Physical AI的难点早已不是造硬件而是找数据

Axis 新手教程：用普通电脑完成第一条机器人训练轨迹 这篇直接带大家在 Axis 上完成一个机器人任务，从进入模拟器、控制机械臂，到最后把 Trajectory 签名上链。 操作并不复杂，一台普通电脑加上浏览器就能完成。不过开始之前，先讲清楚我们到底在贡献什么。 @axisrobotics 做的是 Physical AI 数据基础设施。 机器人学习抓取杯子、整理桌面或者打开抽屉，需要大量带有物理信息的动作数据。普通视频只能看到画面，里面没有机械臂关��状态、物体位置、夹爪动作和接触过程，很难直接拿去训练机器人。 Axis 把数据收集过程放进了浏览器。 我们在模拟器里控制机械臂完成任务，系统会完整记录每一步操作，包括机械臂的关节状态、物体位置、控制指令和任务结果。完成后的轨迹会经过模拟器回放和质量检查，通过验证后可以在 Base 上签名，获得唯一的 Data ID。 符合要求的数据还会经过清洗、平滑和场景随机化处理，用于后续机器人策略和 VLA 模型训练。 根据目前官方简报，Axis 已经积累超过400万条轨迹、5000多个任务，并有超过13万名贡献者参与。 第一步：进入 Axis Hub 建议使用电脑端的 Chrome 或 Edge，手机和平板目前无法操作。 通过我的专属链接进入： 可以使用邮箱、Google、X 或钱包登录。没有 Web3 钱包也可以注册，Privy 会自动生成一个用于链上签名的钱包。 登录后进入 Hub，这里就是任务大厅。 第一次建议这样筛选： - 状态选择 Live - 阶段选择 Pre-training - 难度选择 Beginner 或 Easy - 优先找 Pick、Place 这类单物体任务 - 确认任务还有剩余 Slots 每个 Slot 代表平台还需要收集一条有效轨迹。名额满了以后，该阶段就会停止接收新的操作记录。 第二步：先看任务要求 进入模拟器后，左边会显示任务目标和具体步骤，右边可以看到目标状态参考图、任务通过率和剩余名额。 先确认三件事： - 需要操作哪个物体 - 最后要放到什么位置 - 一共有几个步骤 画面里的物体太多时，可以用鼠标左键点击物体，左上角会显示对应名称。 多步骤任务要按顺序完成。每完成一步，左侧会出现勾选。前面的步骤没有被系统识别时，直接把物体放到终点也可能无法完成任务。 第三步：控制机械臂 电脑端最容易掌握的操作组合是： 双击靠近目标，键盘微调位置，空格控制夹爪。 先双击准备抓取的物体，机械臂会自动移动到预抓取位置。这一步可以省掉大段空中移动，轨迹也会更简洁。 机械臂靠近物体后，再使用键盘调整： - 方向键：控制前后左右 - E / D：控制上升和下降 - Q / W、A / S、Z / X：调整夹爪角度 - 按住 SPACE：关闭夹爪 - 松开 SPACE：打开夹爪 - N：保存当前检查点 - B：恢复最近的检查点 如果是双机械臂任务，按 `C` 可以切换当前控制的��臂。新手可以先避开这类任务。 第四步：怎么控制得更稳 靠近物体以后，把模拟器下方的灵敏度调低。方向键尽量轻按，每次只调整一个方向。 先把夹爪移动到物体正上方，再调整夹爪角度。两侧夹片对准物体比较容易夹稳。位置确认后按一次 `N`，保存抓取前的状态。 慢慢降低夹爪，按住空格完成抓取。看到物体跟着夹爪移动以后，再按 `E` 抬高。 抓起物体后不要贴着桌面横向移动。先把物体抬到安全高度，再移向目标区域，可以减少碰撞其他物体的概率。 到达目标上方后缓慢下降，确认物体进入目标范围，再松开空格。放好以后等一两秒，观察左侧步骤有没有出现勾选。 没有成功识别时，按 `B` 回到最近的检查点，换一个位置或角度重新放置。 整个过程尽量减少来回修正。Axis 会根据任务是否成功、完成效率和动作平滑度评估轨迹质量。操作太急、路径绕得太远或者机械臂反复抖动，都会影响分数。 第五步：完成任务以后不要直接退出 达到任务条件后，页面会自动弹出 `Task Completed`，轨迹随后上传并进入验证。 接着打开右上角头像，进入： `Portfolio → History` 刚完成的任务可能显示为 Pending，因为系统需要重新加载场景并回放整条轨迹，检查物理过程和任务结果。 验证通过后，记录旁边会出现 `Sign`。点击后在钱包窗口中确认，把这条轨迹签名到 Base。 看到 `Signed` 标记和交易哈希，才代表整套流程完成。 这一步很重要。没有签名的任务不会计入当前 Epoch 的 Axis Points，也不会成为 Kaito 活动中的有效 Trajectory。 Base 签名需要少量 Gas，费用通常很低；遇到 Axis 的免 Gas 活动时，页面会直接代付。 第六步：完成一次后怎么继续 同一个任务最多可以完成5次，但 Axis 计算的是多次完成后的平均成绩。 第一遍做得不错，就没有必要继续重复刷同一个任务。后面的操作出现失误，平均分反而可能下降。 想继续积累贡献，可以换不同场景和技能： - 厨房里的抓取与放置 - 办公场景里的整理 - 旋转或插入物体 - 难度更高的多步骤任务 Axis Points 会综合考虑有效任务数量、难度、轨迹质量、场景与技能多样性，以及邀请用户实际完成的贡献。 Points 目前属于不可转让的贡献记录。官方计划在未来社区贡献者空投中将其作为参考之一，但暂时没有公布兑换比例、分配数量和具体时间。 第一次体验时，把这条路线完整走通就够了： 进入 Hub → 完成任务 → 等待验证 → 在 Base 签名。 做到最后一步，你才真正为 Axis 留下了一条可以验证来源的机器人训练轨迹。

The problem with Physical AI isn't building hardware anymore it's sourcing the right data. Most projects just hoard raw video footage, but @axisrobotics takes a completely different approach. They built a closed loop system where simulation sets the task, humans refine it, bad data gets purged, and edge case failures become the exact training signal for the next model iteration. Better experience always beats raw volume. To scale this data pipeline, they just launched a 1 month creator campaign via @KaitoAI Katalyst, allocating 0.25% of the total $AXIS supply (fully unlocked at TGE). → Top 6 out of up to 10 posts scored per creator → 500+ creators eligible for rewards → Focused on driving data contributors to Axis Hub and growing referral networks Physical AI requires high quality human feedback to scale, and Axis is crowdsourcing that exact layer. If you're building or creating in this space, jump in using my referral: