Physical AI 的瓶颈或许不是更大模型 而是数据

最近我对物理人工智能（Physical AI）有了一些不同的思考。也许瓶颈不在于更大的模型，而在于数据。实体机器人造价昂贵，实验室不对外开放，收集足够多样的轨迹数据慢得让人痛苦。这就是为什么@axisrobotics 吸引了我的注意力。

他们的复合数据引擎（Compounding Data Engine）背后的思路相当简单：浏览器→在仿真中控制机器人→轨迹数据被清理+增强→训练→策略失败时人类介入→得到更好的数据。而且你不需要Franka机械臂、实验室或GPU就能参与，只需要一个浏览器。

MuJoCo 在网页端运行，有效轨迹会获得一个记录在Base上的数据ID，给贡献明确来源。我觉得更有意思的是它的混合方法：仿真数据提供规模+以自我为中心的数据提供真实世界行为。人们完成任务，质量会被评估，更难、更高质量的工作能获得更多积分。

现在已经有成果证明这不只是理论：π0.5 在 LIBERO-Plus 上达到了 88.8 分，仿真数据集 V1 已经开源，Axis 登上了@base 去中心化应用榜首，社区已经生成了数百万条轨迹。

看完和@chris_anm0 一起做的 BASECAST/002 后，一个想法挥之不去：不要等待完美模型，走出去获取真实数据。这可能是物理人工智能谜题中最重要的一块。