私は @axisrobotics を改めて研究し直したら、むしろますますこう感じるようになった。
Axis が本当に注目されるべきなのは、すでにどれだけロボットデータを持っているかではない。
むしろ、それらのデータを“継続的に自己強化していく”システムへと変えつつある点だ。
8月の Axis の robotic data engine は 3M trajectories を突破。
その背後には 123K+ の contributor がいる。
しかし、データがただ増えていくだけなら——
正直、それはそれほど“セクシー”な話ではない。
私が改めて Axis を見直し始めたのは、最近の一連の動き：
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto
これらは実は同じ一点を指している。
Physical AI の Data Loop を本当に動かすことだ。
ロボット学習で最も難しいのは、データが不足していることだけではない。
本当の難しさは——
次に集めるべきデータを、どうやって見極めるかだ。
従来の流れはどちらかというと
Task → Data → Model
で、訓練してデプロイ。
モデルに問題が出たら、後から戻ってデータを再収集する。
Axis V2 はこのプロセスを変え始めている。
まずモデルがタスクを実行する。
モデルが weakness（弱点）を露呈する。
人間が重要な節目で correction（修正）を行う。
Correction Data が学習プロセスに戻り、
モデルはさらに強くなる。
そして、次に新たな weakness が露呈する。
つまりこうなる。
Model → Failure → Correction → Data → Better Model
これが Human-Gated DAgger の、本当に面白いところだ。
人間に、モデルがすでにできる動作を延々と繰り返させるのではない。
モデルが“どうすればいいか分からない”状態になったときにこそ、人間が介入する。
言い換えると、
より多くの正解を集めるのではなく、
“なぜ間違えるのか”を正確に集める。
私はこれが、ロボットデータにおける非常に重要な価値の転換なのではないかと思う。
モデルがすでにできることに
さらに 10,000 回 demonstration（デモ）を追加しても、
限界価値はどんどん下がっていくだろう。
一方で、モデルが繰り返し失敗している箇所こそが、
次の学習ラウンドにとって本当に必要なデータになりがちだ。
だから Axis が言う Compounding Data Engine について、
私の理解は単に「Dataset をどんどん巨大化させる」ということではない。
むしろ、
各ラウンドの訓練が次のデータ収集を、より精密にするのだ。
これが、最近の Axis と OpenRoboto の協業が特に注目に値すると感じる理由でもある。
Axis は 3M+ の multimodal trajectories を提供し、
OpenRoboto の Open Data Pool に投入する。
さらに Data-to-Model Pipeline を通じて、モデル評価や benchmark を支援する。
これにより、クローズドループがさらに延長される：
Data → Training → Benchmark → Evaluation → Better Data
以前の私は、Axis を
Robot Data Platform として理解していた。
でも今は、
Physical AI の Data Infrastructure として捉えるほうがしっくりくる。
ハードウェアは入れ替わる。
モデルも入れ替わる。
VLA も入れ替わる。
しかしロボットは、現実世界から新しい Experience（経験）を得る必要がある。
だから本当に観察すべきなのは、
Axis が次に何 trajectories に到達するかではない。
むしろ——
これらのデータが、より多くのモデル、より多くのロボット、より多くの benchmark に使われるようになったとき、
Data Flywheel が本当に Compounding Effect（複利的な効果）を生み始めるかどうかだ。
もしこのループが回り始めるなら、
Axis の“堀（護城河）”は、私たちがどれだけデータを持っているかではなく、
次のより価値あるデータを継続的に生み出せるかどうかになる。
これが、現時点で私が Axis の中で最も面白いと思っている点だ。
#PhysicalAI #Robotics @KaitoAI #Axis #kaito
Axis が本当に注目されるべきなのは、すでにどれだけロボットデータを持っているかではない。
むしろ、それらのデータを“継続的に自己強化していく”システムへと変えつつある点だ。
8月の Axis の robotic data engine は 3M trajectories を突破。
その背後には 123K+ の contributor がいる。
しかし、データがただ増えていくだけなら——
正直、それはそれほど“セクシー”な話ではない。
私が改めて Axis を見直し始めたのは、最近の一連の動き：
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto
これらは実は同じ一点を指している。
Physical AI の Data Loop を本当に動かすことだ。
ロボット学習で最も難しいのは、データが不足していることだけではない。
本当の難しさは——
次に集めるべきデータを、どうやって見極めるかだ。
従来の流れはどちらかというと
Task → Data → Model
で、訓練してデプロイ。
モデルに問題が出たら、後から戻ってデータを再収集する。
Axis V2 はこのプロセスを変え始めている。
まずモデルがタスクを実行する。
モデルが weakness（弱点）を露呈する。
人間が重要な節目で correction（修正）を行う。
Correction Data が学習プロセスに戻り、
モデルはさらに強くなる。
そして、次に新たな weakness が露呈する。
つまりこうなる。
Model → Failure → Correction → Data → Better Model
これが Human-Gated DAgger の、本当に面白いところだ。
人間に、モデルがすでにできる動作を延々と繰り返させるのではない。
モデルが“どうすればいいか分からない”状態になったときにこそ、人間が介入する。
言い換えると、
より多くの正解を集めるのではなく、
“なぜ間違えるのか”を正確に集める。
私はこれが、ロボットデータにおける非常に重要な価値の転換なのではないかと思う。
モデルがすでにできることに
さらに 10,000 回 demonstration（デモ）を追加しても、
限界価値はどんどん下がっていくだろう。
一方で、モデルが繰り返し失敗している箇所こそが、
次の学習ラウンドにとって本当に必要なデータになりがちだ。
だから Axis が言う Compounding Data Engine について、
私の理解は単に「Dataset をどんどん巨大化させる」ということではない。
むしろ、
各ラウンドの訓練が次のデータ収集を、より精密にするのだ。
これが、最近の Axis と OpenRoboto の協業が特に注目に値すると感じる理由でもある。
Axis は 3M+ の multimodal trajectories を提供し、
OpenRoboto の Open Data Pool に投入する。
さらに Data-to-Model Pipeline を通じて、モデル評価や benchmark を支援する。
これにより、クローズドループがさらに延長される：
Data → Training → Benchmark → Evaluation → Better Data
以前の私は、Axis を
Robot Data Platform として理解していた。
でも今は、
Physical AI の Data Infrastructure として捉えるほうがしっくりくる。
ハードウェアは入れ替わる。
モデルも入れ替わる。
VLA も入れ替わる。
しかしロボットは、現実世界から新しい Experience（経験）を得る必要がある。
だから本当に観察すべきなのは、
Axis が次に何 trajectories に到達するかではない。
むしろ——
これらのデータが、より多くのモデル、より多くのロボット、より多くの benchmark に使われるようになったとき、
Data Flywheel が本当に Compounding Effect（複利的な効果）を生み始めるかどうかだ。
もしこのループが回り始めるなら、
Axis の“堀（護城河）”は、私たちがどれだけデータを持っているかではなく、
次のより価値あるデータを継続的に生み出せるかどうかになる。
これが、現時点で私が Axis の中で最も面白いと思っている点だ。
#PhysicalAI #Robotics @KaitoAI #Axis #kaito