← Все статьи

Михаил Поляков

AWS выложила открытый набор инструментов для роботов с ИИ: из каких пяти этапов состоит обучение робота и почему всё упирается в данные

Уровень: ПростойВремя чтения: 8 мин

Темы: Роботы, ИИ, Автоматизация

Слева виртуальная светящаяся комната с полупрозрачным роботом-манипулятором, справа настоящий манипулятор на столе, между ними кольцо из светящихся стрелок

Короткий ответ: 8 октября 2026 года AWS выпустила открытый Physical AI Toolchain. Это не готовый продукт с кнопкой, а подобранное собрание образцов архитектур, инфраструктурного кода и автоматизации развёртывания, как сказано в самом репозитории, где оно опубликовано под свободной лицензией Apache 2.0. Набор связывает в один порядок пять этапов: создание синтетических данных, обучение модели, симуляцию и проверку, установку модели на самого робота и постоянное улучшение. Главную причину его появления в AWS называют прямо: данных для обучения роботов мало, а доступных в интернете данных для языковых моделей гораздо больше, поэтому недостающее приходится создавать в симуляции. Ниже что именно выпущено, как устроен цикл обучения робота, что в самом репозитории помечено как запланированное и что из этого полезно знать тому, кто роботов не разрабатывает.

Что выпущено

По сообщению The Robot Report от 8 октября 2026 года, AWS выпустила открытый набор инструментов, который должен помочь разработчикам роботов пройти путь от сбора данных к обучению, симуляции, проверке и установке моделей на роботов. Набор соединяет сервисы AWS и программный стек NVIDIA для физического ИИ в один порядок разработки.

Задачу, которую он решает, издание формулирует так: связать множество частей, нужных для превращения обученной модели в систему, которая надёжно работает в реальном мире. Шри Элапролу, директор Frontier AI Science and Engineering в AWS, описывает цель как попытку сделать кнопку попроще, чтобы люди занимались своей задачей, а не инфраструктурой.

Важно, в каком это виде. На странице репозитория набор описан как подобранное собрание образцов архитектур, инфраструктуры как кода и автоматизации развёртывания для запуска стека физического ИИ на AWS. То есть это заготовки для инженеров, а не сервис, который можно купить и включить.

Отдельно отмечено, что это не прямая замена RoboMaker, облачной платформы симуляции, закрытой в 2025 году. По словам Элапролу, RoboMaker был одной из частей стека AWS, а новый набор собирает более широкий круг технологий.

Пять этапов, из которых состоит работа

Это та часть, которая полезна и без всякого AWS: она показывает, из чего вообще складывается робот с ИИ.

  1. Создание синтетических данных. Недостающие примеры рисуются в компьютере: те же действия в других условиях, при другом освещении, с другими предметами.
  2. Обучение модели. Модель учится на показах того, как задача делается правильно, либо дообучается на основе готовой.
  3. Симуляция и проверка. Модель проверяется в виртуальной среде, пока не касается настоящего железа.
  4. Установка на устройство. Готовая модель уезжает на вычислитель внутри самого робота.
  5. Постоянное улучшение. Данные, собранные роботами в работе, возвращаются в облако и идут на доработку моделей.

Элапролу описывает последний этап так: по мере роста числа развёрнутых роботов накопленное на месте нужно возвращать в облако, и так постоянно дорабатывать «мозг».

В репозитории тот же цикл описан как замкнутый круг: данные, обучение, проверка, установка, обратная связь, снова создание данных. Там же названы три класса вычислений, которые для этого нужны: мощные кластеры видеокарт для обучения, гибкие мощности среднего уровня для симуляции и проверки и видеокарты на самом роботе для работы в реальном времени.

Из конкретики: AWS берёт на себя обучение моделей (сервис Amazon SageMaker) и раздачу моделей на устройства (AWS IoT Greengrass), со стороны NVIDIA в набор входят Isaac Sim, Isaac Lab, Isaac GR00T и Cosmos. Части можно брать по отдельности или собирать в сквозной порядок.

Почему для роботов не работает рецепт чат-ботов

Главное объяснение в материале именно это. Элапролу говорит: данных для обучения таких моделей нужно много, и их мало, в отличие от языковых моделей, для которых в интернете данных очень много. Поэтому вопрос, который он называет одним из решаемых, звучит так: как создать синтетические данные, похожие на реальный мир.

Разница понятная. Текста, на котором учатся чат-боты, в сети очень много. А для задачи вроде «взять мокрую чашку со стола с бликами» нужны записи того, как это делается, в разных условиях, и такие записи пришлось бы собирать специально или создавать в модели.

Про то, откуда берут записи реальных бытовых дел, я писал отдельно: как собирают данные для обучения роботов. Про устройство научного набора записей движений человека есть другой разбор: набор HiPHI.

Что помечено как запланированное

Это тот случай, когда полезно открыть сам репозиторий, а не только новость. На его странице 9 октября 2026 года установка на устройства, то есть упаковка модели для вычислителя внутри робота, значится как запланированная, а оценка одного из компонентов помечена как предварительная.

Это не упрёк: открытые наборы так и развиваются. Но если читать только новость, складывается впечатление законченного сквозного пути от данных до робота, а по собственной таблице проекта последний шаг помечен как запланированный.

Что говорит AWS про опыт и примеры

Несколько фактов из интервью, которые дают масштаб. Все они со слов представителя AWS.

  • В набор, по его словам, вошёл опыт собственной робототехники Amazon, где сейчас больше 1 млн роботов. Там же оговорка: управляемые склады Amazon не описывают все условия, в которых будет работать физический ИИ.
  • Пример других условий: японская Telexistence ставит гуманоидов в магазины у дома, развёрнуто больше 300. В магазине больше переменных, чем на управляемом заводе: по словам Элапролу, допустимый уровень отказов там обычно ниже, а отвечать на изменения нужно быстрее.
  • Осязание он называет примером особой возможности: с южнокорейской RLWRLD пришлось делать отдельную модель, потому что существующих не хватило для некоторых задач пятипалой ловкости.
  • Собственный робот Amazon по имени Vulcan использует осязание, чтобы брать и раскладывать товары на складе. The Robot Report назвал его роботом 2026 года.
  • За пределами складов: Bedrock Robotics делает технику и модели для автономных строительных роботов, модели обучаются в облаке на AWS и затем управляют техникой на настоящих стройках.

Набор при этом нейтрален к железу: конкретного робота AWS не предписывает, а даёт инфраструктуру для обучения и установки моделей на разные машины.

Что из этого следует, если робота вы покупаете

Разрабатывать своего робота вам, скорее всего, не нужно. Но описанный AWS цикл показывает возможность, которую стоит проверять у конкретного поставщика: поведение робота задаёт модель, а модель можно дорабатывать по данным, собранным работающими роботами. Предусмотрено ли это у выбранного вами робота, нужно спрашивать отдельно. Если обновлений и передачи данных у него нет, спросите отдельно, что вообще может менять поведение этой машины и как такие изменения у вас проверяются: одной лишь неизменности модели для спокойствия недостаточно.

Отсюда три вопроса поставщику, письменно и до покупки.

  1. Собирает ли робот данные у вас и куда они уходят. Видеозаписи с вашего склада или цеха это ваши сведения о работе компании.
    • Кто делает: вы при заключении договора.
    • Чем проверить: в договоре записано, какие данные собираются, уходят ли они поставщику, и можно ли это отключить.
  2. Как и за чей счёт обновляется поведение робота. Обновление модели меняет то, как машина себя ведёт.
    • Кто делает: вы вместе с техническим специалистом.
    • Чем проверить: названы срок поддержки, порядок обновлений и то, кто проверяет поведение после каждого обновления.
  3. Что будет, если поставщик закроется. Часть здесь отдельная: облако, модель и сам робот могут принадлежать разным сторонам.
    • Кто делает: вы.
    • Чем проверить: в договоре описано, продолжит ли робот работать без связи с облаком поставщика, и в каком объёме.

Чего из этой новости ждать нельзя

  • Готового способа сделать робота. Выпущено собрание образцов и инфраструктурного кода для инженеров, а не продукт, который что-то делает сам.
  • Законченного пути от данных до устройства. По таблице самого репозитория на 9 октября 2026 года шаг установки на устройства помечен как запланированный.
  • Независимой оценки. Всё, что сказано о пользе набора, идёт из интервью представителя AWS и описания самого проекта.
  • Выводов про стоимость. Оценки расходов в источниках нет.

Итог

8 октября 2026 года AWS выложила открытый Physical AI Toolchain: собрание образцов архитектур и инфраструктурного кода под лицензией Apache 2.0, связывающее сервисы AWS и программы NVIDIA в один порядок работы над роботами с ИИ. Пять этапов этого порядка полезно знать и тем, кто роботов не делает: создание синтетических данных, обучение модели, проверка в симуляции, установка на робота и доработка по данным с поля. Причина существования всего этого названа прямо: данных для обучения роботов мало, и их приходится создавать. А практический вывод для покупателя такой: выясните у поставщика, предусмотрены ли для вашего робота обновления модели и передача данных, и если да, заранее согласуйте их порядок и проверку после каждого обновления.

Я занимаюсь ИИ-агентами и автоматизацией. Если хотите посмотреть мои проекты или обсудить свою задачу, загляните в портфолио.

Источники