#axis ප්රජා විදසුන් සහ වෙළෙඳපොළ හැඟීම

私は@axisroboticsを再調査したところ、むしろ

Axisが本当に注目されるべきなのは、すでにどれだけのロボットデータを持っているかではなく

それらのデータを、継続的に自己強化できるシステムへと変えていることだと感じるようになりました。

8月、Axisのrobotic data engineが3M trajectoriesを突破しました
その裏には123K+のcontributorsがいます

ですが、データが増えていくだけなら
正直、それほど“セクシー”ではありません

本当に私がAxisを見直し始めたのは
最近の一連の動きです：
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto

それらの背後にあるのは、実は同じこと——
Physical AIのData Loopを本当に動かすことです。

ロボット学習で一番難しいのは
データが不足していることだけではありません
むしろ
次のバッチで何を収集すべきかをどう知るか、です。

従来の流れは、たとえば
Task → Data → Model
学習してからデプロイ
モデルが問題を起こしてから、またデータを集めに戻る

Axis V2は、このプロセスを変え始めています。
モデルが先にタスクを実行し
モデルがweaknessを露出し
人間が重要な節目でcorrectionを行う
Correction Dataが訓練フローに戻り
モデルはさらに強くなり
その後、また新しいweaknessが現れる

つまり、
Model → Failure → Correction → Data → Better Model
これこそが、Human-Gated DAggerの本当に面白いところです。
それは、人間がモデルがすでにできる動作を延々と繰り返させることではありません。
モデルが“どうすればいいか分からない”瞬間に、人間が介入するのです。

言い換えると
単に、より多くの正解を集めるのではなく
“なぜ間違うのか”を精密に収集することです。

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だと思います。

なぜなら、モデルがすでにできることに
さらに10,000回のdemonstrationを追加しても
限界価値がどんどん下がっていく可能性が高い。
一方で、モデルが何度も失敗する場所——
そここそが、次のラウンドの学習に最も必要なデータになりがちです。

だから、Axisが言うCompounding Data Engineについて、
私の理解は単にDatasetを大きくしていくことではありません。

むしろ
毎回の学習が、次のデータ収集をより正確にするのに役立つ——
それがcompoundingの本質だと思います。

そして、それがまさに最近のAxisとOpenRobotoの協業を特に注目する理由でもあります。

Axisは3M+のmultimodal trajectoriesを提供し
OpenRobotoのOpen Data Poolに投入されます。
さらに、Data-to-Model Pipelineにより
モデル評価とbenchmarkをサポートします。
これにより、クローズドループがさらに拡張され
Data → Training → Benchmark → Evaluation → Better Data

以前は私はAxisを
Robot Data Platformとして理解していました。
でも今は、より
Physical AIのData Infrastructureとして捉えるほうがしっくりきます。

ハードウェアは変わる
モデルも変わる
VLAも変わる
しかしロボットは、現実世界から新しいExperienceを得る必要がある。
だからこそ本当に観察すべきなのは
Axisが次にどれだけtrajectoriesに到達するかではなく

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で使われるようになったときに
Data Flywheelが本当にCompounding Effectを生み始めるのか——です。

もしこの循環が回り始めるなら
Axisの堀（モート）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、より価値の高いデータを継続的に生み出せるかどうかになります。
これが、私が現時点でAxisで最も面白いと思っている点です。

#PhysicalAI #Robotics @KaitoAI #Axis #kaito

axis

නැගී එන මාතෘකා