跳转至

Physical AI Playbook

最后更新: 2026-09 · owner: Youngjin · volatility: 中

L0 TL;DR: 判断客户机器人业务所需技术，并在 AWS 上从实验、评估走向运营。先确认业务适配、总成本及执行条件。

非官方参考资料

个人维护资料，不是 AWS 官方文档或立场。技术、许可证、价格及区域须检查所链接的一手来源和日期。样本代码及服务 GA 不保证客户现场结果。

按角色开始

我是… 路径 产出
客户决策者 开始/ROI → 高管简报 业务、替代、预算、试点批准条件
客户工程师 执行 → 对应支柱 → 运营 结果、费用、部署恢复证据
AWS 员工 对话指南 → 决策 需求、适配、伙伴交接

技术参考 — 五个支柱

支柱 内容
P1 数据 采集、权利、格式、质量、训练管道
P2 训练 选型、许可证、资源估算、评估
P3 仿真 环境、工具、并行运行、费用
P4 Sim-to-Real 实机迁移、边缘部署、验证、安全
P5 编排 业务规划、技能、权限、机群连接

标签及验证范围

GA/Preview/Research 是发布状态。原文对照、复现、现场验证、用途、支持方需分别检查。[1] 官方文档论文、[2] 记录复现、[3] 厂商发布、[4] 未验证是来源类型，不代表 AWS 批准。见证据及维护。

以下问题为探索示例，不是实测咨询频率排名。可从问题开始，提案前确认试点卡条件。

常见问题 Top 20

# 问题 前往何处 来源
1 "Isaac Sim / Isaac Lab 在 AWS 上怎么跑？" pillar-3 种子 ⚠️
2 "VLA 模型训练（微调）的基础设施该怎么搭？" pillar-2 种子 ⚠️
3 "GPU 拿不到 —— On-Demand、Capacity Blocks、替代方案中该用哪个？" decisions 种子 ⚠️
4 "sim-to-real1 gap 实际上怎么克服？有经过验证的方法吗？" pillar-4 种子 ⚠️
5 "机器人实时控制（30–100Hz），推理能放到云上吗？" decisions 种子 ⚠️
6 "基础模型（GR00T/π0 等）是微调好，还是自行训练好？" decisions 种子 ⚠️
7 "机器人学习数据怎么采集、该存到哪里？（遥操作/合成数据）" pillar-1 种子 ⚠️
8 "对 NVIDIA 全栈的依赖有多深？开源替代方案呢？" decisions 种子 ⚠️
9 "边缘部署（Jetson 等）与 AWS 怎么连接？" pillar-4 种子 ⚠️
10 "用 LLM 智能体2指挥机器人/设备的架构实际可行吗？" pillar-5 种子 ⚠️
11 "全部跑下来 GPU 要多少钱？预算怎么估？" start AWS Embodied AI 博客
12 "如何把既有 ROS 23 栈·rosbag4 数据接入 AWS？" pillar-1 AWS ROS 2 on Isaac 博客
13 "如何跨多节点扩展训练？AWS Batch vs SageMaker HyperPod？" pillar-2 Isaac Lab on SageMaker
14 "实机部署前如何验证·基准测试策略是否真的有效？" pillar-4 NVIDIA 策略评估
15 "机器人/工厂数据敏感 —— 云端训练合规吗？本地/混合呢？" decisions AWS AI 主权
16 "训练好的策略如何做版本管理·复现·检查点恢复？" pillar-2 Isaac Lab on SageMaker
17 "Isaac Sim·开源模型能用于商用产品吗？何时需要 NVIDIA AI Enterprise？" pillar-3 NVIDIA Isaac Sim
18 "如何为实时（低延迟）优化策略推理？TensorRT·量化5·action chunking6？" pillar-4 NVIDIA Jetson Edge AI
19 "如何构建设备/工厂数字孪生7并与机器人仿真连接？TwinMaker·Omniverse？" pillar-3 AWS Physical AI 博客
20 "没有 ML 专家 —— 从哪里开始？如何设计最小 PoC？" start AWS Physical AI 博客

页面列表

快速开始

技术支柱

高管

新闻与资料

参考

owner: Youngjin · updated: 2026-09 · volatility: 中

  1. sim-to-real — 把在仿真中训练的策略迁移到真实机器人上，或指其方法论。由于仿真与现实的物理·视觉差异（域间差异），直接迁移会导致性能崩溃。🎥 NVIDIA sim-to-real 机器人展示 ↩

  2. LLM 智能体 — 大语言模型自行制定计划、挑选并调用工具（API·机器人技能）、执行多步任务的软件。与简单问答不同，关键在于它有"行动"。 ↩

  3. ROS 2（Robot Operating System 2） — 机器人软件事实上的标准开源中间件。传感器·控制节点通过话题（topic）通信的分布式架构，是工业·研究机器人栈的公共基础。 ↩

  4. ROS bag（rosbag2） — 机器人操作系统 ROS 2 将话题（传感器·命令流）整体录制的标准日志格式。它是机器人公司原始数据的事实默认形态，但无法直接用于训练，需要转换。 ↩

  5. 量化（quantization） — 将模型权重·运算转换为 FP16→INT8/FP4 等更低精度、从而减少内存与计算量的轻量化技术。它是在边缘设备上满足延迟预算的关键手段，需要管理与精度损失之间的权衡。 ↩

  6. Action chunking — 一次推理生成多个未来动作。执行频率不同于新观测响应频率，需逐模型验证执行区间、切换及延迟。 ↩

  7. 数字孪生（digital twin） — 对真实工厂·仓库·机器人进行物理上忠实复刻的虚拟副本。无需触碰真实环境即可进行策略训练·验证·场景实验。 ↩