Saya meneliti ulang @axisrobotics, tetapi justru semakin lama saya merasa bahwa
Hal yang benar-benar layak diperhatikan dari Axis bukanlah seberapa banyak data robot yang sudah mereka miliki
Melainkan kenyataan bahwa mereka sedang mengubah data tersebut menjadi sebuah sistem yang bisa terus meningkatkan diri secara berkelanjutan
Pada bulan Agustus, robotic data engine Axis menembus 3M trajectories
Di balik itu sudah ada 123K+ kontributor
Namun jika hanya data yang makin banyak
sebenarnya itu tidak terlalu menarik
Yang membuat saya mulai menilai Axis kembali
adalah rangkaian aksi terbaru ini:
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto
Semuanya sebenarnya mengarah pada satu hal yang sama:
agar Physical AI’s Data Loop benar-benar dapat berjalan
Bagian tersulit dalam pelatihan robot tidak pernah hanya karena kurang data
melainkan
bagaimana cara memastikan data batch berikutnya harus diambil untuk apa
Proses tradisional lebih mirip
Task → Data → Model
selesai dilatih lalu dideploy
kalau model bermasalah baru kembali lagi mengumpulkan data
Axis V2 mulai mengubah pola ini
Model menjalankan task dulu
model memperlihatkan kelemahan
manusia melakukan correction di node-node kunci
Correction Data kembali masuk ke alur pelatihan
model terus menguat
lalu memperlihatkan kelemahan baru lagi
Akibatnya menjadi
Model → Failure → Correction → Data → Better Model
Di sinilah Human-Gated DAgger benar-benar menarik
karena bukan membuat manusia terus mengulang tindakan yang sebenarnya sudah bisa dilakukan model
melainkan membuat manusia ikut campur ketika model benar-benar “tidak tahu harus berbuat apa”
Dengan kata lain
bukan mengumpulkan lebih banyak jawaban yang benar
melainkan mengumpulkan dengan tepat
kenapa model bisa salah
Saya pikir ini mungkin merupakan transformasi nilai yang sangat penting dalam data robot
Karena untuk hal-hal yang sudah bisa dilakukan model
menambah 10.000 kali demonstration nilai marginalnya mungkin makin rendah
Tapi di bagian-bagian model terus gagal
biasanya justru di situlah data yang paling dibutuhkan untuk putaran pelatihan berikutnya
Jadi ketika Axis mengatakan Compounding Data Engine
yang saya pahami bukan sekadar membuat Dataset semakin besar
melainkan
setiap putaran pelatihan membantu pengambilan data putaran berikutnya menjadi makin akurat
Itulah juga alasan mengapa saya merasa kolaborasi Axis dan OpenRoboto belakangan ini sangat layak diperhatikan
Axis akan menyediakan 3M+ multimodal trajectories
lalu masuk ke Open Data Pool milik OpenRoboto
Selain itu, melalui Data-to-Model Pipeline mereka mendukung evaluasi model dan benchmark
Ini memperluas closed loop menjadi
Data → Training → Benchmark → Evaluation → Better Data
Dulu saya akan memahami Axis sebagai
Robot Data Platform
Sekarang saya lebih cenderung memahaminya sebagai
Physical AI’s Data Infrastructure
Karena hardware akan berubah
model akan berubah
VLA akan berubah
Tapi robot akan selalu membutuhkan experience baru dari dunia nyata
Jadi yang benar-benar layak diamati bukan berapa banyak trajectories yang dicapai Axis berikutnya
melainkan
apakah setelah data ini mulai digunakan oleh makin banyak model, makin banyak robot, dan makin banyak benchmark
Data Flywheel benar-benar mulai menghasilkan Compounding Effect
Jika siklus ini bisa berjalan
mungkin moat Axis bukanlah karena kita memiliki lebih banyak data
melainkan karena apakah kita bisa terus memproduksi batch data berikutnya yang lebih bernilai
Itulah yang paling menarik menurut saya tentang Axis saat ini
#PhysicalAI #Robotics @KaitoAI #Axis #kaito
Hal yang benar-benar layak diperhatikan dari Axis bukanlah seberapa banyak data robot yang sudah mereka miliki
Melainkan kenyataan bahwa mereka sedang mengubah data tersebut menjadi sebuah sistem yang bisa terus meningkatkan diri secara berkelanjutan
Pada bulan Agustus, robotic data engine Axis menembus 3M trajectories
Di balik itu sudah ada 123K+ kontributor
Namun jika hanya data yang makin banyak
sebenarnya itu tidak terlalu menarik
Yang membuat saya mulai menilai Axis kembali
adalah rangkaian aksi terbaru ini:
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto
Semuanya sebenarnya mengarah pada satu hal yang sama:
agar Physical AI’s Data Loop benar-benar dapat berjalan
Bagian tersulit dalam pelatihan robot tidak pernah hanya karena kurang data
melainkan
bagaimana cara memastikan data batch berikutnya harus diambil untuk apa
Proses tradisional lebih mirip
Task → Data → Model
selesai dilatih lalu dideploy
kalau model bermasalah baru kembali lagi mengumpulkan data
Axis V2 mulai mengubah pola ini
Model menjalankan task dulu
model memperlihatkan kelemahan
manusia melakukan correction di node-node kunci
Correction Data kembali masuk ke alur pelatihan
model terus menguat
lalu memperlihatkan kelemahan baru lagi
Akibatnya menjadi
Model → Failure → Correction → Data → Better Model
Di sinilah Human-Gated DAgger benar-benar menarik
karena bukan membuat manusia terus mengulang tindakan yang sebenarnya sudah bisa dilakukan model
melainkan membuat manusia ikut campur ketika model benar-benar “tidak tahu harus berbuat apa”
Dengan kata lain
bukan mengumpulkan lebih banyak jawaban yang benar
melainkan mengumpulkan dengan tepat
kenapa model bisa salah
Saya pikir ini mungkin merupakan transformasi nilai yang sangat penting dalam data robot
Karena untuk hal-hal yang sudah bisa dilakukan model
menambah 10.000 kali demonstration nilai marginalnya mungkin makin rendah
Tapi di bagian-bagian model terus gagal
biasanya justru di situlah data yang paling dibutuhkan untuk putaran pelatihan berikutnya
Jadi ketika Axis mengatakan Compounding Data Engine
yang saya pahami bukan sekadar membuat Dataset semakin besar
melainkan
setiap putaran pelatihan membantu pengambilan data putaran berikutnya menjadi makin akurat
Itulah juga alasan mengapa saya merasa kolaborasi Axis dan OpenRoboto belakangan ini sangat layak diperhatikan
Axis akan menyediakan 3M+ multimodal trajectories
lalu masuk ke Open Data Pool milik OpenRoboto
Selain itu, melalui Data-to-Model Pipeline mereka mendukung evaluasi model dan benchmark
Ini memperluas closed loop menjadi
Data → Training → Benchmark → Evaluation → Better Data
Dulu saya akan memahami Axis sebagai
Robot Data Platform
Sekarang saya lebih cenderung memahaminya sebagai
Physical AI’s Data Infrastructure
Karena hardware akan berubah
model akan berubah
VLA akan berubah
Tapi robot akan selalu membutuhkan experience baru dari dunia nyata
Jadi yang benar-benar layak diamati bukan berapa banyak trajectories yang dicapai Axis berikutnya
melainkan
apakah setelah data ini mulai digunakan oleh makin banyak model, makin banyak robot, dan makin banyak benchmark
Data Flywheel benar-benar mulai menghasilkan Compounding Effect
Jika siklus ini bisa berjalan
mungkin moat Axis bukanlah karena kita memiliki lebih banyak data
melainkan karena apakah kita bisa terus memproduksi batch data berikutnya yang lebih bernilai
Itulah yang paling menarik menurut saya tentang Axis saat ini
#PhysicalAI #Robotics @KaitoAI #Axis #kaito