构建物理AI模型工厂：NVIDIA Cosmos 3 与 SageMaker HyperPod 的深度整合
物理AI系统，如机器人和自动驾驶汽车，其开发并非一次性的训练任务，而是一个持续不断的管道：生成合成数据、训练感知与策略模型、在闭环仿真中评估，循环往复。这一过程需要一个“模型工厂”来高效运转。本文深入探讨如何利用 NVIDIA Cosmos 3 与 Amazon SageMaker HyperPod 构建这样的物理AI模型工厂。
Cosmos 3 的独特之处
Cosmos 3 作为开源的全模态世界基础模型，其核心是 Mixture-of-Transformers (MoT) 架构，采用逐层联合注意力机制，并刻意设计了训练与推理的不对称性。这一设计使得模型在处理视频、图像和动作等多种模态数据时，能够更高效地学习世界物理规律，为物理AI提供强大的基础。
为何选择 SageMaker HyperPod？
Cosmos 3 的设计与 SageMaker HyperPod 的特性高度契合。HyperPod 在 Amazon EKS 上提供持久、弹性的集群，能够应对模型工厂对计算资源的持续需求。关键在于 GPU 有效吞吐率，即每个保留的 GPU 小时实际产生的有用管道进度，而非单个作业的峰值性能。
构建模型工厂的实践
文章详细介绍了如何在 HyperPod 上搭建集群，配置共享的多 TB 级存储层，并展示了针对三种代表性工作负载的分布式后训练过程，包括在公开的 DROID 数据集上完成机器人策略阶段的端到端演示。配套的代码仓库提供了所有基础设施模板和作业清单。
容量承诺与成本考量
运行这样的循环管道需要长期的容量承诺。逐步获取 GPU 会导致可用性和交付周期的波动，而一次性承诺整个循环的容量，可以避免这种波动，无论是通过灵活的训练计划还是容量预留。由于无论管道是否在进展，都需要为容量付费，因此控制成本的关键是最大化 GPU 有效吞吐率。
总结
物理AI模型工厂的构建不再是零散的GPU任务集合，而是一个需要精心设计容量、架构和流程的整体系统。NVIDIA Cosmos 3 与 SageMaker HyperPod 的组合，为这一需求提供了坚实的基座，助力开发者更高效地将数据流转化为更智能的物理AI模型。
