Axis Robotics 用大众协作解决实体AI数据瓶颈

下午好 ❤️ 研究 @axisrobotics 时，我一直在思考一件事：Physical AI 最难的部分可能不是造机器人，而是教机器人该做什么。

大语言模型可以从网上已有的海量文本中学习，机器人却没有这种条件。它们需要物理交互数据：手如何移动、物体如何表现、环境变化时任务会如何改变、出错时该如何处理。这让机器人数据成了一个巨大的瓶颈。

Axis 针对这个问题采取了一种很有意思的思路：为 Physical AI 构建一个可复利增长的数据引擎。它不再只依赖昂贵的机器人实验室，而是允许人们通过基于浏览器的仿真贡献数据。你不需要拥有机器人，也不需要高性能 GPU，就可以控制仿真机械臂，完成不同任务，生成运动轨迹。

而这套方案的规模已经开始不容忽视。Axis 最近报告称，它已经拥有超过 150,000 名贡献者，超过 370 万条轨迹，超过 42,000 小时的轨迹数据，以及超过 4,000 个活跃任务。

但只收集大量数据还不够，数据的质量和多样性才是关键。这就是 Axis V2 的有意思之处。训练好的策略会先尝试完成任务，当它犯错时，人类可以介入纠正动作，这些纠正之后就会变成额外的训练数据。

于是工作流程从「收集数据 → 训练模型 → 结束」，变成了「收集 → 训练 → 找出失败 → 纠正 → 再训练」。这就是 Axis 想要构建的复利增长循环。

这种思路已经有了一些值得关注的验证结果。Axis 表示，社区通过 Hub 生成的超过 5 万条轨迹，帮助将 π0.5 模型在 LIBERO Plus 上的性能从 83.9% 提升到了 88.8%。

它的生态也已经拓展到浏览器仿真之外。Axis 的业务覆盖任务生成、仿真数据采集、移动端第一人称视角数据捕获和数据处理。它和 Booster Robotics 的合作，是把仿真驱动学习和真实世界机器人系统连接起来的又一步有趣探索。

然后是融资方面。Axis 完成了 1200 万美元种子轮融资，由 Hack VC 领投，Nomad Capital、Pi Network Ventures、10K Ventures 跟投，还有其他投资者参与。

我觉得最有意思的点不是收集到的轨迹数量，而是这套模式背后的逻辑：更多贡献者会创造更多样的数据，这些数据可以优化策略，更好的策略能暴露新的失败案例，这些失败会催生新的纠正，这些纠正又能产出更好的训练数据。

这就形成了一个反馈循环，数据引擎本身会随着规模增长变得越来越有价值。对于 Physical AI 来说，这可能会是非常重要的一块基础设施。

机器人需要智能，智能需要经验，而 Axis 押注的方向是：规模化获取经验的最佳方式，是构建一个人人都能参与教机器人的系统。机器人智能不是靠少数人打造，而是靠所有人一起打造。这就是 @axisrobotics 最打动我的地方。