随着Physical AI加快向机器人、工业设备、摄像头和自主移动机器人等场景落地，Amazon Web Services（AWS）正加速构建云边协同的运行体系。SiliconANGLE当地时间8月24日报道称，AWS已于上月发布面向Physical AI系统开发客户的云边一体化方案。

所谓Physical AI，是指AI不再局限于内容生成和数据分析，而是能够感知物理环境、作出判断，并进一步执行现实世界中的动作。与更擅长在固定环境中完成重复任务的传统工业自动化和机器人系统相比，Physical AI正在朝着通过传感器感知周边环境、基于经验学习并适应变化条件的方向演进。

AWS表示，Physical AI当前面临的核心挑战主要集中在数据采集与仿真、低时延响应以及部署后的运维。对机器人而言，需要学习的并非文本或代码，而是包含物体和表面状态、光照、几何结构、摩擦力、位置关系和接触受力等在内的物理世界数据。

据介绍，AWS合作伙伴Config已积累超过20万小时的机器人行为数据，并以每月约2万小时的速度持续采集。AWS与Config借助Nvidia Cosmos-Transfer 2.5后训练模型，构建了多视角数据增强流程，将真实演示数据重建为适用于不同光照和表面条件的训练样本。Config称，引入增强数据后，相关任务成功率由8.3%提升至75%。

在AWS看来，仿真也是Physical AI绕不开的一环。直接在真实环境中进行学习，不仅速度慢、成本高，还可能带来安全风险。AWS表示，客户既可以使用自有仿真工具，也可以采用Nvidia Isaac Sim，并根据需要弹性调整仿真环境规模；与此同时，AWS还提供支撑仿真的云基础设施和数据服务。

进入部署阶段后，云端与边缘侧的分工变得尤为关键。SiliconANGLE指出，大型基础模型通常在云端完成训练，但无论是在医院走廊中移动的机器人，还是在产线上执行巡检任务的设备，都无法依赖远端云计算返回结果后再作出响应。AWS认为，把现场运行和学习结果回传至云端，并据此持续优化整体性能，形成云边闭环，至关重要。

AWS强调，其定位并不是机器人制造商，而是Physical AI的基础设施与运行平台提供商。在训练阶段，AWS提供Amazon EC2 GPU实例、Amazon SageMaker、Amazon S3和Amazon FSx for Lustre等服务；在部署阶段，则通过AWS IoT Core和AWS IoT Greengrass提供连接能力、设备集群管理和边缘执行环境。

此外，AWS还在完善以Kiro为核心的开发环境能力，覆盖环境配置、训练工作流、仿真设置以及故障排查自动化等环节。