物理AIインフラ、2026年に5プラットフォーム構築

物理AIインフラは単一の重力の中心（計算）から相互に依存するレイヤーのシステムへとシフトしている。ロボットは単にモデルを実行しない。変化する環境を認識し、接触と運動について推論し、特定のボディを通じて行動し、行動が失敗した時に回復する必要がある。開発サイクルは実世界デモンストレーション、合成データ、物理シミュレーション、ポリシー学習、構造化評価、デプロイメント、新しい失敗事例の収集にまたがる。この複雑さは5つの異なるコントロールポイント全体で専門化されたインフラを要求する。

NVIDIAは物理AIスタックで最も基盤的な企業のままである。その重要性は高速計算で始まるが、ロボット開発、シミュレーション、合成データ、基盤モデル、ポリシー評価へと上向きに拡張する。NVIDIA Isaacは複数の製品をカバーしている：物理ベースシミュレーション用のIsaac Sim、ロボット学習と基盤モデル学習用のIsaac Lab、汎用ヒューマノイドロボット開発用のIsaac GR00T、大規模GPU高速計算ポリシー評価用のIsaac Lab-Arena。GoogleDeepMindとDisneyResearchで開発され、Linuxファウンデーションで管理されるNewtonは、ロボット学習用に構築されたオープンソースのGPU高速計算物理エンジンで、接触、摩擦、剛体およびソフトボディダイナミクス、アクチュエータ、センサーをカバーしている。戦略的な利点はNVIDIAが計算、世界生成、物理、合成データ、モデルトレーニング、評価、エッジデプロイメントを1つの開発者エコシステム内で接続する能力で、物理AIが共通の開発基盤として持つ最も近いものである。重大な質問はそのエコシステムが拡大しても開放的なままでいるか、またはNVIDIAが物理AIワークフローを独自の計算とソフトウェアに引き寄せるかである。

Applied Intuitionは自律型マシンが実世界に準備できていることを証明するために必要なインフラストラクチャを表す。物理AIはモデルトレーニングで止まることができない。自動車、トラック、ドローン、採掘車両、産業システムは、コストがかかり、危険で、稀か、物理的世界で繰り返し再現することが不可能な運用条件全体でテストされなければならない。Applied Intuitionは自動運転車時代中に自分の地位を構築し、現在その全体物理AIプラットフォームを自動車、防衛、トラッキング、採掘、建設、農業、ロボット工学全体に配置している。そのプラットフォームはシミュレーションと評価、大規模データ取り込み、閉ループデータ収集、自律システム開発、フリート運用、車両運用ソフトウェアを結合する。同社は実世界のセンサデータを学習、シミュレーション、評価用のキュレーションされたセグメントに変換し、継続的なメトリクスが次の開発サイクルをフィードバックする。その価値は実世界の要件を構造化されたテストシステムに変えることにある。シナリオライブラリ、様々な環境とセンサ条件、並列シミュレーション、継続的インテグレーションに配線された評価である。開放的な質問は自動運転車でのすべての同じように強みがマニピュレーションとヒューマノイドロボット工学に変換されるかどうかで、動作は言語命令、接触ダイナミクス、長期的相互作用に依存し、失敗はナビゲーションだけでなく器用性、力、タスク解釈を伴う。

Scale AIはデータ運用の基盤レイヤーを表す。ロボット工学データはテキストや画像の方法でインターネットから収集することができない。軌跡は物理システムまたは人間のデモンストレーションを通じて生成される必要があり、相互作用ごとに1つずつ、その後に同期、キャリブレーション、クリーニング、注釈、評価される。Scaleは自動運転車と最先端AIモデルのためのそれらのプロセスを産業化することで評判を構築し、同じアプローチを物理AIに拡張している。そのプラットフォームは集中化されたデータ工場、分散された人間の収集者、実ロボットシステム、ロボットレス一人称視点の収集を結合し、マルチモーダル注釈と内部ポリシーファインチューニングと共に、データセットが測定可能なモデル改善を生成することを検証することを意図している。同社は2025年中に150,000時間以上の物理AIデータを提供し、ロボット工学顧客を10社追加したと報告している。公表されたパートナーにはGeneralist AIとPhysical Intelligenceが含まれる。そのネットワークは1日当たり1,000時間以上のデモンストレーションデータを収集している。それはScaleを単なるラベル付けプロバイダー以上にする。同社はタスク指定、寄稿者管理、品質強制、下流ポリシーに対するデータセット検証の運用システムを構築している。中心的な課題は、Scaleが自動運転とジェネレーティブAIで構築したスケール利点をロボット工学で再現できるかどうかで、ロボット工学データは具現化、センサ、制御周波数、デプロイメント設定全体に分化している。

Hugging Face LeRobotは物理AIが完全に独自のプラットフォーム内に残すことができない、オープンソース調整レイヤーを表す。大規模モデル時代中、オープンソースフレームワーク、モデルリポジトリ、標準化されたフォーマット、共有されたデータセットは実験のコストを実質的に低減した。ロボット工学は同様の公共コモンズを必要とし、特に多くの研究室とスタートアップが独自のエンドツーエンドデータとトレーニングインフラを構築できないため。Hugging FaceはLeRobotを実世界ロボット工学用のオープンソースモデル、データセット、ツールの集合と説明し、模倣学習と強化学習に焦点を当てている。そのエコシステムはプレトレーニングされたポリシー、人間が収集したデモンストレーション、シミュレーションされた環境、ロボット統合、データ記録、ポリシートレーニング、評価、ハードウェアへのデプロイメント用のツールを含む。その重要性は特にデータレイヤーで見える。LeRobotDataset v3.0は、感覚運動時系列、行動、マルチカメラビデオ、タスク記録、索引付け、可視化、Hubネイティブストリーミングを含むマルチモーダルロボット学習データ用の標準化されたフォーマットを導入し、すべての研究室が独自のストレージとアクセスシステムを発明することを強制しない非常に多くのエピソードを持つデータセットをサポートするように再設計された。バージョン0.6.0は統一評価コマンド、追加シミュレーションベンチマーク、報酬モデルインターフェース、人間ループ内修正、新しいビジョン言語行動およびワールドモデルポリシーを追加した。LeRobotは他の物理AIプラットフォーム用の統合ポイントになっています。NVIDIAのGR00TモデルとIsaacLab-Arena環境はLeRobotワークフローを通じて利用可能で、開発者は共通のデータセット、シミュレーション、ハードウェアインターフェース全体で異なるポリシーをトレーニングし評価することができる。LeRobotの戦略的役割は、したがってサンプルコードを提供することより大きい。これはロボットデータセット、モデル、ハードウェアインターフェース、シミュレーション環境、トレーニングレシピ、ベンチマークが移植可能になるという調整レイヤーになることができ、物理AIが孤立したエコシステムに分化することを防ぎます。重大な質問はLeRobotがより大きなデータセット、より複雑な具現化、本番指向のワークフローに対して十分に信頼できるようになりながらアクセシビリティを保つことができるかどうかである。

Lightwheelはファイナルレイヤーを表す：1回限りのパイプラインからロボット学習を継続学習ループに変える継続学習インフラストラクチャ。その必要性は2つの困難な問題をたどる。ロボットは自動運転車のようにトレーニングデータを継続的に生成するフリートを持たない、物理的相互作用のインターネット規模のアーカイブもない。ほぼすべてのデモンストレーションは人々によって生成され、相互作用ごとに1つずつである。評価はちょうど同じくらい困難である。実世界試験は遅く労働集約的で、モデル進化に対応することができず、ロボット学習はスケーラビリティが高く、低コストで、シナリオカバレッジが多様な評価を必要とする。ロボット学習が必要とするループは決して形成されない。テストやデプロイメント中の失敗は、次に何が収集またはシミュレートされるかを変えることはめったにないため、能力の複合化が停止する。今日の物理AIトレーニングはオープンループで実行される。Lightwheelは物理試験ができない仕事をするシミュレーションを通じてReal2Sim2Realループを構築する。EgoSuiteは大規模な人間のデモンストレーションと、ロボット具現化全体に転送し、SimFoundryをリアルワールド入力としてフィードする物理的相互作用データを取得する。SimFoundryは実際のタスク、オブジェクト、物理特性を再利用可能なシミュレーション環境に変え、物理測定工場がソルバーと生成されたアセットを測定された接触、摩擦、ダイナミクスに対して校正する。RoboFinalsは繰り返し可能な大規模並列ロールアウトを通じてそれらのReal2Simシーン全体でポリシーをテストし、失敗が不足した動作カバレッジ、弱い物理校正、またはトレーニングに追加する新しいシナリオとして診断可能である。RoboStackはポリシーをデプロイメントに取り、ロールアウト結果、エッジケース、失敗を返し、対象とされた収集、更新されたシミュレーションアセット、より難しい評価をトリガーする。デプロイメントはパイプラインの終わりではない。これは次の学習サイクルの始まりになる。一緒に、4つの製品は複合ループを作成する。EgoSuiteは経験を取得し、SimFoundryはそれを再構築し拡張し、RoboFinalsはカバレッジと故障を診断し、RoboStackはポリシーをデプロイし、次のサイクルが始まる。それはLightwheelを単なるデータサプライヤーより少なく、ロボット学習の結合組織にする。その価値は各サイクルが次に収集、シミュレート、テストされるものを改善させることにある。重大な質問はループがアーキテクチャと同じくらいきれいに運用で閉じるかどうかで、デプロイメントフィードバック顧客の運用の中から来、すべてはロボット工学チームが実世界の結果がフローバックされることを許可するために十分なほどプラットフォームを信頼することに依存する。