快速了解本文
微软发布物理 AI 平台，整合 Azure 与 Nvidia 技术以统一机器人开发全流程。
平台利用合成数据与 VLA 模型解决真实数据收集瓶颈，支持虚拟环境模拟训练。
通过 Fabric 监控与版本控制机制，实现多站点部署的安全运维与跨场景复用。
本摘要由 AI 辅助整理，请以正文内容为准。
2026年9月30日，微软在首尔举行的行业峰会上展示了整合 Azure 与 Nvidia 技术的物理 AI 平台。该平台旨在统一机器人从数据收集、模拟训练到部署运营的全流程，试图解决物理 AI 落地中“数据-模拟-部署-迭代”的工程化断层，将机器人开发从手工作坊式推向标准化工程。
01合成数据与 VLA 模型破解数据收集瓶颈
在物理 AI 开发中，真实世界数据收集成本高昂且可能影响生产线运转。微软首席硬件工程师 George Gendy 演示了通过人类示范动作记录机器人关节位置和相机画面，结合任务描述文本训练视觉-语言-动作（VLA）模型的过程。
为弥补真实数据收集的局限，平台支持在虚拟环境中生成合成数据，并与真实设备捕获的数据结合用于训练。在底层架构上，平台利用 Nvidia 技术进行虚拟环境模拟与模型训练，从而在不停机的情况下完成大规模数据工程。
02版本控制与 Fabric 监控补齐运维拼图
模型部署到多设备、多站点后，往往面临黑盒化与运维风险。该平台使用 Azure 管理现场设备并收集数据，并在部署后通过 Fabric 平台监控运营状态。
针对企业级运维需求，平台提供部署历史和回滚机制，支持跟踪训练数据、代码版本和部署模型，并允许按角色设置访问权限和部署审批工作流。这补齐了物理 AI 从实验室走向生产线的最后一块拼图，确保多站点部署的安全与可控。
03川崎重工验证“一次开发，跨站扩展”
微软物理 AI 工程副总裁 Aaron Schnieder 表示，尽管机器人执行的任务各异，但其训练和现场运行的底层流程具有通用性，该平台旨在将这些通用流程整合为统一的工具链。
川崎重工利用该 Azure 云平台开发机器人软件，在虚拟空间验证后部署至真实场景，目标是实现“开发一次，跨多场景和站点扩展”。目前，川崎重工已在日本和台湾的医院部署配送机器人协助护士处理运输工作，不过部分技术和运营计划仍处于小规模测试阶段。