逛完世界机器人大会，我更确定：机器人最稀缺的资产，是数据。 今天在世界机器人大会逛下来，硬件的进步很直观： 机械臂更灵活，人形机器人走得更稳，但越往后看，我越觉得，决定机器人能不能从展台走进真实世界的，已经不只是身体和算力，还有它到底经历过多少种真实任务执行。 语言模型可以从互联网吸收海量文字，机器人却没有一个现成的物理世界互联网。 它需要的也不只是视频，而是完整的行为轨迹： 当时看到了什么、执行了什么动作、环境怎样变化、任务最终有没有完成，杯子换个位置、光线暗一点、桌面材质不同，都可能让一套在实验室有效的策略失灵。 这也是机器人数据难做的地方，真实采集慢、成本高，实验室又很难覆盖现实世界的长尾。只收集成功动作，还会错过最有价值的部分，因为模型暴露弱点的那一刻，往往最能告诉训练系统下一批数据该采什么。 最近看到的 Axis Robotics，值得研究的地方在于，它想把机器人数据变成一条可以持续运转的生产线。前端先生成不同机器人、物体、空间关系和视觉条件下的任务，再让分布式参与者通过浏览器操控仿真机械臂，批量产生可用于预训练的轨迹。 仿真解决规模，真实世界负责补足物理差异。Axis 让参与者用手机、多机位设备或带夹爪的采集设备记录第一视角的人类操作，再把视频处理成四维手部姿态、动作轨迹和语言标注，让“人是怎样完成任务的”变成机器人可以学习的数据。 更关键的一步发生在模型已经开始工作之后。策略一旦犹豫或偏离，人类可以即时接管并完成动作，这段纠错轨迹会进入下一轮训练。数据因此不再是训练前一次性准备好的原料，而是跟着模型失败不断更新。 Axis 还会在基于 Isaac Sim 的后端重放轨迹，并记录任务、数据与贡献者的来源，试图同时处理质量和可追溯性。 这样看，机器人的数据壁垒并不等于拥有最多视频。更有价值的是一套闭环： 生成任务、采集行为、清洗增强、训练部署，再把失败变成下一张数据订单。模型越常使用，弱点越具体，弱点越具体，下一轮采集也越有针对性。 当然，这条路最终要靠模型效果说话： 仿真数据能否稳定迁移到现实，分布式采集能否保持一致质量，新增数据能否持续降低真实任务的失败率。 这些指标比轨迹数量本身更重要，但在今天的大会现场，我越来越相信，机器人下一阶段的竞争，会同时发生在两条生产线上：一条生产机器，另一条生产机器可以学习的经历（数据），Axis 选择的是后者。