原文标题：Accelerating the data flywheel for physical AI: How NormaCore is standardizing robot fleet management
据Nebius于8月21日报道，产品 解决方案 为何选择 Nebius 资源 定价 公司 投资者 联系销售 登录 加速物理 AI 的数据飞轮：NormaCore 如何标准化机器人车队管理 设为我的偏好 长话短说 长话短说 NormaCore 正在为物理 AI 构建缺失的基础设施层：统一运行时、高保真遥测数据库，以及作为一等公民的 Nebius 云集成，从而打通从数据收集、处理到模型训练和物理部署的完整闭环。借助 Nebius 通过单一集成点提供 S3 兼容存储和按需 GPU 算力，NormaCore 及其用户可以收集示范数据、训练视觉-语言-动作（VLA）模型并部署更新的策略，全程无需整合多个供应商。NormaCore 是一家欧洲机器人基础设施与软件公司，致力于为物理 AI 构建缺失的数据层。
它提供了一个开源运行时和高保真遥测数据库，使当今异构机器人集群的硬件控制和数据采集实现标准化，同时致力于打造一个更广泛的集群规模学习平台，让机器人的每一小时运行都能改进共享模型。它与 Nebius 的集成打通了从机器人本体数据采集到云端存储以及 VLA 模型训练的完整闭环。被丢弃的数据、诞生于实验室、为集群而生、从机械臂到算法再回到机械臂、单一提供商、单一账单、完整闭环、飞轮由此启动。机器人行业的工具和平台呈碎片化状态。每家硬件制造商都发布不同的 SDK。每个研究实验室都手工搭建自己的数据流水线。机器人产生的大部分遥测数据——每一次电机指令、每一次传感器读数、每一种错误状态——都被丢弃了，因为以全保真度存储这些数据的成本实在太高。结果是整个行业无法构建物理 AI 所需的数据飞轮。NormaCore 正是为解决这一问题而创立。该公司正在开发一个机器人集群管理平台，旨在跨异构硬件实现控制和数据采集的标准化。
该公司正在致力于提供现代机器人技术一直需要却从未拥有过的缺失的基础设施层。团队正在快速壮大——其活跃的开源社区已在其主仓库上获得了超过600个 GitHub star。机群级学习（Fleet-scale learning）指的是利用机器人运行的每一个小时来改进共享模型的过程。它需要两样机器人行业目前尚不具备的东西：一个统一硬件的运行时（runtime），以及一个能够以完整保真度存储遥测数据（telemetry）而不至于让运营方破产的存储层。如今，研究人员将大部分时间花在基础设施上，而非科学研究上。大部分遥测数据被丢弃。每更换一个新的硬件平台，训练管道（training pipeline）都要从零重建。其结果是，物理 AI（physical AI）的数据飞轮相比生成式 AI（generative AI）并未得到优化——在后者中，更多的数据产生更好的模型，更好的模型吸引更多用户，进而生成更多数据。NormaCore 正在构建基础设施，以将这一飞轮加速几个数量级。“机器人技术没有标准数据层。每家制造商发布的 SDK（软件开发工具包）各不相同。每个实验室都在手工搭建自己的管道。
来源：Nebius ｜ 原文链接