最近看 @axisrobotics 和路特斯的合作,感觸最深的就是他們對資料處理的態度。在汽車廠做分揀,要搞定 500 到 800 種零件,這活兒聽起來枯燥,其實全是技術債。
傳統的自動化是「死記硬背」,換個零件就得重新編程。
Axis 的做法是靠一套模擬策略去涵蓋這一大批零件。這種泛化能力在工業場景裡非常有說服力。但我得潑盆冷水,涵蓋的工件多不代表能做的工種多。這套模型目前在分揀任務上表現亮眼,但像裝配這種更複雜的工作,還得看後續的演進。
我參與社群任務這段時間,發現 Axis 挺在乎資料的「可用性」。他們給不同團隊準備了不同的「套餐」:有的團隊缺軌跡,他們就提供軌跡;有的團隊連任務環境都沒搭好,他們就送任務包。這種把研發門檻往下拉的做法,確實能吸引不少 VLA 和 World Model 團隊進來合作。
對於
$AXIS,看到這種實實在在的工業落地進展,等待 TGE 的心情也平復不少。畢竟能在路特斯和吉利的產線上跑通,說明這套 Axis Suite 已經走出實驗室。
接下來的考驗是真實環境裡的穩定性,比如感測器蒙上灰塵怎麼辦,硬體老化了要怎麼自我校準。Physical AI 要想從螢幕裡走進現實,最後比拼的都是這些瑣碎的細節。看著這套方案慢慢滲入工廠,我們也算是在為未來的自動化工業添磚加瓦了。