机器人真正缺的，不是更多数据，而是“有效数据”。 最近继续研究 @axisrobotics，我越来越觉得，很多人对 Physical AI 的理解还停留在“数据越多，模型越强”。 但机器人和大模型不一样。 ChatGPT 预测错一个词，可能影响不大；机器人如果判断错一次抓取角度，杯子可能直接摔碎，机械臂多偏几厘米，也可能撞到障碍物。 所以机器人真正需要的，并不是海量无差别的数据，而是能够教会它“怎么行动”的高质量轨迹数据。 一张“机器人正在拿杯子”的图片，价值其实很有限。 真正有价值的是完整过程： 机械臂从哪里开始移动？ 手腕旋转了多少角度？ 什么时候闭合夹爪？ 用了多大力度？ 遇到偏差后怎么修正？ 最后有没有成功完成任务？ 这整套过程，才是一条真正有训练价值的 Trajectory。 传统 AI 学的是： “这是什么？” Physical AI 学的则是： “下一步应该怎么做？” 这也是我最近越来越关注 AXIS 的原因。 表面上看，AXIS Hub 是让用户完成机械臂任务、贡献数据。 但如果只看到“做任务、拿积分”，其实只看到了最浅的一层。 背后的逻辑更像一个数据飞轮： 用户完成真实操作 → 产生动作轨迹 → 数据被清洗和验证 → 用于训练机器人模型 → 模型部署到真实机器人 → 机器人继续产生新的真实世界数据 → 再进入训练。 Human → Data → Model → Robot → More Data 参与的人越多，动作类型越丰富； 场景越丰富，模型越容易获得泛化能力； 机器人部署越多，又会反过来产生更多真实世界数据。 这才是我认为 AXIS 真正有意思的地方。 而且有一个点经常被忽略： 失败数据，可能和成功数据一样值钱。 机器人抓杯子失败、力度太大、路径错误、物体掉落、位置偏差，这些看起来是“坏数据”，但实际上都在告诉模型： 什么动作不应该做。 人类学习走路、拿东西，也是通过大量失败建立对物理世界的理解。 机器人同样需要这个过程。 所以未来判断一家机器人数据平台有没有价值，不能只看“收集了多少数据”。 真正应该看的是： 这些数据到底能不能提高机器人的任务成功率。 这也是我觉得 AXIS 和很多“AI + Crypto 概念项目”不同的地方。 Web3 在这里真正有价值的部分，不是硬给机器人加一个 Token。 而是利用激励机制，让全球用户参与数据生产。 如果积分或 Token 能推动： 更多人贡献有效轨迹 → 数据进入模型训练 → 模型能力提高 → 机器人产生商业价值 那么 Web3 才真正成为 Physical AI 的一种 Cold Start Mechanism。 它解决的不是“机器人有没有币”，而是： 机器人训练需要的数据，怎么更快、更低成本、更分布式地获取。 所以我现在看 @axisrobotics，最关注的不是某一天有多少积分，而是三个问题： 数据是否持续增长？ 任务复杂度和数据质量是否持续提高？ 这些数据最终有没有真正提升机器人的能力？ 如果这三件事能够形成闭环， 那么 AXIS 做的就不只是一个机器人任务平台。 它更像是在尝试建立： Physical AI 时代的数据基础设施。 过去互联网最值钱的是搜索数据、社交数据、消费数据。 而机器人真正进入工厂、仓库、商场甚至家庭之后，下一类真正重要的数据资产可能是： Human Action Data——人类与物理世界交互的数据。 所以相比“下一台机器人是谁造出来的”，我现在更关心： 未来全世界的机器人，到底会用谁的数据长大？ 这可能才是 AXIS Robotics 最值得关注的长期叙事。

机器人时代真正稀缺的，可能不是机器人，而是“让机器人学会干活的数据”。 最近继续研究 @axisrobotics，我越来越觉得，很多人对 Physical AI 的关注点可能放错了。 大家现在盯着 Tesla Optimus、Figure、Unitree，看谁的机器人跑得更快、动作更像人、什么时候量产。 但有一个更底层的问题： 假设未来真的有几千万台机器人进入工厂、家庭和商业场景，谁来教它们干活？ ChatGPT 可以读整个互联网。 图像模型可以学习几十亿张图片。 机器人却没这么容易。 你让机器人“拿起杯子放进洗碗机”，背后不是一句文字指令，而是一整套连续过程： 看到环境 → 判断位置 → 规划动作 → 抓取 → 移动 → 放置 → 根据结果继续调整。 这些连续的动作轨迹，就是 Physical AI 非常重要的训练数据。 而这也是我重新理解 Axis 的关键。 Axis 真正想做的，可能不是机器人，而是机器人时代的数据层。 传统机器人采集数据很贵。 你需要真实机械臂、场地、传感器、操作员，然后一遍遍遥操作。 问题是，一旦未来机器人需要学习成千上万种任务，这种数据生产方式很难支撑。 Axis 的思路很有意思： 把机器人数据采集搬到互联网。 用户不需要拥有一台几十万美元的机器人，只需要通过浏览器，就能在模拟环境里完成机器人操作任务。 每一次有效操作，都可能形成一条 trajectory。 当参与的人从100个变成1万个、10万个，整个逻辑就开始变化了。 这不再只是“收集数据”。 而是在尝试建立： Human → Data → Model → Robot 这样一个网络。 我认为这里才是 Axis 最值得关注的地方。 因为机器人行业未来真正可能形成护城河的，不一定只是硬件。 数据同样存在飞轮。 数据越多 → 模型越好； 模型越好 → 可以完成更多任务； 任务越多 → 需要更多不同类型的数据； 更多任务和激励 → 又吸引更多人贡献数据。 最后形成： Data → Model → Robot → New Data → Better Model 如果这个循环真的跑起来，Axis 的价值就不能简单按照一个“机器人项目”理解。 它更像是在尝试做 Physical AI 的数据基础设施。 而且这里还有一个我觉得市场容易忽视的地方： 未来机器人需要的数据，很可能比大模型更加碎片化。 同样是“拿杯子”，杯子的大小、材质、摆放位置、机械臂型号、桌面高度甚至光线变化，都可能产生不同的数据需求。 所以 Physical AI 最终需要的可能不是一个静态数据库，而是一套可以持续生产新数据的网络。 这也是为什么我最近看 Axis，不太在意短期热度，反而更关注几个指标： trajectory 增长速度、数据质量、Sim-to-Real 成功率，以及这些数据有没有真正被机器人公司使用。 如果只有用户数量，没有真实训练价值，那故事很快就结束。 但如果社区贡献的数据最终能够持续训练模型，并部署到真实机器人上，商业逻辑就完全不同。 因为那时候 Axis 卖的就不再只是“一份数据”。 而是： 让一台机器人更快学会一项新技能的能力。 这让我想到上一轮 AI 浪潮。 最开始大家都在讨论模型，后来发现 NVIDIA 卡住了算力入口。 那么到了 Physical AI 时代，会不会出现另一个关键入口？ 我的判断是： 算力仍然重要，但高质量机器人数据可能成为新的稀缺资源。 未来可能是 NVIDIA 提供算力，机器人公司提供身体，Foundation Model 提供大脑，而另外一层基础设施负责不断告诉这些“大脑”： 真实世界到底应该怎么操作。 Axis 想抢的，就是这一层。 所以我现在看 @axisrobotics，真正关注的已经不是“它今天又完成了多少任务”。 而是一个更长期的问题： 如果未来每一台机器人都需要持续学习，那么谁拥有最大规模、最低成本、最多样化的数据生产网络？ 如果 Axis 最终能够占住这个位置，它的天花板可能远远不只是一个机器人数据平台。

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。

机器人运动控制算法 C++ 工程化工程师（细分方向） 一、工业机器人运动控制工程师 技术/算法：轨迹规划（直线/圆弧/NURBS 样条）、梯形/S 形速度规划（五段/七段）、运动学正逆解（解析/数值）、牛顿-欧拉递推动力学、前馈补偿 工具/领域：Eigen、ROS 2 Control、OMPL、Linux + PREEMPT_RT、EtherCAT(SOEM)、1kHz 实时闭环 工程要点：S 形速度规划闭式公式、解析逆解奇异规避、EtherCAT 分布式时钟同步、抖动分布量化 二、协作机器人运动控制工程师 技术/算法：阻抗控制、导纳控制、基于广义动量的碰撞检测、重力/摩擦力前馈补偿、拖拽示教 工具/领域：Libfranka、FRI、ROS 2 Control、实时力控接口、ISO 10218 安全限幅 工程要点：动量观测器残差阈值、柔顺刚度/阻尼整定、安全响应时延 三、移动机器人运动控制工程师 技术/算法：底盘运动学（差速/阿克曼/麦克纳姆）、轨迹跟踪（MPC/LQR/Pure Pursuit）、局部规划（DWA/TEB）、EKF 多源融合 工具/领域：OSQP、ACADO、ROS 2 Control、Eigen、Gazebo 工程要点：MPC 约束建模（速度/加速度限幅）、Pure Pursuit 前视距离稳定性、轮速+IMU 融合 四、人形机器人运动控制工程师 技术/算法：全身控制(WBC)、双足步态（ZMP/捕获点/MPC）、浮基动力学、QP 接触力优化、零空间投影 工具/领域：Pinocchio、Crocoddyl、CasADi、OSQP、MuJoCo C++ API、摩擦锥不等式约束 工程要点：任务优先级分层、浮基系统建模、接触力可行域求解 五、具身智能运动控制工程师 技术/算法：RL 策略部署（PPO/SAC）、Sim2Real 补偿、领域随机化、系统参数在线估计（RLS） 工具/领域：LibTorch、ONNXRuntime/TensorRT、Eigen、推理延迟优化（量化/算子融合/异步） 工程要点：1kHz 推理管线、策略输出平滑与安全校验、递推最

机器人田径比赛，很好玩的样子！ 不过感觉这些机器人跑起来都停不下来， 终点要么就撞到垫子上， 要么直接摔，把自己给摔碎了， 一个百米比赛的报废率太高了。

机器人赛跑最新成绩击败飞人博尔特，这将会是载入史册的瞬间。 回忆一下，IBM深蓝电脑击败人类，AlphaGo统一围棋，当时我们并不知道那就是AI伟大时代的开端。 大模型是大脑，AI的身体是机器人，两者一旦结合，新世界就开始了。