzen für die Simulation, AWS IoT Greengrass für den Edge-Einsatz und Amazon Bedrock AgentCore für die Orchestrierung. Von NVIDIA stammen Isaac Sim für die Simulation, Isaac Lab für Reinforcement Learning, Isaac GR00T für das Training humanoider Maschinen und Cosmos für die Erzeugung synthetischer Welten.

Kunden können den gesamten Stack übernehmen und den Entwicklungszyklus über eine zentrale Steuerungsebene verwalten oder einzelne Komponenten wählen, etwa eigenständige Werkzeuge für Simulation, Training oder Deployment, die sich in bestehende Workflows einfügen. Mit Funktionen für das Flottenmanagement lassen sich Tausende Maschinen per Over-the-Air-Update bereitstellen, absichern und aktualisieren.

Erste Anwender und Marktumfeld

AWS verweist auf den Global Startup Trends Report zu Physical AI. Demnach baut weltweit inzwischen jedes siebte Startup Physical AI, und 72 Prozent der Entwickler halten Cloud Computing für ihre Systeme für unverzichtbar.

Mehrere Unternehmen bauen auf AWS auf. NEURA Robotics entwickelt kognitive humanoide Roboter und will bis 2030 Millionen intelligenter Roboter auf den Markt bringen. RLWRLD baut ein Foundation Model mit 8,1 Milliarden Parametern für geschickte Roboterhände. Config hat eine Datenpipeline aufgebaut, die mehr als 200.000 Stunden Roboterbewegungsdaten erfasst, und vervielfacht diese mit generativer KI zu abwechslungsreichen Trainingsszenarien.

David Reger, Gründer und CEO von NEURA Robotics, sagte, die Toolchain beschleunige den Zyklus aus Feinabstimmung der Modelle, Deployment und Skalierung von Einzelsystemen auf große Flotten. Amit Goel von NVIDIA erklärte, die Toolchain verbinde AWS-Dienste mit NVIDIAs Modellen, Werkzeugen und Bibliotheken zu einem skalierbaren Ende-zu-Ende-Workflow.

Aufbauend auf Amazons Robotik-Erfahrung

Amazon nach eigenen Angaben mehr als 1 Million Roboter in seinem Logistiknetzwerk im Einsatz, die täglich Millionen Pakete neben Hunderttausenden Beschäftigten bewegen. Außerdem verweist das Unternehmen darauf, dass Amazon Robotics im Frühsommer seinen autonomen Roboter Proteus der nächsten Generation vorgestellt hat.

Laut AWS sind die Architekturempfehlungen, der Referenzcode und die Deployment-Automatisierung der Toolchain von diesen Erfahrungen inspiriert. Sie helfen Herstellern, Physical-AI-Fähigkeiten in Wochen statt in den Jahren einzuführen, die ein Start bei null erfordern würde. Jeder Einsatz lässt sich auf Hardware, Betriebsumgebung und Anwendungsfall des Kunden zuschneiden.

Was das für Hersteller bedeutet

AWS nennt als Einsatzfelder unter anderem kollaborative Roboterarme, die sich ohne Neuprogrammierung an neue Montageaufgaben anpassen, autonome Roboter, die auf neue Teile trainiert werden, und Smart-Factory-Systeme, die die Produktion überwachen, vorhersagen und optimieren. Das Unternehmen argumentiert, Hersteller könnten Durchsatz steigern, Ausfallzeiten verringern und die Qualität verbessern, und die Daten jeder Maschine verbesserten die Modelle für die gesamte Flotte.

Kunden bringen ihr eigenes Fachwissen und ihre eigene Hardware mit, AWS liefert das Fundament. Interessierte Unternehmen finden Details auf der AWS-Seite zu Physical AI oder können sich an ihren AWS-Ansprechpartner wenden. Preise oder einen gesonderten Verfügbarkeitsplan nennt die Quelle nicht.