AWS zeigt mit NVIDIA Cosmos 3, wie eine Physical-AI-Modellfabrik auf SageMaker HyperPod läuft
TL;DR
Amazon Web Services beschreibt eine Architektur, mit der sich eine kontinuierliche Physical-AI-Pipeline auf einem persistenten SageMaker-HyperPod-Cluster betreiben lässt. Auf Amazon EKS verbindet der Ansatz die synthetische Datengenerierung, das Post-Training und die Closed-Loop-Evaluierung mit NVIDIA Cosmos 3 in einem laufenden Modellprozess. Als zentrale Kennzahl nennt AWS den GPU-Goodput, also den Anteil der Clusterzeit, der tatsächlich für nützliche Arbeit verwendet wird.
Nauti's Take
Für Teams, die an Physical AI arbeiten, liegt der Vorteil in der Datenfrage: Cosmos 3 auf HyperPod verspricht synthetische Trainingsdaten in Mengen, die über echte Sensoraufnahmen kaum bezahlbar wären. Das Risiko ist die Übertragbarkeit, denn synthetische Daten helfen nur, wenn sie im realen Einsatz standhalten, und der AWS-Beitrag bleibt eine Anbieterquelle ohne unabhängige Zahlen.
Startet mit einem kleinen Closed-Loop-Test und messt GPU-Goodput, Wiederanlaufzeit und den Anteil verwertbarer Daten.
Quellen
