Información de la comunidad y sentimiento del mercado sobre #axis

Volví a investigar a @axisrobotics y, en vez de eso, cada vez me convence más que

lo que de verdad vale la pena mirar en Axis no es cuántos datos de robots ya tiene,

sino que está convirtiendo esos datos en un sistema que puede auto-mejorarse de forma continua.

En agosto, el robotic data engine de Axis superó los 3M trayectorias.
Detrás ya hay 123K+ contributors.

Pero si fuera solo que los datos cada vez son más,
esto en realidad no sería tan “sexy”.

Lo que realmente me hizo volver a mirar Axis
fue una serie reciente de movimientos:
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto

En el fondo, apuntan a lo mismo:
poner en marcha de verdad el Data Loop de Physical AI.

Lo más difícil del entrenamiento de robots nunca es solo la falta de datos,
si no
cómo saber qué datos de la siguiente tanda se deben recolectar.

El flujo tradicional es más parecido a:
Task → Data → Model
Termina el entrenamiento y se despliega.
Si el modelo falla, entonces se vuelve a recolectar datos.

Axis V2 empieza a cambiar ese proceso.
Primero el modelo ejecuta la tarea.
Luego el modelo expone sus debilidades.
Los humanos hacen correcciones en nodos clave.
Los Correction Data vuelven al flujo de entrenamiento.
El modelo continúa fortaleciéndose.
Y después vuelve a exponer nuevas debilidades.

Entonces se transforma en:
Model → Failure → Correction → Data → Better Model

Ese es también el lado interesante del Human-Gated DAgger.
No es hacer que el humano repita de forma continua acciones que el modelo ya sabe hacer,
sino intervenir cuando el modelo realmente “no sabe qué hacer”.

Dicho de otra manera:
no es recopilar más respuestas correctas,
sino recopilar con precisión
por qué el modelo se equivoca.

Creo que esta puede ser una conversión de valor muy importante dentro de los datos de robótica.

Porque cuando el modelo ya sabe hacer algo,
agregar 10.000 demostraciones más
podría tener un valor marginal cada vez menor.
Pero en los lugares donde el modelo falla repetidamente,
es donde normalmente se necesita la siguiente ronda de datos para entrenar.

Así que cuando Axis habla de un Compounding Data Engine,
no lo interpreto como simplemente que el Dataset sea cada vez más grande,
sino como:
que cada ronda de entrenamiento ayude a que la recolección de datos en la siguiente ronda sea cada vez más precisa.

Por eso me parece tan digno de prestar atención el acuerdo reciente entre Axis y OpenRoboto.

Axis proporcionará 3M+ multimodal trajectories,
entrarán al Open Data Pool de OpenRoboto,
y además, mediante un Data-to-Model Pipeline, permitirá evaluación de modelos y benchmarks.

Esto extiende el ciclo cerrado aún más hasta:
Data → Training → Benchmark → Evaluation → Better Data

Antes yo solía entender Axis como
un Robot Data Platform.
Ahora me inclino más a entenderlo como
una Data Infrastructure para Physical AI.

Porque el hardware puede cambiar,
el modelo puede cambiar,
el VLA puede cambiar.
Pero los robots siempre necesitan obtener nuevas experiencias del mundo real.
Así que lo realmente importante a observar
no es cuántas trayectorias alcanzará Axis la próxima vez,
sino
si, cuando esos datos se empiecen a usar por más modelos, más robots y más benchmarks,
la Data Flywheel realmente comienza a producir un Compounding Effect.

Si ese ciclo se cierra y funciona,
la fosa de defensa de Axis podría no depender de cuántos datos tenemos,
sino de si podemos seguir produciendo la siguiente tanda de datos con un valor cada vez mayor.

Esa es, por ahora, la parte más interesante de Axis para mí.

#PhysicalAI #Robotics @KaitoAI #Axis #kaito

axis

Temas en tendencia