最近看 @axisrobotics 我突然觉得自己以前可能把它理解得太任务化了 每天进去都是： 抓杯子 放积木 搬东西 塞进盒子…… 所以很容易觉得 Axis 做的事情就是： 不停给机器人增加新题目🤣 但最近他们发的一组实验，让我第一次开始换个角度看： 机器人真正需要的，可能不是记住 1 万个任务。 而是先把一些“基本功”练到真的会 —————— ฅ՞• •՞ฅ —————— 比如： 抓取、移动、放置、分类、装箱。 这些事情单独看都挺简单。 但现实里一个稍微复杂一点的工作，其实就是很多基本动作连起来。 拿一个东西 → 移过去 → 对准位置 → 放进去 → 再拿下一个 有点像我们小时候玩技能组合🤣 你不需要为了每一个新流程，重新学一套完全不同的动作 会的技能够多，重新排列组合就行 这也是 Axis 最近在试的东西 他们现在已经可以把不同的 Expert 接起来： 前一个任务结束时，机器人不需要回到一个完全固定的位置 只要当前状态还在下一个 Expert 能处理的范围里， 下一个技能可以直接接着干 —————— ฅ՞• •՞ฅ —————— 这里有个数字我觉得蛮离谱都 Axis 现在训练一个单项 Expert， 官方实验里用一张 A100 大概 3–6 小时 纯计算成本大约 5–10 美元 就可以在测试范围里做到接近满成功率 当然，这不是说：花 5 美元机器人就什么都会了 这里只是单项能力的训练计算成本 但它让我开始想一个问题： 如果“学会一个基础技能”的成本真的越来越低，会发生什么？ 可能以后真正重要的就不是： Axis 有多少万条任务。 而是： 它到底攒下了多少个真正会用、还能互相组合的技能 —————— ฅ՞• •՞ฅ —————— 比如以后一个机器人要“收拾桌子” 它不一定需要专门学一个叫： 收拾桌子的模型 hhh 可能只是调用： 识别 → 抓取 → 移动 → 分类 → 放置 桌子换了，东西换了 这些已经学会的能力还能继续拿出来用。 这时候数据才真的开始有“复利感” 因为以前一条轨迹做完， 它只是一次经验。 如果最后能把很多经验慢慢压成一个稳定技能， 以后遇到新的任务还能重新拿出来组合， 那这份经验才算真的留下来了。 —————— ฅ՞• •՞ฅ —————— 官网目前已经显示 737 万+轨迹、22.9 万+用户 这个规模当然已经很大了 但我更想知道的是： 这些数据最后能沉淀出多少机器人真正会的东西？ Axis 自己现在也把下一步写得很明确： 从更多 raw trajectories， 慢慢转向更多可以复用、组合，最后再蒸馏进通用模型的能力 这个方向我觉得比单纯继续堆数据有意思多了 ⬇️一起来练基本功😆