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。

最近看大家都在写 Kaito 上的 Axis，我也顺便去研究了一下 @axisrobotics 到底在做什么。 其实我觉得 Physical AI 有一个很现实的问题：机器人要变聪明，首先得有数据可以学习。 LLM 可以直接学习互联网上几十年来积累的大量文字、图片和视频。 但机器人没有这么方便，到现在没有一个地方可以让机器人直接学习，比如人类是怎么拿东西的、怎么开门的、怎么整理物品的，甚至做错之后应该怎么纠正。 这就是 Axis 想解决的问题，它想做的是帮机器人收集更多训练数据。 传统方式是让人在实验室里操作真实机器人来收集数据。 但这样又贵又慢，而且一个实验室能收集的场景也有限。 Axis 就换了一个思路：让更多人一起来收集数据。 你可以在电脑上控制模拟机械臂完成任务；也可以用手机记录人类真实的第一视角动作。 如果机器人模型做错了，人类还能接手完成任务，告诉它正确应该怎么做。 最后就形成一个循环：收集数据 → 训练机器人 → 发现哪里做不好 → 再专门收集这部分数据。 所以 Axis 说自己是 Compounding Data Engine（复合数据引擎）。 白话一点就是：数据越多 → 机器人越聪明 → 越能发现自己哪里不会 → 再收集这些数据 → 继续变聪明。 数据不是收集一次就没用了，而是可以不断帮下一轮模型进步。 如果未来 LLM 是靠互联网数据发展起来的，那机器人未来可能也需要一个属于自己的“数据互联网”。 我理解 Axis 想做的，就是帮 Physical AI 建这个东西。 而最近 @axisrobotics 也开启了 @KaitoAI 的 Katalyst 活动。 这是 Kaito 首个 token-based campaign，奖励池为 0.25% $AXIS，TGE 时 100% 解锁。 Epoch 1 已经开启，并持续至 9 月 18 日 12:00 UTC。 每个 Epoch 最多可以发 10 条 Axis 相关内容，但只计算表现最好的 6 条。 活动我后面再单独研究一下具体参与方法，有兴趣的可以一起来写👉

继续跟踪我定投的 #Sei# ，通过这条推文跟也在定投的兄弟分享一下简报。内容有点长，不让大家白看，看完的评论区留言你的看法，我会选前三名我认为评论的不错的内容，第一名奖励 𝟱𝟬𝗨，第二名 𝟯𝟬𝗨，第三名 𝟮𝟬𝗨。𝟭 月 𝟭𝟵 号开奖🧧🧧 以下是正文： Sei 的叙事继续从基础设施组件转向实际资本行为展示，强调 Grid 如何让资本从收益生成到支付、储蓄、消费无缝流转，而非静态工具堆砌。生态活动聚焦于数据驱动的增长证明和关键项目联动，预示 2026 “Giga” 时代下更广阔的全球规模潜力。 最近进展要点： 🔴活跃地址与生态复合增长：Sei 官方强调每日活跃地址已超 1.5M，4 个月内翻倍增长。这不是单一应用驱动，而是 DeFi、支付、消费和游戏领域的复合效应——19 个应用超 10 万月活，11 个游戏超 30 万月活，周稳定币交易量 3 个月内增长 104% 至约 15 亿美元，P2P 稳定币供应 6 个月内上涨 155%。这些数据直接展示 Grid 的动态作用：资本在 Sei 上不需暂停，就能从 RWA 收益（如 tokenized treasuries）流向即时支付（如 PYUSD/USDC），再循环至借贷/储蓄，保持永动生产力。 🔴技术与安全升级公告：Sei 转发量子计算对交易安全的潜在影响研究，强调 Giga 升级（目标 20 万+ TPS、sub-400ms 终局性、多 proposer EVM、5 gigagas/sec）正深化 post-quantum security（如 proof batching 和 recursive zk），为机构级流量（如 BlackRock RWA）和消费级支付（如潜在小米数亿用户）提供始终在线的结算轨道。同时，提醒用户在 3 月前将 USDC.n 迁移至 native USDC，以适应 SIP-3 的 EVM-only 转型，避免流动性损失。这强化了 Sei 从基础设施到资本流动的转变，确保 Grid 在高负载下无缝运行。 🔴生态集成与社区势头：新项目 Spectra Finance 宣布登陆 Sei，扩展许可less yield 协议；Sei Labs 联合创始人 Jay 发帖比喻当前生态爆发类似 2023 Solana，但强调 Sei 靠 fundamentals（如机构采用和全球分发）而非投机。社区互动活跃，Sei 回复多条帖子，突出“adoption moves faster on Sei”，并欢迎更多应用加入 Grid，展示资本如何在收益-支付-消费闭环中加速。 生态更新与项目链接： 🔴Sei 生态的表现正通过关键项目的联动彰显未来潜力，这些项目不是孤岛，而是 Grid 的活化剂，让资本在 Sei 的高速基础设施上实现完整生命周期流动。例如，旗舰 DeFi 项目 YeiFinance 👉 $CLO 最近表现非常亮眼—— $CLO 价格飙升 57%，反映其作为跨链流动性层（Clovis）的强劲势头。YeiFinance 通过 YeiBridge、YeiLend 和 YeiSwap，直接在 Sei 上实现 yield stacking，让用户从平均 DeFi 旅程的碎片化（桥接资产追逐微小 yield 差，却付高 gas）转向无缝闭环：收益生成后即时支付或储蓄，再消费回流。这不仅提升了 Sei 的交易计数（YeiFinance 已成 EVM 历史第 5 大借贷协议），还放大 Grid 的价值，推动稳定币和 RWA 在生态内的 velocity。 🔴🔴🔴注意力值得转向 Sei Labs 的重点孵化项目——Monaco（即将进入 private alpha），它作为 DeFi 生态的领军者，将聚焦预测市场和实时赌博，但以 fundamentals 为基调（如机构级 robustness），与 Sei 的 Giga 升级联动，提供 sub-second 结算，让资本从储蓄位置直接 spend 到消费场景，而无需链外清算。这将进一步连接 Sei 的游戏和支付轨道，吸引全球用户，实现𝗶𝗻𝘁𝗲𝗿𝗻𝗲𝘁 𝗻𝗮𝘁𝗶𝘃𝗲 𝗳𝗶𝗻𝗮𝗻𝗰𝗲 类似地，TakaraLend 等优异项目也脱颖而出——它已成为 EVM 借贷应用日活第 2（仅次 Aave），通过 institutional-grade lending，让资本从支付现金流（如 Kalshi 预测市场或游戏内购）无缝转向 yield-bearing 资产。TakaraLend 近期提醒用户迁移资产，体现了与 Sei 基础设施的深度整合，确保生态在 SIP-3 后更高效。这些项目间的链接（如 YeiFinance 的流动性支持 TakaraLend 的借贷，Monaco 的采用扩展消费层）展示了 Sei 生态的黏性和表面面积增长：高性能 rails 让一切 compounding，预示 2026 年从 1.5M 日活向全球规模（235M+ 用户接入）的跃进。 总之，Sei 的进展和生态更新正证明 Grid 不是抽象概念，而是资本永动机的引擎。Giga 升级将放大这些潜力，让现代市场在 Sei 上跑得更快、更远——从机构 RWA 到消费 AI，一切无缝流动。Markets Move Faster on Sei！🔴🚀

机器人行业的“GPT 时刻”，卡住它的可能根本不是 AI。 最近继续研究 @axis_ai，我发现一个很容易被忽略的问题： 过去两年，大家讨论机器人，注意力几乎都集中在模型、芯片和硬件。 谁的机器人走得更稳？ 谁的机械手更灵活？ 谁的模型参数更大？ 但如果把视角往底层再挖一层，你会发现 Physical AI 面临的一个核心问题其实是： 机器人严重缺数据。 ChatGPT 为什么能够出现？ 一个非常重要的前提，是互联网过去几十年积累了海量文字、图片、代码。 模型可以“读完整个互联网”，再从中学习人类知识。 但机器人不一样。 互联网里有几十亿张“杯子”的图片，却没有几十亿条： 机械臂应该用什么角度靠近杯子、施加多大的力、抓住之后如何移动、遇到障碍如何调整。 机器人真正需要学习的是： Action，而不仅仅是 Information。 这也是我最近越来越理解 AXIS Robotics 的地方。 AXIS 做的不是再造一个机器人，而是在尝试解决机器人背后的“数据生产问题”。 它把机器人操作搬进浏览器。 普通用户不需要购买机械臂，也不需要成为机器人专家。 打开浏览器，就可以操控模拟机器人完成抓取、移动、分类、开抽屉等任务。 而你每完成一次操作，背后产生的并不是一局“小游戏记录”。 而是一条完整的 Trajectory（机器人运动轨迹）： 关节状态、物体位置、控制动作、视觉信息、任务结果…… 这些数据经过验证、清洗和处理之后，可以继续用于机器人策略和 Physical AI 模型训练。 这件事情真正有意思的地方在于： AXIS 正在尝试把过去只能发生在机器人实验室里的数据生产，变成互联网规模的数据生产。 传统机器人数据采集有一个非常现实的问题： 想增加数据，就要增加机器人、操作员、实验场地和时间。 本质上是线性扩张。 AXIS 想做的是另一条路线： Simulation First + 全球贡献者。 一个实验室也许只能同时控制几十台机器人。 但如果把模拟环境放进浏览器，理论上可以让成千上万人同时产生不同环境、不同任务、不同操作方式的数据。 这就让我想到一个很有意思的类比： Google 把全世界的信息组织起来。 Wikipedia 把全世界的知识贡献者连接起来。 而 AXIS 想做的事情，有一点像： 把全世界的人类操作经验，转化成机器人可以学习的数据。 更关键的是，这已经不完全停留在 PPT 上。 AXIS 官方披露，2026 年 2 月 Beta 阶段，约 18,000 名参与者在 5 天内完成了接近 100,000 条 trajectories。 此前 Little Prince’s Rose 实验中，社区在 3 天产生了超过 10,000 条有效轨迹。 这些数据随后真的被用于训练策略，并部署到真实机器人，让机器人自主完成浇水任务。 这一步非常重要。 因为它验证的是： Human → Simulation → Data → Model → Real Robot 这条链路到底能不能跑通。 如果答案是 YES，那么 AXIS 的想象空间就不应该只看成“一个让用户做机器人任务的平台”。 它真正想建立的是一个 Physical AI Data Engine。 而且这里还有第二层逻辑。 机器人需要的并不是单纯“越多数据越好”。 真正重要的是： 模型在哪里失败，就继续生产哪里的数据。 比如一个机器人已经可以在桌面上成功抓杯子 95 次。 真正有价值的，可能不是再给它 10 万次完全相同的成功案例。 而是找到剩下那 5 次为什么失败： 光线变了？ 杯子旋转了？ 被其他物体挡住了？ 抓取角度不对？ 然后针对失败场景继续生成新的训练任务。 这也是 AXIS 所强调的 Compounding Data Engine： Task Generation → Data Collection → Model Training → 找到 Failure → 生成针对性数据 → 再训练。 于是数据不再是一次性卖掉的数据集。 而是一个不断反馈、不断迭代的循环。 模型越强，暴露的问题越具体； 问题越具体，下一轮需要的数据越精准。 这才是我认为 AXIS 真正值得观察的地方。 未来机器人竞争，很可能不会只是： Tesla vs Figure vs 1X， 也不会只是： 谁的硬件更便宜、模型参数更多。 在更底层，可能还有一场大家现在关注得并不够多的战争： 谁掌握最大、最多样、可以持续迭代的 Physical AI 数据。 LLM 时代证明了一件事情： 数据规模一旦跨过某个临界点，能力可能出现非线性变化。 如果未来机器人也存在类似的 Scaling Law， 那么今天看起来只是一条条普通的 trajectory， 最终可能会成为 Physical AI 最重要的基础资产之一。 所以我现在看 @axis_ai，关注的已经不是“做任务能拿多少积分”。 我真正想观察的是： 它能不能把全球几十万甚至几百万人，变成 Physical AI 的分布式数据生产网络。 如果这条路线最终成立， 未来训练机器人的方式，也许真的会发生变化： 过去： 造更多机器人 → 雇更多人 → 采更多数据。 未来： 让更多人连接进来 → 产生更多人类操作经验 → 训练更聪明的机器人。 AI 让知识第一次可以被机器大规模学习。 而 Physical AI 下一阶段真正缺少的，也许就是： 一个属于机器人的“互联网级数据层”。 AXIS 正在赌的，就是这个未来。