Amazon Web Services (AWS) lanzó el 8 de octubre un Physical AI Toolchain de código abierto, pensado para que los equipos de robótica pasen de recolectar datos a entrenar, simular, validar y desplegar modelos de IA en sus robots.
El conjunto junta servicios de AWS y el stack de software de IA física de NVIDIA en un solo flujo de desarrollo. Apunta a uno de los problemas más grandes de las empresas que construyen robots con IA, que es conectar todas las piezas necesarias para que un modelo entrenado se vuelva un sistema que funcione de forma confiable en el mundo real.
"Estamos tratando de hacer este botón fácil, por decirlo así, para que la gente pueda enfocarse en el problema que quiere resolver en vez de tener que preocuparse por toda la infraestructura", dijo a The Robot Report Sri Elaprolu, director de Frontier AI Science and Engineering de AWS.
El Physical AI Toolchain no reemplaza directamente a RoboMaker, la plataforma de simulación robótica en la nube que AWS cerró en 2025. Elaprolu describió RoboMaker como uno de los componentes del stack robótico de AWS, mientras que la nueva herramienta reúne un conjunto más amplio de tecnologías de desarrollo.
De los datos al despliegue
El Toolchain combina cinco etapas del desarrollo de IA:
- generación de datos sintéticos
- entrenamiento del modelo
- simulación y validación
- despliegue en el borde
- mejora continua
Una empresa de robótica podría grabar demostraciones de un robot haciendo una tarea, generar escenarios de entrenamiento adicionales de forma sintética, entrenar o ajustar un modelo y probarlo en simulación antes de cargarlo en un robot físico.
AWS usa Amazon SageMaker para entrenar los modelos y AWS IoT Greengrass para distribuirlos a los dispositivos en el borde. NVIDIA aporta Isaac Sim, Isaac Lab, Isaac GR00T y Cosmos. Las empresas pueden usar cada componente por separado o combinarlos en un flujo de punta a punta.
"La cantidad de datos que necesitas para entrenar estos modelos es enorme, y no hay muchos datos disponibles, a diferencia de los LLM, donde hay una tonelada de datos en internet", dijo Elaprolu. "Entonces, ¿cómo generas esos datos? ¿Cómo generas datos sintéticos que representen el mundo real? Esa es una de las cosas que estamos tratando de resolver."
Los datos sintéticos ayudan a generar escenarios adicionales, y la simulación permite probar los modelos antes de llevarlos al hardware físico. El Toolchain contempla un ciclo de retroalimentación en el que los datos que recogen los robots en terreno vuelven a la nube para mejorar los modelos.
"A medida que empiezas a escalar estos despliegues robóticos, lo que se aprende localmente tiene que volver a la nube", dijo Elaprolu. "Así vas iterando el cerebro de forma continua."
¿Qué aprendió Amazon de sus propios robots?
Según Elaprolu, el Toolchain incorpora lecciones de las operaciones robóticas de Amazon, que ya suman más de un millón de robots. Pero los centros logísticos de Amazon, que son ambientes controlados, no representan todos los lugares donde va a operar la IA física.
Elaprolu mencionó a la empresa japonesa Telexistence, que está instalando humanoides en tiendas de conveniencia. Ya hay más de 300 desplegados, dijo, y se esperan más. A diferencia de una fábrica controlada, una tienda suma variables y obliga a los robots a reaccionar rápido ante condiciones que cambian.
"Los niveles de tolerancia a fallas tienden a ser mucho más bajos, pero al mismo tiempo las tasas de respuesta tienen que ser mucho más altas", dijo Elaprolu.
AWS mantiene el Toolchain neutral respecto del hardware. No prescribe un robot en particular. Entrega la infraestructura para entrenar y desplegar modelos en máquinas distintas.
"Va a haber una gran variedad de diseños y componentes de hardware construyéndose ahora y en el futuro", dijo Elaprolu. "El Toolchain se mantiene neutral a propósito frente a ese último paso."
Vulcan es el primer robot de Amazon con sentido del tacto. Usa sensores para tomar y guardar productos en un centro logístico. Imagen de Amazon.
Tacto y construcción
Elaprolu también puso el tacto como ejemplo de las capacidades especializadas que puede requerir la IA física. AWS trabajó con RLWRLD, una empresa surcoreana que desarrolla capacidades táctiles para manos de humanoides. Según Elaprolu, los modelos existentes no alcanzaban para ciertas tareas de destreza con cinco dedos, así que AWS y RLWRLD desarrollaron un modelo especializado.
El robot Vulcan de Amazon es otro ejemplo. Usa sensores táctiles para manipular y guardar productos en los centros logísticos de Amazon. The Robot Report nombró hace poco a Vulcan como el Robot del Año 2026.
El Toolchain no es una plataforma de sensado táctil. Su soporte para distintas fuentes de datos, entrenamiento, simulación y despliegue en el borde sí podría permitir que los desarrolladores incorporen sensores especializados en sus sistemas.
AWS también ve usos fuera de bodegas y fábricas. Elaprolu mencionó a Bedrock Robotics, que desarrolló hardware y modelos de IA para robots autónomos de construcción. Esos modelos se entrenan en la nube de AWS y después operan maquinaria en obras reales.
¿Por qué código abierto?
El Physical AI Toolchain es de código abierto, así que tanto startups como empresas grandes pueden usarlo y modificarlo.
Elaprolu dijo que los componentes de AWS y de NVIDIA ya los usaban clientes por separado, entre ellos las empresas del Physical AI Fellowship que AWS organiza con MassRobotics y NVIDIA. La novedad es que ahora vienen empaquetados en un flujo más coherente.
"Lo que una empresa va a aprovechar es que los empaquetamos y hacemos que todo funcione sin fricción", dijo.
