我重新研究 @axisrobotics 后反而越来越觉得
Axis 真正值得关注的不是它已经有多少机器人数据
而是它正在把这些数据变成一个可以持续自我增强的系统
8 月Axis 的 robotic data engine 突破了 3M trajectories
背后已经有 123K+ contributors
但如果只是数据越来越多
这件事其实没那么性感
真正让我开始重新看 Axis 的
是最近这一连串动作：
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto
它们背后其实指向同一件事
让 Physical AI 的 Data Loop 真正跑起来
机器人训练最难的地方从来不只是缺数据
而是
你怎么知道下一批数据应该采什么
传统流程更像
Task → Data → Model
训练完部署
模型出问题再回头重新采数据
Axis V2 开始改变这个过程
模型先执行任务
模型暴露 weakness
人类在关键节点进行 correction
Correction Data 回到训练流程
模型继续变强
然后暴露新的 weakness
于是变成
Model → Failure → Correction → Data → Better Model
这也是 Human-Gated DAgger 真正有意思的地方
它不是让人类不停重复模型已经会做的动作
而是让人类在模型真正“不知道该怎么办”的时候介入
换句话说
不是收集更多正确答案
而是精准收集
模型为什么会错
我认为这可能是机器人数据里非常重要的一种价值转换
因为模型已经会做的事情
再增加 10,000 次 demonstration
边际价值可能越来越低
但模型反复失败的地方
往往才是下一轮训练最需要的数据
所以 Axis 所说的 Compounding Data Engine
我理解的并不是单纯让 Dataset 越来越大
而是
每一轮训练都帮助下一轮数据采集变得更加精准
这也是为什么我觉得最近 Axis 和 OpenRoboto 的合作特别值得关注
Axis 将提供3M+ multimodal trajectories
进入 OpenRoboto 的 Open Data Pool
同时通过 Data-to-Model Pipeline 支持模型评估和 benchmark
这就把闭环进一步延伸成
Data → Training → Benchmark → Evaluation → Better Data
以前我会把 Axis 理解成
Robot Data Platform
现在我更倾向于把它理解成
Physical AI 的 Data Infrastructure
因为硬件会换
模型会换
VLA 会换
但机器人永远需要从现实世界获得新的 Experience
所以真正值得观察的
不是 Axis 下一次会达到多少 trajectories
而是
当这些数据开始被更多模型、更多机器人和更多 benchmark 使用之后
Data Flywheel 会不会真正开始产生 Compounding Effect
如果这个循环跑通
Axis 的护城河可能就不是我们拥有多少数据
而是我们能不能持续生产下一批更有价值的数据
这才是我目前看 Axis 最有意思的地方
#PhysicalAI #Robotics @KaitoAI #Axis #kaito
Axis 真正值得关注的不是它已经有多少机器人数据
而是它正在把这些数据变成一个可以持续自我增强的系统
8 月Axis 的 robotic data engine 突破了 3M trajectories
背后已经有 123K+ contributors
但如果只是数据越来越多
这件事其实没那么性感
真正让我开始重新看 Axis 的
是最近这一连串动作：
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto
它们背后其实指向同一件事
让 Physical AI 的 Data Loop 真正跑起来
机器人训练最难的地方从来不只是缺数据
而是
你怎么知道下一批数据应该采什么
传统流程更像
Task → Data → Model
训练完部署
模型出问题再回头重新采数据
Axis V2 开始改变这个过程
模型先执行任务
模型暴露 weakness
人类在关键节点进行 correction
Correction Data 回到训练流程
模型继续变强
然后暴露新的 weakness
于是变成
Model → Failure → Correction → Data → Better Model
这也是 Human-Gated DAgger 真正有意思的地方
它不是让人类不停重复模型已经会做的动作
而是让人类在模型真正“不知道该怎么办”的时候介入
换句话说
不是收集更多正确答案
而是精准收集
模型为什么会错
我认为这可能是机器人数据里非常重要的一种价值转换
因为模型已经会做的事情
再增加 10,000 次 demonstration
边际价值可能越来越低
但模型反复失败的地方
往往才是下一轮训练最需要的数据
所以 Axis 所说的 Compounding Data Engine
我理解的并不是单纯让 Dataset 越来越大
而是
每一轮训练都帮助下一轮数据采集变得更加精准
这也是为什么我觉得最近 Axis 和 OpenRoboto 的合作特别值得关注
Axis 将提供3M+ multimodal trajectories
进入 OpenRoboto 的 Open Data Pool
同时通过 Data-to-Model Pipeline 支持模型评估和 benchmark
这就把闭环进一步延伸成
Data → Training → Benchmark → Evaluation → Better Data
以前我会把 Axis 理解成
Robot Data Platform
现在我更倾向于把它理解成
Physical AI 的 Data Infrastructure
因为硬件会换
模型会换
VLA 会换
但机器人永远需要从现实世界获得新的 Experience
所以真正值得观察的
不是 Axis 下一次会达到多少 trajectories
而是
当这些数据开始被更多模型、更多机器人和更多 benchmark 使用之后
Data Flywheel 会不会真正开始产生 Compounding Effect
如果这个循环跑通
Axis 的护城河可能就不是我们拥有多少数据
而是我们能不能持续生产下一批更有价值的数据
这才是我目前看 Axis 最有意思的地方
#PhysicalAI #Robotics @KaitoAI #Axis #kaito