Sebuah robot dapat memiliki model yang kuat namun tetap kesulitan menyelesaikan tugas sederhana. Bagian yang hilang seringkali adalah pengalaman. Data robot dunia nyata mahal untuk dikumpulkan. Setiap tugas baru bisa berarti lebih banyak teleoperasi, lebih banyak uji coba fisik, lebih banyak teknik, dan lebih banyak waktu. Di sinilah @axisrobotics mengambil pendekatan yang menarik. Alih-alih mengandalkan sepenuhnya pada demonstrasi fisik, Axis menghubungkan digital twin, simulasi, dan data robot nyata menjadi satu loop pembelajaran yang berkelanjutan. Ruang kerja nyata dapat direkonstruksi sebagai digital twin. Lingkungan tersebut kemudian dapat diversifikasi melalui objek, sudut kamera, pencahayaan, dan berbagai kondisi adegan. Simulasi menciptakan lebih banyak pengalaman yang selaras dengan tugas. Demonstrasi nyata mendasarkan pengalaman tersebut pada realitas fisik. Kemudian kegagalan menjadi target baru untuk siklus pengumpulan data berikutnya. Hasil Booster membuat ide ini jauh lebih nyata. Dengan hanya 10 demonstrasi nyata untuk tugas casing earbud, robot mencapai target dalam 0/20 percobaan. Setelah menambahkan 50 trajektori simulasi Axis: 17/20 percobaan mencapai target. Axis juga menyaring 42.046 episode simulasi dari 95 repositori, mencakup lebih dari 3,2 juta frame, dan menggabungkannya dengan data Booster nyata untuk membangun model dasar khusus Booster. Perubahan yang terjadi menarik: 17,27 cm → 5,78 cm Jarak rata-rata pergelangan tangan ke target 43,9% → 88,2% Gerakan dari lengan yang diinstruksikan ~95% pengurangan Gerakan lengan non-target Dan dengan hanya 30 demonstrasi per tugas: 6/16 → 14/16 Eksekusi tugas terurut Pembelajaran saya sederhana. Bagian yang menarik bukan hanya bahwa Axis dapat menghasilkan lebih banyak data robot. Tetapi bahwa sistem ini dirancang agar data bersifat majemuk. Kegagalan menciptakan target pengumpulan baru. Tugas baru meningkatkan prior embodiment. Prior yang diperbaiki membantu tugas berikutnya. Kemudian siklus berulang. Tangkap → Simulasikan → Latih → Deploy → Pelajari → Ulangi. Untuk Physical AI, loop pembelajaran semacam ini bisa sama pentingnya dengan model itu sendiri. Itulah bagian dari Axis yang saya pantau dengan saksama.