过去我们评价机器人，往往会先看它能完成多少动作、运动是否流畅、硬件性能有多强。但我认为，这些只是表面表现，真正决定机器人未来发展空间的，是它能不能在一次次执行任务的过程中不断进步。
因为现实世界远比实验室复杂。一个抓取任务看似简单，却涉及物体识别、位置判断、动作规划、力度控制等多个环节。任何一个环节出现偏差，都可能导致任务失败。
如果机器人完成任务的成功率是80%，那么100次独立执行中，平均就会有20次失败。这个数字只是用来说明问题的假设示例，并非 Axis 的实测成绩。
真正值得关注的是这20次失败能不能帮助系统发现问题？调整策略之后，成功率能否得到提升？
这才是 Physical AI 最有意思的地方。
我关注 @axisrobotics 一个重要原因就是它所涉及的训练与反馈闭环：
人类示范 → 策略生成 → 机器人执行 → 结果反馈 → 策略优化 → 再次执行。
看起来只是一个循环，但它背后决定的是机器人能否从一次性训练走向持续迭代。
举个例子，如果同一种抓取任务需要反复练习100次，那么真正重要的并不是简单完成这100次操作，而是每一次操作是否能提供有效信息。哪些动作更稳定？哪些环境更容易失败？什么样的策略能够适应不同物体？
当这些问题能够通过数据得到分析，训练才有机会从单纯增加次数，转向有针对性的优化。
当然，训练次数增加并不一定意味着能力线性增长，数据质量、反馈准确度和策略泛化能力都很重要。
我更期待看到 Axis 在这些环节上持续推进，让机器人不只是按照固定程序完成动作，而是能够通过有效反馈逐步改善执行表现。
硬件决定机器人能做什么，训练机制则决定它有机会把这些事情做到什么程度。如果未来能够通过更高效的训练和反馈，减少重复试错的成本，同时提高机器人在不同环境中的稳定性，那么 Physical AI 的应用空间就有机会进一步打开。
相比只看一次演示有多惊艳，我更愿意关注这套系统能否长期积累经验，并把经验真正转化为能力。
所以，保持期待!
#AxisRobotics
因为现实世界远比实验室复杂。一个抓取任务看似简单，却涉及物体识别、位置判断、动作规划、力度控制等多个环节。任何一个环节出现偏差，都可能导致任务失败。
如果机器人完成任务的成功率是80%，那么100次独立执行中，平均就会有20次失败。这个数字只是用来说明问题的假设示例，并非 Axis 的实测成绩。
真正值得关注的是这20次失败能不能帮助系统发现问题？调整策略之后，成功率能否得到提升？
这才是 Physical AI 最有意思的地方。
我关注 @axisrobotics 一个重要原因就是它所涉及的训练与反馈闭环：
人类示范 → 策略生成 → 机器人执行 → 结果反馈 → 策略优化 → 再次执行。
看起来只是一个循环，但它背后决定的是机器人能否从一次性训练走向持续迭代。
举个例子，如果同一种抓取任务需要反复练习100次，那么真正重要的并不是简单完成这100次操作，而是每一次操作是否能提供有效信息。哪些动作更稳定？哪些环境更容易失败？什么样的策略能够适应不同物体？
当这些问题能够通过数据得到分析，训练才有机会从单纯增加次数，转向有针对性的优化。
当然，训练次数增加并不一定意味着能力线性增长，数据质量、反馈准确度和策略泛化能力都很重要。
我更期待看到 Axis 在这些环节上持续推进，让机器人不只是按照固定程序完成动作，而是能够通过有效反馈逐步改善执行表现。
硬件决定机器人能做什么，训练机制则决定它有机会把这些事情做到什么程度。如果未来能够通过更高效的训练和反馈，减少重复试错的成本，同时提高机器人在不同环境中的稳定性，那么 Physical AI 的应用空间就有机会进一步打开。
相比只看一次演示有多惊艳，我更愿意关注这套系统能否长期积累经验，并把经验真正转化为能力。
所以，保持期待!
#AxisRobotics