物理人工智能基础设施堆<unk>:数据收集,培训和部署层次
五层基础设施堆<unk>正在为物理人工智能<unk>集管道,模型培训,模拟,部署,新兴标准以及每个层构建的公司建造. 2025-2026年投资分析.
2024年,24亿美元流入了人形硬件. 让这些机器人真正学习的基础设施层仍在建设中. ** 对于物理人工智能来说新鲜吗?** 开始从 [物理人工智能是什么?
物理人工智能实际上需要什么
通过机器人体来感知和行动在物理世界中的AI系统具有与软件AI不同的基础设施要求.一个大型语言模型需要数据,计算和服务基础设施. 机器人政策需要所有这些:实体数据收集,实实实模拟环境,硬件兼容性层,边缘部署基础设施,
机器人可以可靠地完成有用的工作"之间的差距几乎完全是基础设施问题.算法存在.硬件是商品化.瓶
物理人工智能堆
现有的物理人工智能堆
- **层1
硬件:**机器人臂,人形体,传感器 (RGB-D摄像头,扭矩传感器,触觉阵列) 和执行器.这个层正在迅速商品化.一个有能力的6DOF臂 (UR3e,Franka Research 3,Lbai LM3) 在2025年成本为15万 30万美元,比2022年下降了40%.人形硬件 (Unitree G1,敏捷度数字,图1) 仍然昂贵 ($50万 200万) 但正在下降. 基本的构建者:Unitree,UniversalRobots,Franka,图像,敏捷性,波士顿动力学. - 层2
收集基础设施: 生产训练数据的系统.远程操作平台,数据管道,质量控制,人力审查队列,集集存和注释工具.这是硬件投资相比较较低的层.主要构建者:RCSV,Lerobot (HuggingFace),物理智能 (π). - 3层
培训基础设施: GPU集群,优化机器人学习的培训框架 (Isaac Lab,LeRobot培训堆,ACT/Diffusion Policy实现),以及实验跟踪.硬件方面由云提供商处理;目前正在建造机器人特定软件堆 . 关键构建者:NVIDIA (Isaac Lab,Jetson),HuggingFace (LeRobot),Google DeepMind (RT-2,Aloha). - **4层
基础模型:**预训练的视觉语言行动模型,可为特定任务提供细节调整的一般机器人功能.RT-2,OpenVLA,Octo, π0,和RoboFlamingo是领先的开放检查点.少数组织在这里具有意义的领先地位.关键构建者:物理智能,谷歌深思,UC伯克利,斯坦福. - 5层
部署基础设施: 果结论在Jetson或类似的硬件,OTA模型更新系统,舰队管理仪表板,时机监测和安全监督系统.这个层几乎不存在作为产品今天 大多数团队为每个部署构建自定义.关键构建者:RCSV (舰队管理),早期的初创公司.
基础设施缺口
目前的物理人工智能基础设施堆
| 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 |
新兴标准
为了解决数据格式和可移植性差距,三个新兴标准正在融合:
- 开放X-Embodiment (OXE) 格式: 标准化节目格式,用于22个机构的开放X-Embodiment数据集. 存储观察,行动,奖励和元数据在一致的方案中.越来越多地被采用为多机器人数据集的实际标准.
- LeRobot Hub:
接脸的机器人数据集存储库,使用基于Parquet的LeRobot数据集格式. 快速增长 到2025年初超过200个数据集.GitHub模型的中心比较适用于机器人示范数据. - **RLDS (强化学习数据集):**谷歌基于TensorFlow的集体格式.广泛用于学术机器人学习,但由于PyTorch生态系统的占主导地位,因此对LeRobot Hub进行了新的数据集.
投资不平衡
2024年,全球约有24亿美元流入了人类机器人硬件公司 (图像人工智能,物理智能,敏捷性,1X,Apptronik等).基础设施公司
虽然这种不平衡是暂时的,但创造了有意义的机会.硬件正在建设.使其运行的基础设施没有. 现在建立基础设施能力的组织将有结构优势,因为硬件成本继续下降,硬件选择会增加.
根据RCSV的投资论文,收集和部署基础设施层是目前物理人工智能堆
基础设施层中RCSV的作用
斯威尔士人工智能集团 (RCSV) 在2025年物理人工智能堆
- 收集基础设施远程操作平台,数据管道,质量控制系统和经过训练的操作员工.
- 部署基础设施: 机队管理仪表板,边缘推理集成,OTA模型更新工具和运行时间监测. 设计用于运行5
500部署的机器人的组织. - **跨体体数据:**RCSV的示范库包含来自12多种臂型的数据,可通过跨体体细调,为支持的机器人类型减少每项任务收集要求30
60%.
访问物理人工智能基础设施
斯威尔士国家机器人技术委员会为生产机器人学习计划的组织提供收集和部署基础设施.