我越深入反思機器人數據，就越相信單純累積更多數據並不一定就是解決方案。 真正的問題在於，我們是否正在收集正確的數據。 這正是讓我關注 @axisrobotics 方向的原因。 機器人模型持續進步並變得更好，但與其相關的資訊卻可能保持不變。 這就產生了一個問題： 某些行為對模型來說可能已經很簡單，因此再收集更多此類數據幾乎沒有幫助。 同時，那些模型仍持續掙扎的罕見案例，反而可能更重要。 Axis 正重新構想工作流程，不再採用先收集數據再訓練的傳統模式，而是追求另一種循環： 收集 訓練 評估 調整數據 再次訓練 模型成為數據引擎的一部分 它的失敗能告訴我們缺少什麼 它的表現能幫助我們識別哪些現有數據仍然有用 而人類的修正則能在模型掙扎之處提供新的訓練訊號 我對這個概念感到真正興奮，因為它將焦點從單純擴大數據集規模，轉向更智能地組織與分配數據的方式。 更多的數據並不自動意味著更好的學習效果。 有時，最珍貴的資訊正來自那極小部分的數據，它能幫助模型學會尚未完全掌握的內容。 這正是讓我對物理 AI 感到極度有趣的所在。 模型不再只是從數據中學習 它讓我們能預測下一個會出現的資訊。