去哪裡玩也不如跟你一起去玩！ #玩肌肉弟弟# #paobc# #陽明山# #trumpfell# โสด แต่ ไม่สด แต่ลองแล้วติดใจ 不用擔心 我單身🐶。

桃花社区优质黄推👉@Xiaoxiaofoer @Xiaoxiaoggii @Xiaoxiaoyyii 6.13日榜—8️⃣ 图一@azusa_00319 图二@wuguang189 图三@xiaoxianjiang5 图四@paock7 原创投稿请私信 @Xiaoxiaofoer 验证

先说结论。 @axisrobotics 大概率上币安。 1/ Hack VC 领投项目，上币安的概率很大。 举几个例子： ▌Stable - Hack VC 领投，币安 Alpha + Bybit ▌0G - Hack VC 领投，币安现货 + Upbit ▌Pharos Network - Hack VC 领投，币安 Alpha + Coinbase ▌ - Hack VC 领投，币安现货 + Coinbase + Upbit ▌Initia - Hack VC 领投，币安现货 + Bybit ▌Babylon - Hack VC 领投，币安现货 + Upbit ▌Nillion - - Hack VC 领投，币安现货 ▌AltLayer - Hack VC 领投，币安现货 + Coinbase + Upbit 当然也有例外，比如 SOON、Grass 等，都是 Hack VC 领投但没上币安。 但相比之下数量很少。 2/ Axis Robotics 另一资方 Nomad Capital 和币安的关系更是密切。 Nomad Capital 创始人同时也是发射台 Buidlpad 的老板，并且他是币安出身，曾担任币安研究主管兼 Launchpad 负责人。 此外 Buidlpad 发射的项目上币安的概率也很高，例子有 Solayer、Sahara AI、Lombard、Falcon Finance 等。 Axis Robotics 也有后续上线 Buidlpad 的可能性。 3/ 再看团队。 Axis Robotics CEO 是前 Chainbase COO。 Chainbase 上了币安现货。 Axis Robotics COO 是前 Infini CMO。 背景很强，且自带“成功上币”经验 4/ 项目传送门 - DYOR

拥抱泡沫＝拥抱争议 投资 crypto 的黄金窗口，恰是它争议最大的那几年。 当它还被视为“投机工具”和“监管灰区”时，多数人看到的是风险，少数人看到的，却是一个尚未被主流定价的新网络。 类似的故事并不少见： ▌iPhone 刚问世时，许多人认为手机只能用于通信，小屏幕不可能取代 PC ▌电动车长期被质疑续航短、成本高、补能难，特斯拉也一度被视为资本游戏 争议越大，认知差往往越大。等共识形成、叙事被证明正确，不对称机会通常已经所剩无几。 1/ 下一场争议：机器人 如今分歧最大的行业之一，是具身智能/机器人。 看多者认为，它将引发下一场劳动力革命；看空者则认为，这只是靠 PPT 造富的工业版共享单车。 质疑并非毫无根据： 硬件和维护成本高 人形未必是最优工程方案 高质量真实数据极度稀缺 应用场景分散，付费意愿有限 这些问题都指向同一个核心：物理世界的摩擦。 语言模型可以从互联网学习文本和图像，机器人却必须学习如何行动。 它不只要认出一只杯子，还要判断从哪儿抓、用多大力、怎么避开障碍、如何稳稳放下。一旦抓空、打滑，或者物体位置和预期不符，它还得知道怎么纠错。 这类数据，比互联网上的文本稀缺太多了。 2/ 机器人缺的不是故事，而是数据 具身智能行业正卡在一个明显的矛盾里。 一边，硬件、传感器、算力和模型都在飞速进步； 另一边，能让机器人在真实世界中泛化的数据，依然昂贵、缓慢、稀缺。 传统的数据采集高度依赖封闭实验室：搭建场景 → 安排操作员 → 遥控真机 → 工程师清洗、标注、训练。 这套模式的问题一目了然： ▌速度慢、成本高 ▌场景覆盖有限 ▌难以处理真实世界的大量长尾情况 ▌数据供给很难跟上模型迭代速度 所以行业真正的瓶颈，也许从来不是能不能造出机器人，而是能否以足够低的成本、足够快的速度，持续生产出让机器人变聪明的数据？ 这正是 @axisrobotics 的切入点。 3/ Axis Robotics：不造机器人，生产机器人数据 Axis Robotics 没有把重点放在再造一台人形机器人，而是选择了产业链中更基础、也更难规模化的一层：机器人训练数据。 它的路径分三步。 第一步：用浏览器，把仿真数据做成规模生意 用户不需要任何硬件，打开浏览器就能远程操作一台仿真机械臂，完成拿杯子、分拣物品、打开抽屉等任务。 每一次操作都会留下一条完整轨迹——关节状态、物体位姿、控制动作、任务元数据等，可直接用于基础策略的预训练。 第二步：用人工纠错，采集高价值的后训练数据 当策略开始自主执行任务时，人类只需在一旁监督。模型一出错，操作员立刻接管、纠正，然后把控制权交还给模型。 第三步：用手机，补上真实世界的那一块 手机可以捕捉第一人称的空间与动作信息，把日常人类行为直接转化为机器人可学习的样本，填补仿真难以覆盖的真实分布。 后台会对轨迹做回放、验证与清洗，再通过 Isaac Sim 扩展为大规模、照片级、域随机化的训练样本，用于训练泛化能力更强的模仿学习策略。 4/ 结语 具身智能能否像市场期待的那样快速落地，仍是未知数。但有一件事正在变得越来越清晰： 如果物理 AI 真正进入现实世界，数据将是无法绕过的基础设施。 Axis Robotics 传送 -