#axis Community-Einblicke und Marktstimmung

Ich habe @axisrobotics erneut untersucht und habe eher das Gefühl, dass

Axis nicht deshalb wirklich Aufmerksamkeit verdient, weil es bereits so viele Roboterdaten gibt,

sondern weil es diese Daten in ein System verwandelt, das sich kontinuierlich selbst verbessern kann.

Im August hat die „Robotic Data Engine“ von Axis die Marke von 3M Trajectories überschritten.
Im Hintergrund stehen bereits 123K+ Contributors.

Aber wenn es am Ende nur darum geht, dass Daten immer mehr werden,
dann ist das an der Sache nicht wirklich so spannend.

Das, was mich dazu gebracht hat, Axis wieder neu anzuschauen, ist eine ganze Reihe neuer Schritte:
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto

Diese Schritte zielen im Grunde auf dasselbe:
Damit der Data Loop von Physical AI wirklich in Gang kommt.

Das Schwierige beim Robot Learning ist nie nur, dass Daten fehlen.
Sondern dass man nicht weiß,
welche Daten man als Nächstes erheben sollte.

Der traditionelle Prozess ist eher:
Task → Data → Model
Trainieren, ausrollen
Wenn das Modell Probleme hat, geht man zurück und sammelt erneut Daten.

Axis V2 beginnt, diesen Ablauf zu verändern.
Das Modell führt zuerst die Aufgabe aus.
Das Modell legt seine Schwächen offen.
Menschen korrigieren an den entscheidenden Knotenpunkten.
Correction Data fließt zurück in den Trainingsprozess.
Das Modell wird weiter stärker.
Dann legt es wieder neue Schwächen offen.

So entsteht:
Model → Failure → Correction → Data → Better Model

Und genau das ist das Spannende am Human-Gated DAgger.
Es geht nicht darum, dass Menschen endlos die Aktionen wiederholen, die das Modell bereits kann,
sondern darum, dass Menschen eingreifen, wenn das Modell wirklich „nicht weiß, was es tun soll“.

Mit anderen Worten:
Nicht mehr korrekte Antworten sammeln,
sondern gezielt genau die Daten sammeln,
warum das Modell falsch liegt.

Ich glaube, das könnte eine sehr wichtige Wert-Transformation bei Roboterdaten sein.

Denn wenn das Modell bereits Dinge gut kann,
und man dann 10.000 weitere Demonstrationen hinzufügt,
kann der Grenznutzen immer weiter sinken.
Aber dort, wo das Modell wieder und wieder scheitert,
— genau da liegen die Daten, die die nächste Trainingsrunde am dringendsten braucht.

Deshalb verstehe ich Axis‘ „Compounding Data Engine“ nicht so,
dass einfach das Dataset immer größer wird,
sondern so,
dass jede Trainingsrunde dazu beiträgt,
das nächste Datensammeln immer präziser zu machen.

Das ist auch der Grund, warum ich die Zusammenarbeit von Axis und OpenRoboto in letzter Zeit besonders spannend finde.

Axis stellt 3M+ multimodale Trajectories bereit
und bringt sie in den Open Data Pool von OpenRoboto.
Gleichzeitig unterstützt es über eine Data-to-Model Pipeline die Modellbewertung und Benchmarks.
Damit wird der Closed Loop noch weiter verlängert zu:
Data → Training → Benchmark → Evaluation → Better Data

Früher habe ich Axis so verstanden:
Robot Data Platform.

Heute neige ich eher dazu, es so zu sehen:
Physical AI Data Infrastructure.

Denn Hardware wird sich ändern.
Modelle werden sich ändern.
VLA wird sich ändern.

Aber Roboter brauchen immer wieder neue Experiences aus der realen Welt.
Daher ist das Entscheidende nicht,
wie viele Trajectories Axis als Nächstes erreicht,
sondern:
Ob dieser Data Flywheel wirklich einen Compounding Effect erzeugen kann,
sobald diese Daten von mehr Modellen, mehr Robotern und mehr Benchmarks genutzt werden.

Wenn dieser Kreislauf läuft,
dann könnte der Burggraben von Axis nicht darin liegen, dass wir besonders viele Daten besitzen,
sondern darin, ob wir in der Lage sind,
fortlaufend die nächste, wertvollere Datenrunde zu produzieren.

Das ist im Moment das Spannendste an Axis für mich.

#PhysicalAI #Robotics @KaitoAI #Axis #kaito

axis

Trendthemen