最近因为 @axisrobotics 跟 @kaitoai 合作的关系，我特意去深入了解了一下Axis Robotics 这个项目，深入进去看下来，觉得它有点意思。 因为现在大家都在聊 Physical AI、机器人，但真正卡脖子的地方，其实不只是模型，而是数据。 机器人想学会抓东西、摆东西、做饭、整理物品，本质上都需要大量真实、复杂、不同场景下的操作数据。 以前这类数据怎么来？ 基本就是实验室自己搭环境、找人操作、慢慢采集。成本高不说，数据的丰富程度也很有限。 Axis Robotics 换了一个思路：既然机器人需要大量数据，那就让全世界的人一起帮它训练。 你甚至不用买机器人，打开浏览器就能参与。 在虚拟环境里用键盘、手柄或者其他方式控制机械臂，完成拿取、摆放、堆叠这类任务。你操作成功一次，就会沉淀一条机器人训练轨迹。 这件事情看起来很简单，但真正有意思的是后面的数据飞轮。 模型越来越强之后，它可以自己先尝试完成任务。 失败了怎么办？ 这时候人再接管一下，纠正它错误的动作。 这种“模型先做、人类纠错”的数据，其实比单纯的成功轨迹更有价值，因为它直接告诉模型： 你刚才为什么错，以及应该怎么改。 这就是 Axis 所谓的 Compounding Data Engine，我理解它的核心不是简单“众包数据”，而是让数据采集 → 模型训练 → 模型犯错 → 人类纠正 → 新数据 → 再训练形成一个循环。 数据越多，模型越聪明。 模型越聪明，需要人干预的地方越精准，又能产生更有价值的数据。 另外他们还在往手机端走。 未来如果能通过手机采集真实世界第一视角的操作数据，再经过处理转成机器人可以学习的数据，那参与门槛会进一步降低。 这也是我觉得 Axis 比较值得关注的地方： 它不是单纯做一个机器人模型，而是在尝试搭一个机器人训练数据的基础设施。 目前官方披露已经有十几万用户、几百万条轨迹数据，也有公开模拟数据集验证效果。 再加上今年完成了 1200 万美元种子轮，Hack VC 领投，同时开始结合 Base、积分激励以及生态合作去扩大数据贡献规模。 当然，数据量大不等于最后一定能跑出顶级机器人模型，真实世界数据的质量、泛化能力、激励机制能不能长期持续，这些都还需要时间验证。 但从方向上看，我觉得 Physical AI 下一阶段真正拼的，很可能就是： 谁能拿到更多、更真实、更丰富，而且能够持续增长的数据。 而 Axis 想做的事情，就是把这个过程从“少数实验室自己采数据”，变成“全球用户一起给机器人喂数据”。 这个逻辑，我觉得还是挺值得关注。 想直接体验的，可以去 注册，实际玩几个任务，比光看介绍更容易理解它到底在干什么。