##robotics Thông tin chuyên sâu về cộng đồng và Tâm lý thị trường

Tôi đã nghiên cứu lại @axisrobotics, và ngược lại càng cảm thấy

Điều đáng chú ý thực sự của Axis không phải là họ đã có bao nhiêu dữ liệu robot

Mà là họ đang biến những dữ liệu đó thành một hệ thống có khả năng tự tăng cường bền vững

Tháng 8, robotic data engine của Axis đã vượt ngưỡng 3M trajectories
Phía sau đã có 123K+ contributors

Nhưng nếu chỉ đơn thuần là dữ liệu ngày càng nhiều
Thì chuyện này thật ra không hẳn “sexy” lắm

Điều khiến tôi bắt đầu nhìn lại Axis
là một chuỗi các động thái gần đây:
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto

Chúng thực chất đều hướng tới cùng một việc
Làm cho Data Loop của Physical AI chạy thật sự
Khó nhất trong huấn luyện robot
từ trước tới nay không chỉ là thiếu dữ liệu
mà là
làm sao biết nên thu thập batch dữ liệu tiếp theo

Quy trình truyền thống giống như
Task → Data → Model
Huấn luyện xong triển khai
Khi mô hình gặp vấn đề thì quay lại thu thập dữ liệu

Axis V2 bắt đầu thay đổi quá trình đó
Mô hình trước tiên thực hiện nhiệm vụ
Mô hình bộc lộ weakness
Con người ở các nút then chốt thực hiện correction
Correction Data quay lại quy trình huấn luyện
Mô hình tiếp tục mạnh lên
Rồi lại bộc lộ weakness mới

Vì thế nó trở thành
Model → Failure → Correction → Data → Better Model
Đó cũng là điểm thú vị thực sự của Human-Gated DAgger
Nó không phải là bảo con người lặp đi lặp lại những hành động mà mô hình đã biết làm
Mà là để con người can thiệp khi mô hình thực sự “không biết phải làm sao”

Nói cách khác
Không phải là thu thập thêm đáp án đúng
mà là thu thập chính xác
vì sao mô hình lại sai

Tôi nghĩ đây có thể là một sự chuyển đổi giá trị rất quan trọng trong dữ liệu robot

Bởi vì những gì mô hình đã làm được rồi
Nếu thêm 10.000 lần demonstration nữa
giá trị biên có thể sẽ ngày càng thấp
Nhưng những chỗ mô hình liên tục thất bại
lại thường chính là nơi cần nhất dữ liệu cho vòng huấn luyện tiếp theo

Vì vậy, Compounding Data Engine mà Axis nói tới
theo cách tôi hiểu không chỉ là làm cho Dataset ngày càng lớn
mà là
mỗi vòng huấn luyện đều giúp việc thu thập dữ liệu cho vòng sau trở nên chính xác hơn
Đó cũng là lý do tôi thấy sự hợp tác gần đây giữa Axis và OpenRoboto đặc biệt đáng chú ý

Axis sẽ cung cấp 3M+ multimodal trajectories
đưa vào Open Data Pool của OpenRoboto
Đồng thời thông qua Data-to-Model Pipeline hỗ trợ đánh giá mô hình và benchmark
Điều này mở rộng vòng khép kín thêm một bước thành
Data → Training → Benchmark → Evaluation → Better Data

Trước đây tôi thường hiểu Axis là
Robot Data Platform
Nhưng giờ tôi nghiêng nhiều hơn về việc xem Axis như
Data Infrastructure của Physical AI

Vì phần cứng sẽ thay đổi
mô hình sẽ thay đổi
VLA sẽ thay đổi
Nhưng robot thì mãi mãi cần lấy Experience mới từ thế giới thực
Vì vậy thứ đáng theo dõi thực sự
không phải là Axis lần sau sẽ đạt bao nhiêu trajectories
mà là
khi những dữ liệu này bắt đầu được nhiều mô hình, nhiều robot và nhiều benchmark sử dụng
liệu Data Flywheel có thực sự tạo ra Compounding Effect hay không

Nếu vòng lặp này chạy thông suốt
thì “hào lũy” của Axis có thể không phải là việc chúng ta sở hữu bao nhiêu dữ liệu
mà là liệu chúng ta có thể liên tục tạo ra batch dữ liệu mới có giá trị hơn hay không
Đó chính là điều thú vị nhất mà tôi đang thấy ở Axis hiện tại

#PhysicalAI #Robotics @KaitoAI #Axis #kaito

robotics

Chủ đề thịnh hành