物理AIインフラストラクチャスタック:データ収集,訓練,展開層
物理的なAI <unk>収集パイプライン,モデルトレーニング,シミュレーション,展開,新興標準,各層を建設する企業のために建設されている5層インフラストラクチャスタック. 2025-2026年の投資分析.
[←研究]
2024年に2.4億ドルの資金がヒューマノイドハードウェアに流入しました. ロボットが実際に学ぶことができるインフラストラクチャ層はまだ構築されています. 物理的なAIに新しい? [物理的なAIとは何か?
物理的なAI が 必要な もの
物理AI 機械体を通して物理世界で認識し行動するAIシステムにはソフトウェアAIとは異なるインフラストラクチャ要件があります.大規模な言語モデルにはデータ,コンピューティング,サービスインフラストラクチャが必要です. ロボット政策には それらすべてが必要なのです 規模でリアルなデータ収集 リアルなシミュレーション環境 ハードウェアの互換性層 端部署インフラ ソフトウェアの世界では存在しないセキュリティシステム
"ロボットがある"と"ロボットが有用な仕事を信頼に適している"の間のギャップはほぼ完全にインフラストラクチャの問題です.アルゴリズムが存在します.ハードウェアは商品化されています.ボトルネックはそれらを接続する運用インフラストラクチャです.
物理的なAIスタック
新たに登場する物理的なAIスタックには 5つの層があり それぞれに異なるインフラストラクチャ要件があり 異なる企業がそれらを構築しています
- **層 1 硬件:**ロボット腕,人間形体,センサー (RGB-Dカメラ,力扭矩センサー,触覚配列) とアクチュエーター.この層は急速に商品化している.能力のある6DOF腕 (UR3e,Franka Research 3,Lebai LM3) は2025年に15K$30Kドル,2022年から40%減少する.人間形硬件 (Unitree G1,Agility Digit,Figure 01) は依然として高価である (50K$200K) が減少している. キーメーカー:ユニットリー,ユニバーサルロボット,フランカ,フィギュア,アジャイルティ,ボストン・ダイナミックス
- 層2
収集インフラ: 訓練データを生成するシステム. テレオペレーション・リグ,データパイプライン,品質管理,人間レビューキュー,エピソードストレージ,注釈ツール.ハードウェア投資に関して最も低水準の層です.主要構築者:RCSV,Lerobot (HuggingFace),Physical Intelligence (π). - 3層
訓練インフラストラクチャ: GPUクラスター,ロボット学習に最適化されたトレーニングフレームワーク (Isaac Lab,LeRobotトレーニングスタック,ACT/ディフュージョンポリシー実装) および実験追跡.ハードウェア側はクラウドプロバイダーによって処理され,ロボット専用ソフトウェアスタックが現在構築されています. キーメーカー:NVIDIA (Isaac Lab, Jetson),HuggingFace (LeRobot),Google DeepMind (RT-2,Aloha). - Layer 4
基礎モデル: 特定の作業に合わせて調整できる一般ロボット能力を提供する前訓練のビジョン言語アクションモデル.RT-2,OpenVLA,Octo, π0,およびRoboFlamingoは主要なオープンチェックポイントです.ここでは数々の組織が有意義なリードを持っています.キービルドは:Fisical Intelligence,Google DeepMind,UC Berkeley,スタンフォード. - Layer 5 部署インフラストラクチャ: ジェットソンまたは類似のハードウェア,OTAモデル更新システム,艦隊管理ダッシュボード,アップタイムモニタリング,安全監視システムに関するエッジ推論.この層は,現在ほとんど製品として存在しません.
今日 の インフラ の 欠陥
現在 AIのインフラストラクチャの 4つの重要なギャップは ロボット学習を展開するあらゆる組織に 摩擦を引き起こします
| Gap | Current State | Impact | Likely Solution Timeline |
|---|---|---|---|
| Universal robot API standard | No standard; each arm has proprietary SDK | Code rewritten for each robot type | 2026–2027 (ROS2 + hardware abstraction) |
| Universal data format | RLDS, HDF5, proprietary — incompatible | Data not portable across orgs or training stacks | 2025–2026 (Open X-Embodiment + LeRobot Hub) |
| Standardized evaluation benchmarks | LIBERO, SimplerEnv, RT-2 evals — not unified | No apples-to-apples model comparison | 2026–2027 |
| Managed inference for robot models | Self-hosted only; no robot model serving APIs | Each deployment requires full MLOps stack | 2025–2026 |
新たに登場する基準
データフォーマットとポータビリティの格差を解決するために,3つの新興標準が融合しています
- Open X-Embodiment (OXE) 形式: 22 機関 Open X-Embodiment データセットで使用される標準化エピソード形式.観測,アクション,報酬,メタデータを一貫したスケーマで保存する.多ロボットデータセットの事実上の標準としてますます採用されている.
- LeRobot Hub: ハグジングフェイスのロボットデータセットリポジトリ,パルケットベースのLeRobotデータセットフォーマットを使用しています.2025年初旬までに200以上のデータセットが急速に成長しています.GitHubモデルハブアナロジーはロボットデモデータに適用されました.
- RLDS (Reinforcement Learning Datasets): Googleの TensorFlowベースのエピソードフォーマット. 学術ロボット学習では広く使用されていますが,PyTorchエコシステムの支配により新しいデータセットのためにLeRobot Hubに土地を失います.
投資 不均衡
2024年には,約24億ドルが世界中のヒューマノイドロボットハードウェア企業 (Figure AI,Fisical Intelligence,Agility,1X,Apptronik,など) に流入した.インフラストラクチャ企業に,実際に学習できるようにするピックとショウルの層が,その投資のわずかな一部を引き寄せました.
この不均衡は一時的なものですが,意義ある機会を生み出しています.ハードウェアが構築されています.それを機能させるインフラストラクチャはありません.現在インフラストラクチャ能力を構築する組織は,ハードウェアコストが引き続き低下し,ハードウェアオプションが倍増するにつれて,構造上の利点を持つでしょう.
RCSVの投資論説は,収集と展開インフラストラクチャの層が現在の物理的なAIスタックで最も高いレバレッジポイントである.私たちの [Fearless Platform] (T2
インフラストラクチャ層におけるRCSVの役割
RCSVは,収集インフラと展開インフラの交差点で活動している. 2025年物理AIスタックで最も欠陥のある2つの層である.シリコンバレーのロボットセンターは以下のものを提供している.
- 収集インフラ: 遠隔操作装置,データパイプライン,品質管理システム,訓練されたオペレーター労働力. ハードウェア無知者
共同制御を暴露するロボット腕と動作します. - デプロイメントインフラストラクチャ: フリット管理ダッシュボード,エッジ推論統合,OTAモデル更新ツール,および稼働時間モニタリング. 5
500のデプロイメントロボットを実行する組織のために設計されています. - クロス・インボディメントデータ: RCSVのデモライブラリには,12以上の腕タイプからのデータが含まれ,サポートされたロボットタイプに対してタスクごとに収集要件を30~60%削減するクロス・インボディメントの微調整が可能になります.
アクセス 物理的なAIインフラストラクチャ
RCSVは生産ロボット学習プログラムを構築する組織のための収集と展開インフラストラクチャを提供します.
[プラットフォームを探求]