我最近一直在想一个问题：Physical AI 发展到最后，真正能拉开差距的，会不会不是谁的模型更大、硬件更强，而是谁能让机器人更快地从实践中积累经验？
毕竟机器人和普通 AI 不太一样。
模型可以在数字环境里反复测试，但机器人最终还是要走进现实世界。抓取一个物体、完成一次移动，看起来都是简单的动作，可现实中的位置偏差、物体变化和各种突发干扰，都可能让原本设计好的策略失效。
能在模拟环境里跑通，不代表到了现实世界就一定能做好。
所以我最近关注 @axisrobotics 时，比较在意的就是它所涉及的训练闭环：从人类示范，到策略生成，再到机器人执行，最后通过反馈不断修正。
我觉得这里最值得思考的地方在于，机器人每执行一次任务，都不应该只是简单地记录一个结果。
成功了，可以分析哪些策略是有效的；失败了，也应该找到问题出在哪里。如果这些经验能够被筛选、沉淀，并真正用于下一轮训练，那么每一次执行才算产生了额外价值。
举个简单的例子，假设机器人完成1000次测试，其中200次失败，失败率就是20%。经过一轮优化后，失败次数减少到150次，失败率便降到了15%。
这只是一个假设案例，并非 Axis 的官方数据。但它至少说明了一点：训练的价值，不只是做了多少次测试，而是同样的任务，能不能一次比一次完成得更好。
如果要判断一个训练系统有没有真正进步，我会更关注几个实际指标：任务成功率有没有提升、执行时间有没有缩短、人工干预有没有减少，以及换一个物体或环境后，机器人还能不能保持原来的表现。
尤其是最后一点。毕竟，让机器人在熟悉的环境里完成任务，只是第一步；面对陌生场景时依然能够应对，才更能体现训练积累的价值。
这也是我看好 Axis 数据飞轮思路的原因。
如果每一次执行都能留下有效反馈，每一轮反馈又能帮助下一轮策略优化，那么随着任务和经验不断积累，系统就有机会逐步提高训练效率，而不是每遇到一个新问题，就从头开始摸索。
当然，数据多不等于能力强，循环跑起来也不代表效果一定好。…
引用 @Skiffccc：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。…
毕竟机器人和普通 AI 不太一样。
模型可以在数字环境里反复测试，但机器人最终还是要走进现实世界。抓取一个物体、完成一次移动，看起来都是简单的动作，可现实中的位置偏差、物体变化和各种突发干扰，都可能让原本设计好的策略失效。
能在模拟环境里跑通，不代表到了现实世界就一定能做好。
所以我最近关注 @axisrobotics 时，比较在意的就是它所涉及的训练闭环：从人类示范，到策略生成，再到机器人执行，最后通过反馈不断修正。
我觉得这里最值得思考的地方在于，机器人每执行一次任务，都不应该只是简单地记录一个结果。
成功了，可以分析哪些策略是有效的；失败了，也应该找到问题出在哪里。如果这些经验能够被筛选、沉淀，并真正用于下一轮训练，那么每一次执行才算产生了额外价值。
举个简单的例子，假设机器人完成1000次测试，其中200次失败，失败率就是20%。经过一轮优化后，失败次数减少到150次，失败率便降到了15%。
这只是一个假设案例，并非 Axis 的官方数据。但它至少说明了一点：训练的价值，不只是做了多少次测试，而是同样的任务，能不能一次比一次完成得更好。
如果要判断一个训练系统有没有真正进步，我会更关注几个实际指标：任务成功率有没有提升、执行时间有没有缩短、人工干预有没有减少，以及换一个物体或环境后，机器人还能不能保持原来的表现。
尤其是最后一点。毕竟，让机器人在熟悉的环境里完成任务，只是第一步；面对陌生场景时依然能够应对，才更能体现训练积累的价值。
这也是我看好 Axis 数据飞轮思路的原因。
如果每一次执行都能留下有效反馈，每一轮反馈又能帮助下一轮策略优化，那么随着任务和经验不断积累，系统就有机会逐步提高训练效率，而不是每遇到一个新问题，就从头开始摸索。
当然，数据多不等于能力强，循环跑起来也不代表效果一定好。…
引用 @Skiffccc：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。…