动态

原帖正文 这周 Physical AI 这条线又被抬了一波热度。AMD 直接花 82 亿美元收购 World Labs。几十亿美元开始往世界模型、3D 环境、机器人学习这些方向砸，其实也把一个很现实的问题摆到了台面上：机器人后面真要大规模往前跑，光有模型和本体肯定不够。它得见过足够多的场景，犯过足够多的错，还得有人告诉它，哪一步做对了，哪一步做错了，下一次该怎么改。而 @axisrobotics 现在做的，刚好就是这件事。让更多人参与进来贡献操作，再把这些操作慢慢变成机器人真正能学的数据。/Axis @axisrobotics 现在社区里每天都有人直接通过浏览器遥操机器人，但这些操作收回来，肯定不是存起来就完事了。有人任务没做成功，有人动作绕了一大圈，有些轨迹很好，有些基本没法拿去训练。所以 Axis 后面还在做任务成功检查、质量过滤、轨迹平滑，再把视觉和物理环境继续做变化。目前公开的这批 Dataset 已经有 207 个任务、5 万+轨迹、6 万+场景变体。这些数据拿去继续训 π0.5 以后，LIBERO-Plus 上的成功率从 83.9% 做到了 88.8%。同样的数据量，对比 RoboCasa365 基线还高了 37.3 个百分点。而且我觉得这里最值得看的，是相机变化、传感器噪声、场景布局这些扰动加进来以后，提升依然很明显。机器人真到了现实里干活，碰到的基本全是这些乱七八糟的变化。/再看一个更实际的数据。Axis 的 Franka Dataset 家族，在 Hugging Face 下载量已经超过 16 万，目前也是平台上下载最多的开源 Franka 操作仿真数据集。这个比单纯说一句“我们有很多机器人数据”有说服力多了。数据有人下，有人拿去用，论文和代码也都公开。包括核心成员参与的 RoboVerse，也在继续解决不同仿真环境之间的数据复用问题。MuJoCo、Isaac Sim 这些环境以前各玩各的，现在通过 MetaSim 往统一接口和数据格式上靠，同一批数据以后能不能跨环境继续用，这个价值其实挺大的。另外两个公开基准也值得看。AXIS-Bench 在研究什么样的演示数据，才真的对 VLA 训练有用。TUCO 更直接，从大量仿真轨迹里挑真正值得留下的数据。最后只用了 10 条真实演示，加上精选出来的 600 条仿真数据，真实任务平均成功率就做到了 85.8%。所以机器人数据这东西，后面可能真不是越多越好。收多少是一回事，哪些值得留下，又是另外一回事。/Axis 年底前还准备继续推 Dataset v2，把社区贡献的 HG DAgger 数据继续往上放大。这个循环如果真能跑起来就挺有意思了。人贡献操作，模型拿去学。模型哪里老出错，下一批数据就重点补哪里，再把新的数据继续喂回去。Physical AI 现在这么热，几十亿美元已经开始往模型、仿真和机器人基础设施里砸。最后真正值钱的，可能就是谁能把人类的操作持续变成模型真正吃得下、而且有用的数据。Axis 现在就在赌这件事。@KaitoAI @axisrobotics