Informations sur la communauté et sentiment du marché #robotics

Je réétudie @axisrobotics… et j’ai plutôt l’impression que

Ce qui mérite vraiment l’attention chez Axis, ce n’est pas le volume de données robotisées qu’il a déjà.

C’est le fait qu’ils transforment ces données en un système capable de s’auto-améliorer en continu.

En août, l’engine de “robotic data” d’Axis a franchi les 3M de trajectoires.
Derrière, il y a déjà 123K+ contributeurs.

Mais si ce n’est que “plus de données”, alors le sujet n’est finalement pas si captivant.

Ce qui m’a vraiment donné envie de regarder Axis à nouveau, c’est une série d’actions récentes :
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto

En réalité, elles pointent vers la même chose :
faire tourner vraiment la Data Loop de Physical AI.

Le plus difficile pour l’entraînement robotique n’a jamais été uniquement le manque de données.
C’est plutôt :
comment savoir quelle sera la prochaine meilleure fournée de données à collecter.

Le processus traditionnel ressemble davantage à :
Tâche → Données → Modèle
On entraîne, puis on déploie.
Le modèle échoue ? On revient en arrière pour récollecter des données.

Axis V2 commence à changer ce schéma.
Le modèle exécute d’abord la tâche.
Le modèle révèle ses faiblesses.
Les humains interviennent sur les nœuds critiques pour corriger.
Les “correction data” reviennent dans le pipeline d’entraînement.
Le modèle continue de s’améliorer.
Puis il expose de nouvelles faiblesses.

Et on obtient finalement :
Modèle → Échec → Correction → Données → Meilleur Modèle
C’est aussi en cela que le Human-Gated DAgger est vraiment intéressant :
ce n’est pas demander aux humains de répéter sans fin des actions que le modèle sait déjà faire.
C’est faire intervenir les humains quand le modèle ne sait vraiment pas quoi faire.

Autrement dit :
ce n’est pas collecter plus de bonnes réponses.
C’est collecter précisément la raison pour laquelle le modèle se trompe.

Je pense que c’est peut-être une conversion de valeur très importante dans les données robotisées.

Car si le modèle sait déjà faire quelque chose, ajouter 10 000 démonstrations peut devenir de moins en moins rentable en valeur marginale.
En revanche, les zones où le modèle échoue de façon répétée sont souvent exactement là où le prochain cycle d’entraînement a besoin des données les plus pertinentes.

Donc, quand Axis parle de Compounding Data Engine,
je ne comprends pas seulement “rendre le Dataset de plus en plus grand”.
Je comprends plutôt :
chaque cycle d’entraînement rend la collecte de la prochaine fournée de données plus précise.

C’est aussi pour ça que je trouve que la collaboration récente entre Axis et OpenRoboto est particulièrement à surveiller.

Axis fournira 3M+ multimodal trajectories,
et les mettra dans le Open Data Pool d’OpenRoboto.
Et, via un Data-to-Model Pipeline, ils permettront l’évaluation des modèles et des benchmarks.
Ainsi, on étend encore la boucle fermée en :
Données → Entraînement → Benchmark → Évaluation → Meilleures Données

Auparavant, j’aurais compris Axis comme :
une Robot Data Platform.

Aujourd’hui, j’ai plutôt tendance à le voir comme :
l’Infrastructure de données de Physical AI.

Parce que le hardware changera.
Les modèles changeront.
Les VLA changeront.
Mais les robots auront toujours besoin d’acquérir, dans le monde réel, de nouvelles expériences.

Donc, ce qui mérite d’être observé n’est pas :
combien de trajectoires Axis atteindra la prochaine fois.
C’est plutôt :
une fois que ces données seront utilisées par davantage de modèles, davantage de robots et davantage de benchmarks,
est-ce que Data Flywheel va vraiment commencer à produire un Compounding Effect.

Si cette boucle fonctionne, la “douves” (moat) d’Axis pourrait ne pas dépendre du volume de données que nous possédons,
mais plutôt de notre capacité à produire en continu la prochaine fournée de données qui a réellement plus de valeur.

C’est, pour l’instant, le point le plus intéressant que je vois dans Axis.

#PhysicalAI #Robotics @KaitoAI #Axis #kaito

robotics

Sujets d’actualité