推文

@XChatScout · 2026-10-12 01:59

其实机器人最难的，这可能不是“会不会做”，而是“什么时候接着做” 很多人看机器人演示，会有一种错觉： 机械臂已经能抓杯子、搬盒子、叠方块，感觉离“真正能干活”已经不远了。 但现实往往不是这样。 一个动作做成了，不代表整件事就能做成。 机器人能把杯子拿起来，不等于它知道接下来该放哪； 能把物体放到盘子上，也不等于下一个动作还能顺着继续做。 机器人真正难的地方，不是某一个动作，而是动作和动作之间怎么接上。 这也是我最近看 @axisrobotics 一些研究后，觉得比较值得注意的点。 很多机器人系统的问题，不是完全不会做，而是做完第一步之后，状态已经变了： 夹爪角度变了，物体位置偏了，机械臂停的位置和预设不一样了。 如果下一个策略只能在“标准起手式”下工作，那流程就会直接断掉。 所以机器人行业一个很现实的问题是： 单项任务的高成功率，和真实世界里连续完成任务，完全不是一回事。 Axis 做得比较有意思的一点，在于它不是只展示“这个动作能不能成功”，而是在尝试把这些能力拆成一个个可复用的部分，再去看它们能不能继续衔接。 这件事听起来不花哨，但其实很关键。 因为机器人如果每学一个新任务，都要从头重新调、重新训，那很难真正规模化。 只有当“抓取”“移动”“放置”这些能力可以反复复用，后面的复杂任务才可能越来越便宜。 这也是为什么，单看某个演示视频，其实不太够。 更值得追问的是： 这个能力能不能接到下一个能力上？ 换一个位置、换一个物体、换一个起点之后，还能不能继续做？ Axis 之前公开过一组很有代表性的结果： 他们不是简单把所有人工演示都塞进训练里，而是继续验证，哪些纠错动作真的改变了结果。 最后留下来的有效片段，比原始收集的数据少很多，但模型表现反而更好。 这件事说明，机器人训练不是“喂得越多越好”。 真正有价值的，是那些能补上模型缺口的数据。 换句话说，机器人要的不是更多重复动作，而是更知道自己哪里容易失败。 这点我觉得特别重要。 因为 Physical AI 未来比拼的，可能不只是硬件，也不只是模型参数。 谁更快发现机器人会在哪一步掉链子，谁就更有机会把系统做得稳定。 从这个角度看，Axis Robotics 比较值得继续追踪的，不只是它积累了多少轨迹、做了多少任务，而是它有没有建立一种能力： 把机器人的失败，持续转化成下一轮训练真正有用的经验。 如果这件事能跑通，机器人的成长路径就会很不一样。 不是每次遇到新任务都从零开始， 而是前面学会的东西，真的能留得下来、接得上、用得出去。 机器人会抓杯子，当然已经不错了。 但机器人抓完杯子之后，知道下一步怎么办，才更接近真实世界。

曝光 487 · 评论 81 · 点赞 59 · 书签 2 · 曝光/时 44.391268138799