Baovy06
Baovy06
• 在雷雨中守護，月出時收割果實。 • 位置決定一切。 • 波浪前的平靜，堅定地站在圖表前。
1,020關注中
1,063粉絲
動態
動態
這個世界……
人們因為不願說出口的話而漸行漸遠……
所以大家要勇敢跟Zy說話喔……Zy永遠在這裡等待並傾聽……
P/S 這酒好喝嗎大家 🤭🤭
@quipnetwork @NucleusCodes @sleepagotchi
Baovy06
機器人AI市場目前正以驚人的速度成長。
從以自我為中心的視頻數據集、動作捕捉系統、合成數據管線到基於抓取器的收集工具……感覺每週都有一家新的機器人數據公司成立。
但真正的問題是：
並非所有類型的數據都適合用來訓練機器人。
在收集大量數據之前，最重要的問題應該是：
“你到底在訓練機器人做什麼？”
PrismaX將物理AI分為兩大類別：
• 運動學模型 → 專注於低階機器人控制。
像是平衡、跳躍、行走、動作精準度等。
• 基礎模型 → 專注於完成現實世界任務。
像是洗碗、開門、拾取物品、與環境互動等。
而PrismaX主要專注於基礎模型——因為未來不僅需要會後空翻的機器人。
它需要能真正幫助人類日常生活的機器人。
我覺得有趣的是，PrismaX並不只是“銷售機器人數據”。
他們更深入探討：
• 哪種類型的數據適合每種模型
• 高品質機器人數據的真正含義
• 數據集中應該有哪些變化
• 以及為了更好收斂應保持哪些一致性
目前，機器人產業正在嘗試不同的數據收集方式：
• 遠程操作 → 人類遠端控制機器人
• 人體視頻 → 從人類執行任務的視頻中訓練
• 抓取器系統 → 人類使用被追蹤的抓取器工具
每種方法都有其優缺點。
但PrismaX認為遠程操作仍提供最高品質的數據，因為它更可控、更精確，且更易用於訓練基礎模型。
PrismaX文章給我最大的啟示是：
“機器人不僅是AI研究。
它同時也是一個現實世界的工程問題。”
沒有公司擁有無限的資金、無限的機器人或無限的時間來訓練模型。
這意味著數據集不僅需要龐大。
它們需要正確的結構、正確的分布和正確的品質，才能讓模型有效學習。
這正是為什麼PrismaX重點關注受控的高品質機器人數據集，而非單純追求規模。
機器人AI市場目前正以驚人的速度成長。
從以自我為中心的視頻數據集、動作捕捉系統、合成數據管線到基於抓取器的收集工具……感覺每週都有一家新的機器人數據公司成立。
但真正的問題是：
並非所有類型的數據都適合用來訓練機器人。
在收集大量數據之前，最重要的問題應該是：
“你到底在訓練機器人做什麼？”
PrismaX將物理AI分為兩大類別：
• 運動學模型 → 專注於低階機器人控制。
像是平衡、跳躍、行走、動作精準度等。
• 基礎模型 → 專注於完成現實世界任務。
像是洗碗、開門、拾取物品、與環境互動等。
而PrismaX主要專注於基礎模型——因為未來不僅需要會後空翻的機器人。
它需要能真正幫助人類日常生活的機器人。
我覺得有趣的是，PrismaX並不只是“銷售機器人數據”。
他們更深入探討：
• 哪種類型的數據適合每種模型
• 高品質機器人數據的真正含義
• 數據集中應該有哪些變化
• 以及為了更好收斂應保持哪些一致性
目前，機器人產業正在嘗試不同的數據收集方式：
• 遠程操作 → 人類遠端控制機器人
• 人體視頻 → 從人類執行任務的視頻中訓練
• 抓取器系統 → 人類使用被追蹤的抓取器工具
每種方法都有其優缺點。
但PrismaX認為遠程操作仍提供最高品質的數據，因為它更可控、更精確，且更易用於訓練基礎模型。
PrismaX文章給我最大的啟示是：
“機器人不僅是AI研究。
它同時也是一個現實世界的工程問題。”
沒有公司擁有無限的資金、無限的機器人或無限的時間來訓練模型。
這意味著數據集不僅需要龐大。
它們需要正確的結構、正確的分布和正確的品質，才能讓模型有效學習。
這正是為什麼PrismaX重點關注受控的高品質機器人數據集，而非單純追求規模。
如果你一直活躍於 @sleepagotchi 生態系統，現在是時候檢查你的資格了
該項目已正式在 Nucleus Codes 上推出創作者排行榜，為創作者和活躍社群成員提供高達 120,000 美元的 $SLEEP 獎勵池。
Sleepagotchi 有趣之處在於它不僅僅是另一款 web3 遊戲。團隊圍繞睡眠金融（sleep-fi）、遊戲化和 AI 健康打造，創造出一個獨特的生態系統，與典型的 GameFi 項目截然不同。
他們還籌集了數百萬資金，並持續推動社群活動，帶來強烈的參與度和穩定的用戶獎勵。
如果你曾完成任務、玩過他們的迷你遊戲，或在社交媒體上支持過該項目，現在就去檢查你的資格吧
立即加入：
本週，@axisrobotics 團隊持續改進他們機器人數據系統的多個重要部分，從自動任務生成和模擬環境，到故障恢復和物體數據增強。
但對 Zy 來說，讓一個項目真正走得遠的不僅是技術本身，還有社群的支持與貢獻。
而 Zy 在 Axis 待得越久，這種感覺就越真實。
以下是本週 Zy 特別關注的幾個更新：
• 任務生成系統已升級，能更好地理解可用物體、環境佈局以及不同機器人形態下的長期工作流程。
• 模擬基礎設施現在更加穩定，尤其是在執行長時間任務或同時處理多個物體時。
• 根據社群反饋，機器人控制得到了改進，特別是在抓取、機械臂運動和控制介面方面。
• 最有趣的是團隊如何利用失敗或接近失敗的機器人動作作為新的訓練數據。這幫助機器人學會如何從錯誤中恢復，而不僅僅是從成功嘗試中學習。
此外，Axis 也在與研究團隊合作開發物體級數據增強技術。系統能從單一物體生成多個逼真變體，以提升訓練質量。
Zy 已經體驗這個項目超過一週，坦白說過程相當愉快。有些任務有時仍會感覺有點延遲，但這也教會了耐心和堅持。
至於社群，真的沒有什麼可抱怨的。大家都很活躍、支持彼此，且總是樂於互助。
尤其是今天早上，Zy 和幾位社群成員加入 Discord，一起開了個小型卡拉 OK 😂 這純粹是為了好玩，但不知怎的，卻營造出非常溫暖且有連結感的氛圍。像這樣的時刻，才是真正賦予社群生命的。
希望我們大家能繼續保持這股正能量，互相支持，並一起走到 Axis 旅程的最後 ❤️
非常感謝大家。
Axis AI
Axis Weekly
本週，我們持續強化我們的封閉式機器人數據管線，從 TaskGen 和模擬基礎設施到故障恢復及資產層級的增強。
主要更新：
- 任務生成：我們完成了資產掃描並將其合併到 TaskGen 中，幫助生成的任務能夠推理可用資產、場景佈局、長期工作流程及多體現設定。
- 模擬基礎設施：我們改進了 MuJoCo 的驗證、重播及場景變體工作流程，修正了重複下載、快取、相容性及長期多資產任務穩定性相關問題。
- 機器人控制：根據長期及多資產任務的反饋，我們清理了夾爪行為、逆向運動學（IK）、遠端操作及控制面板。
故障恢復：我們持續建立一條管線，將失敗及接近失敗的抓取狀態轉化為可重用的數據，用於恢復學習。
- 資產增強：與學術合作夥伴一起，我們推進了一種形狀增強方向，能將一個種子資產擴展成多個物理上合理的物件變體。
深入了解本週的進展 🧵
