一個機器人即使擁有強大的模型，仍可能在簡單任務上遇到困難，而缺失的關鍵往往在於經驗。 現實世界中的機器人數據收集成本高昂，每項新任務都意味著更多的遙控操作、更多的實體試驗、更多的工程投入和更長的時間。 這正是 @axisrobotics 採取獨特方法之處。 Axis 並非完全依賴實體示範，而是將數位雙生、模擬與真實機器人數據整合成一個持續的學習迴圈。 真實的工作空間可被重建為數位雙生。 該環境隨後可針對物件、攝影機視角、照明與不同場景條件進行多樣化。 模擬產生更多與任務對齊的經驗。 真實示範則將這些經驗紮根於物理現實。 失敗則成為下一輪數據收集的新目標。 Booster 的結果讓這個想法變得更具體。 僅以 10 個真實示範完成耳機盒任務時，機器人在 20 次試驗中 0 次達成目標。 在加入 50 條 Axis 模擬軌跡後： 17/20 次試驗達成目標。 Axis 還從 95 個倉庫中篩選了 42,046 個模擬片段，涵蓋超過 320 萬幀，並與真實的 Booster 數據結合，構建了一個專為 Booster 設計的基礎模型。 變化顯著： 17.27 公分 → 5.78 公分 手腕到目標的平均距離 43.9% → 88.2% 由指定手臂執行的動作 約 95% 減少 非目標手臂的移動 僅以每項任務 30 個示範： 6/16 → 14/16 有序任務執行 我的體會很簡單： 有趣之處不僅在於 Axis 能生成更多機器人數據，而在於其系統設計使數據產生複合效應。 失敗創造新的數據收集目標。 新任務提升具身先驗知識。 改進後的先驗知識有助於下一個任務。 然後循環重複。 捕捉 → 模擬 → 訓練 → 部署 → 學習 → 重複。 對於物理 AI 而言，這種學習迴圈可能與模型本身同等重要。 這正是我密切關注的 Axis 部分。