Drei neue Physical-AI-Toolchains innerhalb einer Woche
Innerhalb von sieben Tagen haben gleich drei Anbieter Werkzeuge fuer Physical AI vorgestellt: NVIDIA hat Isaac auf der GTC Berlin erweitert, CoreWeave Robotics-Templates per Einzeileneinbefehl veroeffentlicht, und AWS und NVIDIA haben eine Open-Source-Referenz-Toolchain fuer Physical AI herausgebracht.
Veröffentlicht am 21. Oktober • Zuerst erschienen auf pickatools.com
Innerhalb von sieben Tagen haben drei verschiedene Unternehmen Entwicklern eine physische AI-Toolchain in die Hand gegeben. NVIDIA hat Isaac auf der GTC Berlin am 21. Oktober erweitert. CoreWeave hat am selben Tag Roboter-Vorlagen mit einem einzigen Befehl ausgeliefert. AWS und NVIDIA haben eine Woche früher, am 14. Oktober, eine Referenz-Toolchain für Physical AI als Open Source veröffentlicht.
Wenn du Software baust und keine Roboter, fragst du dich, warum dich das interessieren sollte. Berechtigte Frage. Hier die ehrliche Antwort: Niemand verlangt von dir, einen Humanoiden zu kaufen. Diese Launches sind wichtig, weil sie alle dasselbe verkaufen: die langweilige, teure Mittelschicht der Roboterentwicklung, nämlich Datengenerierung, Simulation und Evaluation. Und sie verschenken sie, damit du dein Geld für deren Rechenleistung ausgibst.
Zuerst die Grenzen, denn das gehört zum Geschäft: Ich habe keinen Jetson Thor auf einem echten Humanoiden zum Laufen gebracht. Niemand außerhalb einer Handvoll Labore hat das. Dies ist eine anhand von Dokumentationen und Ankündigungen verifizierte Analyse: was jeder Launch tatsächlich liefert, wo die Haken sind und was ich diese Woche tun würde, wenn ich du wäre.
Das Muster bei allen dreien: kostenlose Software, abgerechnete Rechenleistung. Behalte diesen Satz für den Rest des Artikels im Kopf. Er erklärt alles.
Jensen Huangs Satz aus Berlin: "Generalrobotik entwickelt sich mit außergewöhnlicher Geschwindigkeit weiter. Der ChatGPT-Moment für die Robotik rückt schnell näher."
Das ist ein Zitat, keine Tatsache. Ordne es entsprechend ein. Die tatsächlich ausgelieferten Bausteine sind allerdings deine Aufmerksamkeit wert:
Isaac OS Runtime, eine Runtime-Schicht für Roboter. Lese es als Versuch von NVIDIA, die Position des "Betriebssystems" in der Robotik zu besetzen, so wie CUDA das GPU-Computing besitzt. Wenn dieses Framing aufgeht, zahlt irgendwann jedes Roboterteam die NVIDIA-Steuer, genau wie heute jedes ML-Team.
Isaac Lab 3.0, das Robot-Learning-Framework. Das ist der Teil, den die meisten Entwickler tatsächlich anfassen können: Hier trainiert und evaluiert man Roboter-Policies in der Simulation, bevor irgendetwas physische Hardware berührt.
Referenz-Workflows: ChatGPT Astra plus Isaac plus Cosmos auf einer DGX Station, Datengenerierung, Training und Evaluation in einer dokumentierten Schleife. Synthetische Daten von Cosmos, Roboter-Frameworks von Isaac, orchestriert mit Astra, laufend auf einer DGX Station. Es ist das erste Mal, dass die gesamte Schleife als ein einziger dokumentierter Weg verpackt wird, statt als fünf mit Klebeband zusammengehaltene Forenthreads.
Europas Robotik-Namen, nämlich ABB, KUKA, NEURA Robotics und Universal Robots, bauen darauf auf, so die Ankündigung. Das ist die Social-Proof-Folie.
Die Haken. Gleich drei davon. Erstens leistet "open robotics platform" eine Menge Arbeit. Die Offenheit existiert innerhalb des NVIDIA-Ökosystems. Du kannst frei bauen, aber jede Straße führt zurück zu deren Silizium und deren Frameworks. Zweitens ist die Referenz-Hardware-Story (mehr zum Agile ONE SN unten) noch im Ankündigungsstadium: kein Preis, kein Teardown von Drittanbietern, keine unabhängige Verifizierung der Einrichtungszeit. Drittens, und das sagt niemand laut: Isaac Lab 3.0 ist kostenlos. Die GPU-Stunden, um darin eine Policy zu trainieren, sind es nicht.
Dieselbe Veranstaltung, separate Ankündigung: Agile Robots' Agile ONE SN, ein Referenz-Humanoid mit vollem Stack, vorkonfiguriert mit NVIDIA Isaac GR00T und Jetson Thor Edge AI. Das Datenblatt: 1,40 m groß, 40 kg, 31 Freiheitsgrade, 3 kg Nutzlast pro Arm, duale WUJI Hand 2 mit fünf Fingern (jeweils 20 Freiheitsgrade, 1-kHz-Kraftregelung, taktile Sensorik). Die Rechenleistung: Jetson Thor mit 2.070 FP4-Teraflops und 128 GB vereintem Speicher. Die Behauptung: Einrichtungszeit von Wochen auf Tage reduziert.
"Referenz" ist das Schlüsselwort. Das ist kein Produkttest, sondern eine Vorlage dafür, wie ein GR00T-basierter Humanoid aussehen sollte. Für Entwickler liegt der Wert darin, dass es jetzt ein dokumentiertes Hardware-Ziel gibt, auf das man hinarbeiten kann: Schreibe deinen Stack für das Referenzdesign, und dein Code läuft auf allem, was der Vorlage folgt.
Der Haken. Die Ankündigung nennt keinen Preis, und ein 40-kg-Humanoid mit einem Jetson-Thor-Gehirn und 1-kHz-kraftgeregelten Händen wird keine Wochenendanschaffung sein. "Wochen zu Tagen" ist eine Herstellerbehauptung ohne jegliche unabhängige Verifizierung bislang. Und 31 Freiheitsgrade bedeuten 31 Dinge, die Kalibrierung, Wartung und Fehlersuche brauchen. Das Referenzdesign beantwortet die Architekturfrage, nicht die Zuverlässigkeitsfrage. Ich würde warten, bis ein Dritter so ein Gerät tatsächlich aufbaut und Bericht erstattet, bevor ich irgendetwas einplane.
CoreWeaves Ansatz ist ein anderer: keine Plattform, keine Hardware, nur Vorlagen. Launchables sind getestete Workload-Vorlagen für Robotik-, AV- und Simulationsteams, ausführbar mit einem einzigen Befehl. Fünf Tools zum Start, darunter CARLA, MuJoCo und NVIDIA AlpaSim. Sie decken die Physical-AI-Schleife vollständig ab: Datengenerierung, Evaluation und Grading, Policy-Training. Jedes Tool kommt mit einer leeren Vorlage, die du auf deine eigenen Szenen und Daten richtest und dann auf reservierter oder Burst-Kapazität ausführst.
Der wirklich interessante Teil ist nicht der Ein-Befehl-Aspekt. Es sind die agentischen Fähigkeiten: generative KI-Datenaugmentierung (Video, Bild, Text), Auto-Labeling, Datenkuratierung und -abruf. Daten sind der eigentliche Engpass in der Robotik. Echte Roboterdaten sind teuer, langsam und mühsam zu labeln. Alles, was das Datenproblem angreift, greift das echte Problem an.
Der Haken. "Ein Befehl" liefert dir die Vorlage, nicht die Pipeline. Deine Szenen, deine Daten, deine Labels, deine Evaluationskriterien, all das musst du weiterhin selbst erstellen. Und CoreWeave ist eine GPU-Cloud: Die Vorlagen sind die kostenlose Kostprobe; der Zähler läuft auf reservierter oder Burst-GPU-Kapazität. Das ist ein fairer Deal, wenn du ohnehin GPUs mietest, aber verwechsle einen Vorlagenkatalog nicht mit einem verwalteten Dienst.
Eine Woche früher (14. Oktober) haben AWS und NVIDIA eine Physical-AI-Toolchain als Open Source veröffentlicht: Isaac Sim, Isaac Lab, GR00T und Cosmos, verbunden mit SageMaker, EC2 und IoT Greengrass, mit Referenzarchitekturen und Deployment-Automatisierung. Open Source, jetzt einsatzbereit.
Das ist die Option, die das Plattformteam deines Unternehmens tatsächlich wählen wird. Nicht weil es die beste Technologie ist. Es ist eine Referenzarchitektur aus derselben Familie wie die von NVIDIA. Aber weil sie innerhalb der AWS-Beschaffungsgrenze ankommt. Greengrass für Edge-Deployment ist das Indiz: Das ist für Fabriken und Lagerhäuser gebaut, die bereits AWS nutzen, nicht für Garagen-Robotik.
Der Haken. Open-Source-Referenz, AWS-preisgesteuerte Runtime. Die Architekturen sind kostenlos; die SageMaker-Trainingsjobs und die EC2-Simulationsflotte werden abgerechnet wie alles andere bei AWS auch. Und "Referenzarchitektur" bedeutet, dass du weiterhin Integrationsarbeit leistest. Es ist ein Startpunkt, kein Produkt.
Wenn man durch die Ankündigungen schneidet, steht das tatsächlich auf dem Tisch:
Alle drei Launches plus der Referenz-Humanoide ergeben zusammen eine Strategie: die Software kostenlos und das Tooling exzellent machen und dann bei der Rechenleistung abkassieren. NVIDIA verkauft die GPUs. CoreWeave vermietet sie. AWS stellt sie in Rechnung. Die Entwicklererfahrung hat sich diese Woche wirklich verbessert, eine dokumentierte Daten-zu-Policy-Schleife ist echter Fortschritt, aber verbesserte DX ist auch der Trichter.
Das ist kein Grund, irgendetwas davon zu meiden. CUDA hat auf dieselbe Weise gewonnen, und es war lange gut für Entwickler. Wissen Sie nur, welches Spiel Sie spielen: Sie bekommen erstklassiges kostenloses Tooling im Austausch dafür, dass Sie irgendwann jemandem für GPU-Stunden bezahlen. Plane entsprechend, halte deine Daten portabel und baue nichts, das nur in der Cloud eines einzigen Anbieters läuft.
Läuft von euch irgendwo bereits Sim-to-Real, oder ist eure Physical-AI-Erfahrung noch auf YouTube-Videos beschränkt? Und wenn ihr dieses Jahr Isaac Lab, MuJoCo oder CARLA angefasst habt: Auf welches würdet ihr ein Nebenprojekt setzen, und warum? Ich bin wirklich gespannt, wo sich der Praktiker-Konsens herausbildet.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Posted on Oct 21 • Originally published at pickatools.com
Within seven days, three different companies handed developers a physical AI toolchain. NVIDIA expanded Isaac at GTC Berlin on October 21. CoreWeave shipped one-command robotics templates the same day. AWS and NVIDIA open-sourced a reference Physical AI toolchain a week earlier, on October 14.
If you build software and not robots, you're wondering why you should care. Fair question. Here's the honest version: nobody is asking you to buy a humanoid. These launches matter because they're all selling the same thing — the boring, expensive middle layer of robot development: data generation, simulation, and evaluation. And they're giving it away so you'll spend money on their compute.
Limits first, because that's the deal here: I haven't spun up a Jetson Thor on a real humanoid. Nobody outside a handful of labs has. This is a docs-and-announcements-verified breakdown — what each launch actually ships, what the catches are, and what I'd do this week if I were you.
The pattern across all three: free software, metered compute. Keep that sentence in your head for the rest of the article. It explains everything.
Jensen Huang's line from Berlin: "General-purpose robotics is advancing at extraordinary speed — the ChatGPT moment for robotics is fast approaching."
That's a quote, not a fact. File it accordingly. The actual shipping pieces are worth your attention, though:
Isaac OS runtime — a runtime layer for robots. Read it as NVIDIA trying to own the "operating system" position in robotics the way CUDA owns GPU compute. If that framing lands, every robot team eventually pays the NVIDIA tax, just like every ML team does today.
Isaac Lab 3.0 — the robot learning framework. This is the piece most developers can actually touch: it's where you train and evaluate robot policies in simulation before anything touches physical hardware.
Reference workflows: ChatGPT Astra + Isaac + Cosmos on DGX Station — data generation, training, and evaluation in one documented loop. Synthetic data from Cosmos, robot frameworks from Isaac, orchestrated with Astra, running on a DGX Station. It's the first time the whole loop has been packaged as a single documented path instead of five forum threads duct-taped together.
Europe's robotics names — ABB, KUKA, NEURA Robotics, Universal Robots — are building on it, per the announcement. That's the social-proof slide.
The catch. Three of them. First, "open robotics platform" is doing a lot of work — the openness lives inside NVIDIA's ecosystem. You can build freely, but every road leads back to their silicon and their frameworks. Second, the reference hardware story (more on the Agile ONE SN below) is still announcement-grade: no price, no third-party teardown, no independent setup-time verification. Third, the thing nobody says out loud: Isaac Lab 3.0 is free. The GPU hours to train a policy in it are not.
Same event, separate announcement: Agile Robots' Agile ONE SN, a full-stack reference humanoid preconfigured with NVIDIA Isaac GR00T and Jetson Thor edge AI. The spec sheet: 1.40m tall, 40kg, 31 degrees of freedom, 3kg payload per arm, dual WUJI Hand 2 five-finger hands (20 DoF each, 1kHz force control, tactile sensing). The compute: Jetson Thor with 2,070 FP4 teraflops and 128GB unified memory. The claim: setup time from weeks to days.
"Reference" is the key word. This isn't a product review; it's a template for what a GR00T-powered humanoid should look like. For developers, the value is that there's now a documented hardware target to build against — write your stack for the reference design, and your code ports to anything that follows the template.
The catch. The announcement gives no price, and a 40kg humanoid with a Jetson Thor brain and 1kHz force-controlled hands is not going to be a weekend purchase. "Weeks to days" is a vendor claim with zero independent verification so far. And 31 degrees of freedom means 31 things that need calibration, maintenance, and debugging — the reference design answers the architecture question, not the reliability one. I'd wait for a third party to actually stand one up and report back before budgeting anything.
CoreWeave's angle is different: no platform, no hardware, just templates. Launchables are tested, one-command workload templates for robotics, AV, and simulation teams. Five tools at launch, including CARLA, MuJoCo, and NVIDIA AlpaSim. They cover the physical AI loop end to end: data generation, evaluation/grading, policy training. Every tool ships a blank template you point at your own scenes and data, then run on reserved or burst capacity.
The genuinely interesting part isn't the one-command bit. It's the agentic skills: generative AI data augmentation (video, image, text), auto-labeling, data curation and retrieval. Data is the actual bottleneck in robotics — real-world robot data is expensive, slow, and miserable to label. Anything that attacks the data problem is attacking the real problem.
The catch. "One command" gets you the template, not the pipeline. Your scenes, your data, your labels, your evaluation criteria — all still yours to build. And CoreWeave is a GPU cloud: the templates are the free sample; the meter runs on reserved or burst GPU capacity. That's a fair trade if you're already renting GPUs, but don't mistake a template catalog for a managed service.
A week earlier (Oct 14), AWS and NVIDIA open-sourced a Physical AI toolchain: Isaac Sim, Isaac Lab, GR00T, and Cosmos wired into SageMaker, EC2, and IoT Greengrass, with reference architectures and deployment automation. Open-source, deployable now.
This is the one your company's platform team will actually pick. Not because it's the best technology — it's a reference architecture, same family as NVIDIA's — but because it arrives inside the AWS procurement boundary. Greengrass for edge deployment is the tell: this is built for factories and warehouses that already run AWS, not for garage robotics.
The catch. Open-source reference, AWS-priced runtime. The architectures are free; the SageMaker training jobs and the EC2 simulation fleet are billed like everything else on AWS. And "reference architecture" means you're still doing integration work — it's a starting point, not a product.
Cut through the announcements and here's what's actually on the table:
All three launches, plus the reference humanoid, add up to one strategy: make the software free and the tooling excellent, then collect on compute. NVIDIA sells the GPUs. CoreWeave rents them. AWS bills them. The developer experience genuinely improved this week — a documented data-to-policy loop is real progress — but improved DX is also the funnel.
That's not a reason to avoid any of it. CUDA won the same way, and it was good for developers for a long time. Just know which game you're playing: you're getting world-class free tooling in exchange for eventually paying someone for GPU hours. Budget accordingly, keep your data portable, and don't build anything that only runs on one vendor's cloud.
Are any of you actually running sim-to-real anywhere yet, or is your physical AI exposure still YouTube videos? And if you've touched Isaac Lab, MuJoCo, or CARLA this year: which one would you bet a side project on, and why? Genuinely curious where the practitioner consensus is landing.