数据

传统仿真数据采集虽然避开了硬件成本，却往往要求参与者配置本地仿真环境和计算资源。

这就是AXIS的数据采集入口。

生成的任务随后被部署到基于MuJoCo-WASM的网页端，参与者无需安装完整仿真环境，也不需要拥有真实机器人，即可通过键盘、鼠标或手柄完成遥操作数据采集。

Axis将仿真任务生成、资产与场景部署、网页遥操作、社区数据采集、轨迹验证与清洗、IsaacSim渲染增强，以及数据集的持续维护与版本化发布整合为一套实际运行的基础设施。

下一阶段，团队计划扩展更多机器人本体、传感器模态和长时序任务，并进一步让模型失败反向决定任务生成和数据采集方向，使数据引擎从「持续增长」走向「针对模型能力缺口定向增长」。

AXIS将自动任务生成、浏览器遥操作、数据清洗、仿真增强、模型训练和固定协议评测连接成一个完整闭环，使机器人数据从一次性发布的静态资产，转变为能够持续生长的数据引擎。

这说明AXIS的收益并不只是来自额外加入一批仿真数据，任务覆盖、人类演示多样性、数据处理和环境增强方式同样重要。

佐治亚理工、南洋理工、加州大学伯克利分校等学术合作团队则与Axis共同参与研究问题定义、模型训练、规模实验、结果分析和学术验证，通过统一的训练预算与LIBERO-Plus评测协议，检验每一轮数据增长能否真正转化为模型能力。

因此，AXIS不是「公司负责工程、学校负责研究」的简单分工，而是数据基础设施与严谨实验方法的结合：Axis主导数据引擎的thesis、系统建设和持续运营，学术合作团队提供互补的模型与评测专长，双方共同回答这些数据是否有效、为何有效，以及怎样的数据增长最有价值。

这也是AXIS背后的核心观点：机器人行业需要的不只是一个更大的静态数据集，而是一套能够持续生成、验证、扩展和评估数据的基础设施。

AXIS的目标并不是用仿真数据取代真实机器人数据，而是建立一条能够持续生成、处理、验证和评估机器人数据的基础设施。

AXIS选择网页众源仿真，并不是因为仿真能够完全替代真实机器人，而是因为它能够降低数据生产的边际成本：让更多人参与，让更多任务被快速部署，也让模型失败后所缺少的数据能够更快被补充。

随着AXIS数据量增加，性能呈现稳定增长：

本次发布验证的是这一更大闭环中的第一步：网页众源仿真数据经过系统化处理后能够带来可测量、并随数据规模增长的模型收益。

AxisRobotics与佐治亚理工、加州大学伯克利分校、南洋理工等高校团队通过超过5万条人类演示和一组规模实验，给出了一个肯定但更复杂的答案：众源仿真数据可以有效，但模型能否从数据规模中持续获益，取决于任务覆盖、行为多样性、质量控制和数据增强，而不只是轨迹数量。

众源数据如何转化为高质量训练数据？