# AWS 开源 Physical AI Toolchain：把 NVIDIA 机器人训练与仿真栈搬上云，GR00T 完整微调 11 小时预估 $79

> 原文链接：https://robotics.hellobike.com/explainers/aws-physical-ai-toolchain
> 频道：explainers | 更新日期：2026-10-14 | 标签：
> 核心摘要：AWS 开源面向 NVIDIA 机器人软件栈的云端参考架构与 Terraform 自动化模板，涵盖合成数据、强化学习与模仿学习，但边缘部署仍处于规划状态。

# AWS 开源 Physical AI Toolchain：把 NVIDIA 机器人训练与仿真栈搬上云，GR00T 完整微调 11 小时预估 $79

::: quick
- **这不是新模型，而是云端工程胶水**：AWS 以 Apache 2.0 许可证开源了 `sample-the-physical-ai-toolchain-on-aws` 仓库，用 Terraform、CDK 和部署脚本把 NVIDIA 机器人软件栈（GR00T、Isaac Sim、Isaac Lab、Cosmos、OSMO）映射到 SageMaker、AWS Batch、EKS 和 EC2 上。
- **开箱自带 27 条 UR3 抓取演示与预估价目**：仓库内置 UR3 机械臂配 Robotiq 2F-85 夹爪的 27 条真实遥操作轨迹；在 `ml.g5.12xlarge` 上跑 15 min 的 GR00T 冒烟测试预估 `~$2`，跑 11 hrs 的完整微调预估 `~$79`（本站按官方预估数计算，时长为 44.0 倍，标价为 39.5 倍）。
- **本地 MuJoCo 仿真环路免云费**：控制面的 `strands-agents-on-aws` 组件默认拉起本地 MuJoCo 仿真，不需要 GPU、真机或 AWS 账号就能用自然语言驱动 `so100` 或 `so101` 机械臂，但托管版 Bedrock AgentCore 运行时仍标为 Planned。
- **新闻稿与代码仓库存在明显断层**：About Amazon 新闻稿把 Edge Deployment 列为五大支柱之一，仓库 README 的选型表也指导开发者调用 `jetson-edge-deployment`；但组件状态表里 Edge Deployment 明确标为 Planned，且仓库根目录下根本不存在 `jetson-edge-deployment` 文件夹。
:::

::: stance
本文材料来自 AWS 于 2026-10-07 发布的官方技术博文、2026-10-08 发布的 About Amazon 新闻稿，以及 GitHub 仓库 `aws-samples/sample-the-physical-ai-toolchain-on-aws`（含根目录 README、`strands-agents-on-aws` 子目录 README、LICENSE 与仓库目录树）。仓库中的耗时与美元金额均为 AWS 提供的粗略预估（原文均带 `~`），并非实测账单；材料包不包含任何机器人任务成功率基准，目前也没有第三方独立复现报告。文中涉及的训练时长倍数与标价倍数由本站根据 README 预估表计算并明确标注。
:::

::: stats
- **~$2 vs ~$79** 同一台 `ml.g5.12xlarge` 上 GR00T 冒烟测试（15 min）与完整训练（11 hrs）的官方预估花费，本站计算时长相差 44.0 倍、标价相差 39.5 倍
- **4096 个** Isaac Lab 在单张 GPU 上同时运行的并行强化学习仿真环境数量
- **27 条** 仓库随附的 UR3 协作机械臂配 Robotiq 2F-85 夹爪真实遥操作拾放（pick-and-place）演示轨迹
- **零云端费用** `strands-robots` 默认本地 MuJoCo 仿真路径的云资源开销，无需 GPU 与物理硬件即可跑通控制闭环
:::

## 它不是新模型，而是把 NVIDIA 机器人栈绑上 AWS 的工程胶水 {data-eyebrow="能干什么"}

把机器人从实验室原型推向生产系统，最耗时间的往往不是改模型结构，而是跨阶段搬运数据和算力。训练一个能在杂乱仓库里以 200 Hz 频率控制 6-axis arm（六轴机械臂）的策略，光靠离线评估指标高没有用，必须打通数据采集、合成数据扩增、模型训练、物理仿真验证和边缘部署。

AWS 在 2026-10-07 推出的 Physical AI Toolchain on AWS（仓库 `aws-samples/sample-the-physical-ai-toolchain-on-aws`），定位很明确：它不发明新的具身基础模型，也不直接交付现成的机器人动作技能，而是提供一套参考架构、基础设施即代码（IaC，用代码模板自动创建云资源）和部署自动化脚本，把 [NVIDIA](/companies/nvidia) 的 Physical AI 软件栈搬到 AWS 托管服务上运行。

AWS 博文指出了传统机器学习运维（MLOps）在物理 AI 场景下失效的五个具体工程痛点：

1. **算力异构（Compute heterogeneity）**：单条工作流横跨三类硬件——基础模型预训练与微调需要高带宽 GPU 集群，物理仿真与软件在环（SIL，把控制软件放进虚拟仿真里做闭环测试）需要弹性中端 GPU，机上实时推理依赖边缘端 GPU（NVIDIA Jetson Thor / AGX）。没有单一云服务能同时覆盖这三头。
2. **产物蔓延（Artifact sprawl）**：一次机器人发布同时牵扯数据集、仿真场景、URDF（统一机器人描述格式，定义连杆和关节几何关系的 XML 文件）、标定参数、训练容器、权重检查点（checkpoint）、评测输出和边缘部署包。缺乏跨阶段产物管理，几周内就会丢失可复现性。
3. **验证深度（Validation depth）**：机械臂在真实世界里一旦执行失败，重启面对的是已被碰乱的物理现场，无法像网页服务那样做简单的蓝绿发布，必须依次通过仿真、受控真机测试和分阶段上线。
4. **数据经济性（Data economics）**：真机遥操作数据采集昂贵，生产级策略需要覆盖成百上千种环境变化，必须靠合成数据扩增和强化学习放大稀疏的人类演示。
5. **控制链路位置（Control path placement）**：决定物理运动的推理受限于延迟、功耗和机载散热。云端负责训练与车队管理，但安全相关的实时控制闭环必须在边缘端完成。

:::: pair
::: side 以前自己搭云端管线
- 每个阶段各自写脚本：采集完 Zarr 或 ROS bag 数据手工转格式、手工传存储桶。
- 跑仿真、强化学习和视觉-语言-动作模型（VLA，输入图像和语言指令、输出动作控制的模型）微调要分别配 EC2 实例、容器镜像和权限。
- 跨阶段交接靠人工拷权重，拉起环境动辄耗掉数周底层运维时间。
:::
::: side 用这套参考工具链
- 每个环节封装成独立 Terraform 模块或 CDK 栈，通过 AWS SSM 参数共享基础配置，按需单独部署或串成飞轮。
- 容器镜像交给 AWS CodeBuild 在云端构建，本地不需要装 Docker。
- 数据统一转成社区通用的 [LeRobot](/sdks/lerobot) v2 格式进 Amazon S3，训练与仿真映射到 SageMaker、AWS Batch 和 EKS。
:::
::::

AWS Industries 副总裁 Uwem Ukpong 在 About Amazon 新闻稿中称，客户太多工程精力耗在了基础设施而非创新上，这套开源工具链的目标就是省掉花在环境搭建和阶段交接上的时间。

![Physical AI 开发飞轮](https://hproject-robotpublic.oss-cn-hangzhou.aliyuncs.com/robotics-hub/images/explainers/aws-physical-ai-toolchain-1.png)
*图片来源：GitHub `sample-the-physical-ai-toolchain-on-aws` 仓库（Apache-2.0）。图中展示了合成数据生成、模型训练、SIL 仿真和 Sim-to-Real / HIL 四个支柱及中心的智能体编排层。注意第四支柱中的边缘部署模块在当前仓库中仍标为 Planned。*

## 组件表里八项可用、一项预览，边缘部署还在画饼 {data-eyebrow="由哪几块组成"}

拆开仓库根目录，这套工具链由十个按功能切分的模块组成。除 DreamZero 微调使用 AWS CDK 并指向独立仓库 `sample-dreamzero-finetuning-on-sagemaker` 外，其余云端模块均用 Terraform 编写，存放在对应子目录的 `infra/` 或 `001-iac/` 下。

下表完整还原了仓库 README 中的组件清单（`Toolchain Components`）：

| 组件名称 | 功能描述与上游依赖 | 部署入口（Terraform / CDK） | 状态 |
| :--- | :--- | :--- | :--- |
| **Foundation** | 共享 S3 存储桶、ECR 镜像仓库、IAM 角色、VPC 与 SSM 参数 | `foundation/infra/` | Available |
| **Cosmos** | [NVIDIA Cosmos](/models/cosmos) 世界生成（Predict V2V）与数据扩增（Transfer 2.5） | `cosmos-on-aws/infra/` | Available |
| **Isaac Lab** | 基于 [Isaac Lab](/sdks/isaac-lab) 在 SageMaker + AWS Batch 上跑强化学习（4096 并行环境） | `isaac-lab-on-aws/infra/` | Available |
| **Isaac GR00T** | 在 SageMaker + AWS Batch 上微调 NVIDIA GR00T N1.6 VLA 模型 | `isaac-gr00t-on-aws/infra/` | Available |
| **DreamZero** | 在 SageMaker 上用 LoRA（低秩适应轻量化微调）微调 14B 世界动作模型 DreamZero，自动合并为可服务权重 | CDK 独立仓库 `sample-dreamzero-finetuning-on-sagemaker` | Available |
| **Isaac Sim** | 用于物理仿真的 NVIDIA Isaac Sim GPU 云工作站 | `isaac-sim-on-aws/infra/` | Available |
| **OSMO** | 在 EKS 上部署 NVIDIA OSMO 6.3 编排平台（控制面、算力与 GPU 调度） | `osmo-on-aws/001-iac/` | Available |
| **Edge Deployment** | 通过 EKS Hybrid Nodes + Greengrass 将模型打包推送至 Jetson | Planned（无入口） | Planned |
| **Strands Agents** | Strands Agents SDK + `strands-robots` 自然语言控制面（默认 MuJoCo 仿真，真机需显式开启；Bedrock AgentCore 托管运行时处于规划中） | `(control plane)` | Available |
| **Isaac Lab Arena Evaluation** | GR00T 闭环评测、检查点完整性校验与受控 SageMaker 注册 | `isaac-lab-arena-on-aws/infra/` | Preview |

架构上，上层是五个垂直领域支柱，底层是横向编排层——包含负责异构算力与工作流调度的 NVIDIA OSMO 6.3，以及负责自然语言指令与策略闭环调度的 Strands Agentic Layer。

![AWS Physical AI Toolkit 架构图](https://hproject-robotpublic.oss-cn-hangzhou.aliyuncs.com/robotics-hub/images/explainers/aws-physical-ai-toolchain-2.png)
*图片来源：GitHub `sample-the-physical-ai-toolchain-on-aws` 仓库（Apache-2.0）。展示五个流水线阶段及其对应的 AWS 服务。注意第 5 阶段（Deploy 至 Greengrass）在当前组件表中尚未实现。*

README 同时给出了飞轮各阶段与 AWS 算力、支撑服务的映射表（`How It Maps to AWS`）：

| 飞轮阶段（Flywheel Stage） | AWS 计算服务（AWS Compute） | 支撑服务（Supporting Services） |
| :--- | :--- | :--- |
| **Synthetic Data Generation** | Amazon EC2（G6e / L40S、P5 / H100），运行于 EKS | Amazon S3、Amazon ECR、NVIDIA NGC |
| **Model Training** | Amazon SageMaker、AWS Batch（带 EFA 网络的 P5 / P6） | Amazon S3、Amazon FSx for Lustre |
| **SIL Simulation** | Amazon EC2（G6e GPUs），运行于 EKS | Amazon S3、Amazon CloudWatch |
| **HIL / Edge Deployment** | EKS Hybrid Nodes（Jetson、RTX 工作站） | AWS Site-to-Site VPN、AWS Direct Connect |
| **Orchestration (OSMO)** | Amazon EKS（系统节点） | Amazon RDS、ElastiCache、S3、Secrets Manager、KMS |

仓库支持两种接入方式：从零搭建平台或需要跨云、实验室与边缘多集群调度时，部署 `osmo-on-aws` 做全局 YAML 编排；已有 Kubeflow、Airflow 或 Argo Workflows 流水线的团队，则按需单独拉起 `isaac-lab-on-aws`、`isaac-gr00t-on-aws` 或 `cosmos-on-aws`。

## 从 27 条 UR3 遥操作轨迹出发，数据怎么在云上走完一圈 {data-eyebrow="完整流程"}

为了演示端到端闭环，仓库内置了一个工业拾放（pick-and-place，对应料箱拣选、零件配套和码垛）示例，采用 UR3 协作机械臂搭配标准 [Robotiq](/companies/robotiq) 2F-85 二指夹爪，随库附带 27 条真实遥操作轨迹（episodes）。换用其他机器人时，只需替换自己的 URDF 和遥操作数据。

整条流水线按五个阶段推进：

1. **Ingest（数据摄取与标准化）**：输入遥操作采集的原始 Zarr、ROS bags 或 CSV 记录，统一转换为社区标准 `LeRobot v2` 格式并存入 `Foundation` 创建的 Amazon S3 存储桶。
2. **Train — Imitation Learning（模仿学习微调）**：读取 S3 中的 `LeRobot v2` 数据，在 SageMaker 或 AWS Batch 上用 PyTorch 与 Hugging Face 微调 NVIDIA GR00T N1.6 VLA 模型，或通过独立 CDK 仓库用 LoRA 微调 14B 参数的 DreamZero 世界动作模型并自动合并权重。产出的 `model.tar.gz` 回写 S3，可由 `Isaac Lab Arena Evaluation`（Preview）做闭环评测与受控模型注册。
3. **World Generation（世界生成与合成数据扩增）**：在 EKS 或 EC2（G6e / L40S、P5 / H100）上运行 `cosmos-on-aws`，调用 Cosmos 3 Predict（Predict V2V）生成新合成演示，或用 Cosmos Transfer 2.5 对现有视频做风格重绘（restyle），扩增后的数据回流 S3 反哺训练。
4. **Train — Reinforcement Learning（大规模强化学习与仿真验证）**：任务基于 Gymnasium 定义，`isaac-lab-on-aws` 在单张 GPU 上开启 4096 个并行环境从零训练策略，并在 EC2（`g6e.4xlarge`）上的 `isaac-sim-on-aws` 工作站里做物理仿真验证，输出 `policy.pt` 或 ONNX 模型。
5. **Deploy（边缘导出与机上闭环）**：按架构设计，模型导出为 TensorRT 或 ONNX，经 AWS IoT Greengrass 推送到 NVIDIA Jetson Thor / AGX 硬件，交由机上 `ROS 2` 执行实时控制；同时 `Strands Agents` 可拉取 S3 上的 `model.tar.gz` 或 `policy.pt` 在仿真孪生体或真机上验证并决定下一轮训练。但其中的 Greengrass + Jetson 部署模块目前仍在规划中。

## 同一台 ml.g5.12xlarge 上，完整训练比冒烟测试贵 39.5 倍 {data-eyebrow="账单与耗时"}

AWS 博文没有提价格，仓库根目录 README 则给出了九项带 `~` 的粗略预估成本表（`Estimated Costs`）：

| 组件与工作负载 | 官方预估费用 | 机型配置与运行时长说明 | 计费形态 |
| :--- | :--- | :--- | :--- |
| **GR00T training (smoke test)** | `~$2` | `ml.g5.12xlarge` 运行 15 min | 单次训练作业 |
| **GR00T training (full)** | `~$79` | `ml.g5.12xlarge` 运行 11 hrs | 单次训练作业 |
| **DreamZero fine-tune (smoke gate)** | `~$10` | `ml.g7e.24xlarge` 运行 25 min | 单次训练作业 |
| **DreamZero fine-tune (1000 steps)** | `~$93` | `ml.g7e.24xlarge` 运行 4 h 11 m | 单次训练作业 |
| **Isaac Lab RL training** | `~$10-30` | `ml.g5.xlarge` 运行 2-4 hrs | 单次训练作业 |
| **Cosmos 3 Predict** | `~$37/hr` | `p5.48xlarge`（Capacity Block 容量块） | 按小时计费 |
| **Cosmos Transfer 2.5** | `~$8/hr` | `g6e.12xlarge`（Spot 竞价实例） | 按小时计费 |
| **OSMO (full deployment)** | `~$5/hr` | EKS + RDS + ElastiCache 全套控制面 | 按小时计费 |
| **Isaac Sim workstation** | `~$1.86/hr` | `g6e.4xlarge`（空闲时停止） | 按小时计费 |

把单次训练总价与按小时费率放在一起重排（`Isaac Lab RL training` 取区间上限 `30` 与下限 `10` 分列），开销梯度如下：

<RankBars unit=" 美元" note="本站按仓库 README 预估成本表整理（原表数值均带 ~，分成单次训练与每小时费率两组）" :items='[{"label":"DreamZero 微调 (1000 steps, 4h11m)","value":93,"group":"单次训练总计"},{"label":"GR00T 完整训练 (11 hrs)","value":79,"group":"单次训练总计"},{"label":"Cosmos 3 Predict (p5.48xlarge)","value":37,"group":"每小时费率 (/hr)"},{"label":"Isaac Lab 强化学习上限 (4 hrs)","value":30,"group":"单次训练总计"},{"label":"DreamZero 冒烟门禁 (25 min)","value":10,"group":"单次训练总计"},{"label":"Isaac Lab 强化学习下限 (2 hrs)","value":10,"group":"单次训练总计"},{"label":"Cosmos Transfer 2.5 (g6e.12xlarge Spot)","value":8,"group":"每小时费率 (/hr)"},{"label":"OSMO 完整部署 (EKS+RDS+ElastiCache)","value":5,"group":"每小时费率 (/hr)"},{"label":"GR00T 冒烟测试 (15 min)","value":2,"group":"单次训练总计"},{"label":"Isaac Sim 工作站 (g6e.4xlarge)","value":1.86,"group":"每小时费率 (/hr)"}]' />

对照表里的两组模型微调数据，可以算出从冒烟验证到完整训练的放大倍数：

- **GR00T 微调**：冒烟测试与完整训练都跑在 `ml.g5.12xlarge` 上，前者 15 min 预估 `~$2`，后者 11 hrs 预估 `~$79`。**本站按官方预估数计算**，完整训练时长是冒烟测试的 **44.0 倍**（`11 / (15/60)`），预估标价是冒烟测试的 **39.5 倍**（`79 / 2`）。
- **DreamZero 微调**：冒烟门禁与 1000 steps 微调都跑在 `ml.g7e.24xlarge` 上，前者 25 min 预估 `~$10`，后者 4 h 11 m 预估 `~$93`。**本站按官方预估数计算**，1000 steps 微调时长是冒烟门禁的 **10.04 倍**（`(4 + 11/60) / (25/60)`），预估标价是 **9.3 倍**（`93 / 10`）。

真正容易在账单上超支的是按小时计费的服务：`Cosmos 3 Predict` 在 `p5.48xlarge` Capacity Block 上每小时预估 `~$37/hr`，跑两个多小时就超过一次 11 hrs 的 GR00T 完整训练；`OSMO` 全套控制面（`EKS + RDS + ElastiCache`）即使不跑 GPU 任务也要 `~$5/hr`。因此实验结束后必须用 `terraform destroy` 或 `aws cloudformation delete-stack` 销毁资源，闲置的 `Isaac Sim workstation`（`~$1.86/hr`）也应及时停机。

## 不开 AWS 账号也能跑：Strands 本地仿真环路与文档前后的机型错位 {data-eyebrow="本地免云玩法"}

如果不想申请 AWS GPU 配额，仓库里的 `strands-agents-on-aws/` 模块提供了一条零云端费用的本地控制路径。它基于 `Strands Agents SDK` 和 `strands-robots`，把仿真孪生体与真机统一封装在 `Robot()` 接口后：

```python
from strands import Agent
from strands_robots import Robot

robot = Robot("so100")                       # 默认启动 MuJoCo 仿真；传入 mode="real" 才连接真机
Agent(tools=[robot])("pick up the red cube")  # 自然语言指令 -> 电机控制命令
```

默认调用 `Robot("so100")` 会在本地拉起 MuJoCo 仿真（no GPU, no hardware, no cloud cost），除非显式传入 `mode="real"`，否则物理舵机绝不动作。通过命令行快速启动只需三步：

```bash
pip install 'strands-agents' 'strands-robots[sim-mujoco]'
pai agent sim --robot so101 --task "pick up the red cube"
pai agent info --robot so101
```

核对 `strands-agents-on-aws/README.md`，有三个细节值得开发者留心：

1. **代码与命令行的机型不一致**：顶部 Python 示例写的是 `Robot("so100")`，下方 CLI 示例却用 `--robot so101`，文档未说明两边型号不同的原因。
2. **云端托管控制面尚未落地**：虽然新闻稿和根 README 把 `Amazon Bedrock AgentCore` 列为核心编排能力，但子模块状态表明确标注 `Bedrock AgentCore hosted runtime (pai agent deploy)` 和 `AWS IoT Core mesh bridge for fleets` 均为 `Planned`，目前只有本地笔记本/工作站控制面可用。
3. **机型数量未经本仓逐一核验**：文档宣称支持 `50+ robots, 8 categories` 并支持遥操作录制 `LeRobot v2` 数据集，但该数字仅见于说明文字，仓库内未提供 `50+` 款机型的测试清单。

## 新闻稿写五大支柱已就位，仓库里却找不到边缘部署目录 {data-eyebrow="仓库现状与缺口"}

把 About Amazon 新闻稿、AWS 博文与 GitHub 仓库目录树对照核查，最明显的矛盾出在 **Edge Deployment（边缘部署）**：

- **About Amazon 新闻稿**将 `Edge Deployment` 列为五大核心支柱之一，声称通过 AWS IoT Greengrass 把优化模型推向现场机器；**AWS 博文**也写明最终阶段用 Greengrass 推送模型至 NVIDIA Jetson。
- **GitHub 根目录 README** 的选型表（`When to Use OSMO vs. Individual Tools`）直接写着：已有流水线若只需边缘部署，请使用 **`jetson-edge-deployment`** 打包并推送模型。
- 但同一篇 README 的 **组件表（`Toolchain Components`）** 中，`Edge Deployment` 的部署入口与状态全部标为 `Planned`。
- 核查仓库 `main` 分支的 **根目录清单**（`cdk`、`containers`、`cosmos-on-aws`、`docs`、`dreamzero-on-aws`、`foundation`、`isaac-gr00t-on-aws`、`isaac-lab-arena-on-aws`、`isaac-lab-on-aws`、`isaac-sim-on-aws`、`kubernetes`、`notebooks`、`osmo-on-aws`、`pai`、`scripts`、`strands-agents-on-aws`、`training`、`workflows`、`workshop`），根目录下根本没有 `jetson-edge-deployment` 文件夹。

除边缘部署缺位外，材料核查还发现四处脱节与边界：

1. **内部相对链接失效**：`strands-agents-on-aws/README.md` 多次用 `../gr00t-training-on-aws/` 链接训练模块，但仓库真实目录名为 `isaac-gr00t-on-aws`。
2. **一手材料作者署名不一致**：AWS 博文署名为 `Ignacio Sánchez`，而 GitHub README 作者列表（均为 AWS Solutions Architect）写的是 `Ignacio Salvar`。
3. **交付周期宣传无实测支撑**：博文称从评估到跑通自有数据只需 `hours rather than weeks`，新闻稿则写 `weeks rather than the years`，两边均无实测计时。
4. **背景宣传数字不属于本工具链指标**：About Amazon 提到的「AWS 与 NVIDIA 再部署 `2 million` GPUs」是同页另一则合作消息，并非工具链配额；文首转引的行业报告比例（Capgemini 的 `79%` 组织接触物理 AI、`60%` 高管看好；Global Startup Trends Report 的七分之一初创公司做物理 AI、`72%` 认为云计算必不可少）及客户规模数字（Amazon 部署超 `1 million` 机器人与 Proteus、NEURA 目标 `2030` 年推向市场数百万台机器人、RLWRLD 的 `8.1-billion-parameter` 模型、Config 超 `200,000 hours` 动作数据），均非本工具链的评测结果。

:::: pair
::: ok 仓库已经提供
- **8 个 Available 模块**：`Foundation`、`Cosmos`、`Isaac Lab`、`Isaac GR00T`、`DreamZero`（独立 CDK 仓库）、`Isaac Sim`、`OSMO`（6.3）与 `Strands Agents` 本地控制面。
- **1 个 Preview 评测模块**：`Isaac Lab Arena Evaluation`，用于 GR00T 闭环评测与检查点校验。
- **27 条 UR3 + Robotiq 2F-85 真实遥操作数据**：开箱可跑的拾放示例，支持把 Zarr / ROS bags / CSV 转成 `LeRobot v2` 存入 S3。
- **免本地 Docker 与免云费仿真入口**：容器由 AWS CodeBuild 云端构建；本地 `pai agent sim` 零云费跑 MuJoCo。
:::
::: no 还在画饼或缺失
- **Jetson 边缘部署模块缺失**：组件表标为 `Planned`，README 点名的 `jetson-edge-deployment` 在仓库中不存在。
- **Bedrock AgentCore 托管运行时未就绪**：`pai agent deploy` 与 AWS IoT Core 车队网格桥接均标为 `Planned`。
- **无任务成功率基准**：`4096 parallel envs` 只是单卡并行环境数，无任务成功率、误差线或基线对比。
- **无实测账单与第三方复现**：价格均为带 `~` 的粗略估计，尚无独立团队复现报告。
:::
::::

## 跑通云端训练或本地仿真的前置条件与最小步骤 {data-eyebrow="怎么跑起来"}

本地体验只需安装 Python 3.11+ 并执行上文的 `pip install 'strands-agents' 'strands-robots[sim-mujoco]'` 与 `pai agent sim`。若要在 AWS 云端拉起训练与仿真，需备齐以下条件：

1. **账号与配额**：拥有已获批 SageMaker 与 EC2 GPU 配额的 AWS 账号。
2. **命令行与环境**：`AWS CLI v2`、`Python 3.11+`；生产路径（Production path）需 `Terraform >= 1.5`，工作坊路径（Workshop path）无需 Terraform；本地无需安装 Docker（容器在 AWS CodeBuild 中构建）。
3. **外部凭证**：用于拉取容器镜像的 NVIDIA NGC API Key，以及用于下载模型权重的 Hugging Face Token。

云端部署时，先进入 `foundation/infra/` 部署共享底座（S3、ECR、IAM、VPC、SSM），再进入 `isaac-gr00t-on-aws/infra/` 或 `isaac-lab-on-aws/infra/` 单独拉起训练，或用 `osmo-on-aws/001-iac/` 部署全局编排。测试完毕后务必执行 `terraform destroy` 或 `aws cloudformation delete-stack` 释放资源。

::: handson 上手卡 · Physical AI Toolchain on AWS
- **仓库入口** GitHub `https://github.com/aws-samples/sample-the-physical-ai-toolchain-on-aws`（DreamZero 独立仓库为 `sample-dreamzero-finetuning-on-sagemaker`）
- **开源许可** Apache License 2.0（2004 年 1 月版）
- **数据与接口标准** 原始记录（Zarr / ROS bags / CSV）转 `LeRobot v2` 存 S3；强化学习基于 Gymnasium；本体用 URDF 描述；导出 ONNX / TensorRT 交接给 `ROS 2`
- **硬件与账号门槛** 本地 MuJoCo 仿真无需 GPU 和 AWS 账号；云端需 `AWS CLI v2`、`Python 3.11+`、`Terraform >= 1.5`（生产路径）、AWS GPU 配额、NVIDIA NGC API Key 与 Hugging Face Token，本地免 Docker
- **预估成本参考** 本地 MuJoCo 仿真无云端费用；GR00T 冒烟测试 `~$2`（15 min）/ 完整微调 `~$79`（11 hrs）；DreamZero 冒烟门禁 `~$10`（25 min）/ 1000 steps 微调 `~$93`（4 h 11 m）；Isaac Lab 训练 `~$10-30`（2-4 hrs）；Isaac Sim 工作站 `~$1.86/hr`；OSMO 全套控制面 `~$5/hr`
:::

**本站判断**：这套工具链真正的工程价值，是帮使用 NVIDIA 机器人软件栈（Isaac Lab、GR00T、Cosmos、OSMO）的团队省掉了在 AWS 上手写 Terraform、配 VPC 权限、建 CodeBuild 容器流水线和打通 S3 数据格式的重复劳动；随库附带的 27 条 UR3 遥操作数据和明码标出的冒烟测试配置（`~$2` / 15 min），也让验证云端训练管线的试错成本足够透明。但它的短板同样清楚：从云端训练到机载边缘落地的「最后一公里」（Jetson 边缘部署模块与 Bedrock AgentCore 云端控制面）在仓库里依然标着 `Planned`，且 README 出现了指向不存在目录 `jetson-edge-deployment` 和错误相对路径 `../gr00t-training-on-aws/` 的文档纰漏。把它当成云端训练与仿真的 Terraform 脚手架很实用，但指望靠它今天就把模型一键推上现场机器人，还为时尚早。

::: takeaway
这是一套实用的 NVIDIA 机器人云端训练与仿真 Terraform 脚手架，但下发到 Jetson 真机的边缘部署模块还没写完。
:::

::: sitenote
- **表格与图片出处**：正文中「组件清单表」、「飞轮阶段与 AWS 服务映射表」及「官方预估费用表」均译自 GitHub 仓库 `sample-the-physical-ai-toolchain-on-aws` 根目录 `README.md`；两张架构与飞轮配图（`flywheel.png`、`arch-diagram.png`）直接引用自该仓库 `main` 分支，遵循 Apache-2.0 许可证。
- **本站计算说明**：GR00T 完整训练相对于冒烟测试的时长倍数 `44.0`（`11 / (15/60)`）与预估费用倍数 `39.5`（`79 / 2`），以及 DreamZero 1000 steps 微调相对于冒烟门禁的时长倍数 `10.04`（`(4 + 11/60) / (25/60)`）与预估费用倍数 `9.3`（`93 / 10`），均由本站根据 README 预估成本表计算得出；`<RankBars>` 图表由本站按同一预估表重排生成。
- **本站解释与核查说明**：关于 `Edge Deployment` 在新闻稿、README 选型表与组件状态表、仓库根目录树之间的矛盾对比，`strands-agents-on-aws` 中 `so100` 与 `so101` 的前后差异、`../gr00t-training-on-aws/` 相对链接与 `isaac-gr00t-on-aws` 真实目录名的错位，以及两份官方材料中 `Ignacio Sánchez` 与 `Ignacio Salvar` 的署名差异，均为本站对照原始材料包核查所得。The Robot Report 的二次报道因权限受限未纳入材料包，本文完全基于 AWS 与 GitHub 一手材料撰写。
:::

## 原始参考来源 (Sources)

- [Introducing AWS Physical AI Toolchain · AWS](https://aws.amazon.com/blogs/physical-ai/introducing-aws-physical-ai-toolchain/)
- [How AWS is helping companies build physical AI machines that think · About Amazon](https://www.aboutamazon.com/news/aws/aws-physical-ai-toolchain-build-intelligent-machines)
- [sample-the-physical-ai-toolchain-on-aws README · AWS](https://github.com/aws-samples/sample-the-physical-ai-toolchain-on-aws/blob/main/README.md)
- [strands-agents-on-aws README · AWS](https://github.com/aws-samples/sample-the-physical-ai-toolchain-on-aws/blob/main/strands-agents-on-aws/README.md)
- [Apache License 2.0 · AWS](https://github.com/aws-samples/sample-the-physical-ai-toolchain-on-aws/blob/main/LICENSE)
- [Repository top-level paths · AWS](https://github.com/aws-samples/sample-the-physical-ai-toolchain-on-aws)