我重新研究 @axisrobotics 後反而越來越覺得
Axis 真正值得關注的不是它已經有多少機器人數據
而是它正在把這些數據變成一個可以持續自我增強的系統
8 月Axis 的 robotic data engine 突破了 3M trajectories
背後已經有 123K+ contributors
但如果只是數據越來越多
這件事其實沒那麼性感
真正讓我開始重新看 Axis 的
是最近這一連串動作:
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto
它們背後其實指向同一件事
讓 Physical AI 的 Data Loop 真正跑起來
機器人訓練最難的地方從來不只是缺數據
而是
你怎麼知道下一批數據應該採什麼
傳統流程更像
Task → Data → Model
訓練完部署
模型出問題再回頭重新採數據
Axis V2 開始改變這個過程
模型先執行任務
模型暴露 weakness
人類在關鍵節點進行 correction
Correction Data 回到訓練流程
模型繼續變強
然後暴露新的 weakness
於是變成
Model → Failure → Correction → Data → Better Model
這也是 Human-Gated DAgger 真正有意思的地方
它不是讓人類不停重複模型已經會做的動作
而是讓人類在模型真正“不知道該怎麼辦”的時候介入
換句話說
不是收集更多正確答案
而是精準收集
模型爲什麼會錯
我認爲這可能是機器人數據裏非常重要的一種價值轉換
因爲模型已經會做的事情
再增加 10,000 次 demonstration
邊際價值可能越來越低
但模型反覆失敗的地方
往往纔是下一輪訓練最需要的數據
所以 Axis 所說的 Compounding Data Engine
我理解的並不是單純讓 Dataset 越來越大
而是
每一輪訓練都幫助下一輪數據採集變得更加精準
這也是爲什麼我覺得最近 Axis 和 OpenRoboto 的合作特別值得關注
Axis 將提供3M+ multimodal trajectories
進入 OpenRoboto 的 Open Data Pool
同時通過 Data-to-Model Pipeline 支持模型評估和 benchmark
這就把閉環進一步延伸成
Data → Training → Benchmark → Evaluation → Better Data
以前我會把 Axis 理解成
Robot Data Platform
現在我更傾向於把它理解成
Physical AI 的 Data Infrastructure
因爲硬件會換
模型會換
VLA 會換
但機器人永遠需要從現實世界獲得新的 Experience
所以真正值得觀察的
不是 Axis 下一次會達到多少 trajectories
而是
當這些數據開始被更多模型、更多機器人和更多 benchmark 使用之後
Data Flywheel 會不會真正開始產生 Compounding Effect
如果這個循環跑通
Axis 的護城河可能就不是我們擁有多少數據
而是我們能不能持續生產下一批更有價值的數據
這纔是我目前看 Axis 最有意思的地方
#PhysicalAI #Robotics @KaitoAI
#Axis #kaito