一个机器人看到一段 demonstration 时，它并不知道我们为什么把相机放在那里，也不知道为什么这个物体要这样摆。 它只是在从这些数据里寻找规律。 而这恰恰是机器人数据最容易被低估的地方。 同一个任务，换一个相机角度、换一种光照、换一种物体摆放方式，模型看到的“线索”就可能完全不同。 比如让机器人把一个物体放进容器，模型到底应该根据什么判断什么时候闭合夹爪？ 是目标的位置、夹爪的视觉状态，还是机械臂运动到某个高度？ 如果训练数据里的答案并不稳定，模型学到的可能不是任务本身，而只是某个特定环境下的相关性。 这也是为什么机器人数据和普通的视频数据完全不同。 我们记录的并不只是一次成功的动作，而是在给模型提供一套关于“这个世界应该如何被理解”的经验。 所以真正困难的事情，也不是把 episode 数量堆上去。 你需要让数据足够多样，让模型遇到不同的物体、场景和操作方式；同时又要控制这种变化，让它不会把无意义的噪声一起学进去。 这也是 PrismaX 这次开放 Robotics Data 后，我觉得比较值得关注的一点。 他们不只是建立一个数据 catalog，而是在尝试把 collection、review、training 和 evaluation 放进同一个反馈循环里。 自己收集的数据拿去训练，训练过程中出现的问题再反过来影响下一轮数据采集。 例如相机位置发生变化，可能就会影响模型完成放置任务的精度。 这种反馈很重要，因为有些数据到底好不好，单看一段 recording 根本无法完全判断。 最终还是要看模型从里面学到了什么。 所以我现在越来越觉得，Physical AI 的数据问题其实不是一个简单的“数量问题”。 真正困难的是建立一种能力： 知道什么经验值得记录，知道什么变化值得加入，也知道哪些数据虽然看起来成功，却可能让模型学到错误的规律。 Robotics Data 真正开始变得有价值的地方，也许就在这里。 它不是简单把更多机器人数据放到一起，而是让数据生产、验证和训练之间开始形成反馈。 数据被收集出来，经过验证，再进入模型；模型暴露出来的问题，又反过来告诉我们下一批数据应该怎么收集。 当这个循环不断发生，机器人真正积累的就不只是更多 demonstrations，而是一套越来越接近真实任务的经验。 @PrismaXai @Hz9r8nxlJason @vivianrobotics @MaxC16134

最近看到 @PrismaXai 的 Office Hours recap，有一个变化其实比单纯的产品更新更值得注意： Robotics Data 开始正式进入公开可用的阶段。 目前已经有超过 120,000 个 episodes，覆盖 teleoperation 和 egocentric sessions，而且这些数据都按照统一标准经过审核，并且还在持续增长。

过去几年，AI Safety 更多讨论的是大语言模型。 但当 AI 从数字世界进入物理世界，安全问题会发生根本变化。 一个 LLM 输出错误答案，通常可以重新生成。 但一个机器人执行错误动作，影响的是现实环境。 一个错误的位置判断，可能导致机械臂撞击物体；一次错误的动作规划，可能直接造成真实世界的损害。 机器人没有“重新生成现实”的机会。 这也是为什么 Physical AI 的安全问题，不能只关注模型部署之后的控制，而需要从训练数据阶段开始考虑。 因为机器人今天学习的每一个动作，都可能成为未来模型能力的一部分。 这带来了一个关键问题： 什么样的数据，应该进入机器人的训练集？ 对于 Physical AI 来说，数据不仅决定机器人学会什么，也决定机器人未来会如何行动。 错误的操作、不稳定的轨迹、危险的行为模式，如果被纳入训练过程，最终可能影响模型在真实环境中的表现。 所以 Validator 的价值并不只是判断： “机器人有没有完成任务？” 更重要的是判断： “这个行为是否值得机器人学习？” 这也是为什么数据验证会成为机器人基础设施中的重要环节。 未来 Physical AI 的安全，不只是模型能力的问题。 它会同时依赖： 更好的数据采集， 更严格的数据筛选， 更可靠的验证标准， 以及更完善的部署机制。 机器人进入现实世界后，最大的挑战不只是让它们变得更聪明。 而是确保它们学习的是正确的经验。 因为在物理世界里： 数据里的每一个选择，都可能影响机器人未来的一次行动。 @PrismaXai @Hz9r8nxlJason @vivianrobotics @MaxC16134

Just applied for the Zeckers whitelist. 3333 pixel kings on the ZEC blockchain. Passive income NFTs powered by $ZEC. @ZeckersNFT

ZEC hides sender, receiver, amount. zkghosts hide the face. Sealed my ghostlist note. @zkghosts_ zkghosts.com/ghostlist/

10k ghosts. Zero faces. Proven on-chain. Identity off. @zkghosts_ nitter.cf/zkghosts_/status/21008…

Registered for the free Z-Pass mint at @rankzdotfun. My code: RZ-QC3X Use my link and we both get a ticket: whitelist.rankz.fun/w/RZ-QC3…

i’ve been [ ZDACTED ]. yours is still ████████. @zdacted zdacted.xyz/r/ZD-GJFUZAKKKCZ…

Applied for the ZADDR whitelist. Ticket ZA-H7TE7T. 2,800 shielded faces on Zcash. @zaddrnet zaddr.net

Applied. If you're on Zcash you already know why. The art is the only thing on chain. nitter.cf/zaddrnet/status/210094…

generational wealth - @CatalystMkts_ catalyst.markets/generationa…

机器人数据为什么需要共识 如果一条机器人数据好不好，只由一个人来判断，会发生什么？ 不同的人可能会给出完全不同的答案。 有人觉得动作很流畅，有人可能觉得调整太多；有人认为任务已经完成，有人却会注意到最后的状态并不理想。 这其实是机器人数据规模化过程中一个很现实的问题： 质量不能只靠感觉，还需要形成可以被重复验证的标准。 这也是我觉得 @PrismaXai 的 Validator 机制比较有意思的地方。 一个 episode 并不是交给一个人看完、打个分就结束。 多个 Validator 会独立进行判断，最终形成一个共识结果。如果不同评审之间出现明显分歧，还会进入更进一步的专家审核。 这样做的意义并不只是“多找几个人打分”。 更重要的是，它在逐渐建立一种机器人数据的质量基准。 什么样的画面算清晰？ 什么样的动作算流畅？ 任务完成到什么程度才算合格？ 出现多少次不必要的调整，会影响数据质量？ 这些问题如果没有统一标准，机器人数据越多，噪音可能反而越多。 所以我越来越觉得，Physical AI 真正需要建立的不只是数据采集能力。 还需要一套能够持续判断、校准和筛选数据的机制。 采集解决的是“有没有数据”，Validator 解决的是“这些数据到底能不能用”。 当机器人数量越来越多、任务越来越复杂，后面真正重要的可能不是谁能收集最多小时的数据，而是谁能持续生产一套被验证、被筛选、可以放心拿去训练模型的数据。 这可能才是机器人数据基础设施真正的价值所在。 @PrismaXai @Hz9r8nxlJason @vivianrobotics @MaxC16134

最近 @PrismaXai 分享的 Validator Watch，我觉得里面有一个细节特别值得注意。 机器人完成任务，并不等于这是一条好的训练数据。 比如在一个 plate stacking 任务里，机器人每放下一个物体，环境其实都在发生变化。 到了第三、第四个物体时，机器人面对的已经不是最开始的场景。可用空间、抓取位置、物体朝向，甚至下一步的运动路径，都会受到前面动作的影响。 所以，一个任务不能简单地用“成功”或者“失败”来判断。 真正重要的问题是： 这整个执行过程，是否值得模型学习？ 这也是 Operator 和 Validator 最大的区别。 Operator 更关注的是：机器人有没有完成任务？ 而 Validator 关注的是：它是怎么完成的？ 动作是否流畅？ 画面是否清晰、同步？ 有没有反复调整和犹豫？ 最终状态是否符合要求？ 这条数据和其他样本相比，是否有真正的训练价值？ 这些看起来只是一些细节，但最终决定了一条机器人数据是在帮助模型学习，还是把不好的行为一起教给模型。 PrismaX 对 Validator 的设计也很有意思。 它并不是单纯追求“打得快”，而是强调 attention 比 speed 更重要。每个 episode 都需要真正看完、理解整个过程，而不是快速拖动时间轴。 而且评分也不是“给高分就更好”，和共识结果匹配才真正重要。 这意味着 Validator 本质上不是一个简单的打分员。 它更像是机器人训练数据进入模型之前的一道质量过滤层。 未来机器人行业真正稀缺的，可能不是更多小时的视频，而是更多经过判断、筛选，并且真正值得模型学习的行为数据。 机器人完成任务，只是第一步。 真正重要的是：它完成任务的方式，是否值得模型学习。 @PrismaXai @Hz9r8nxlJason @vivianrobotics @MaxC16134

最近关注 @PrismaXai 的一个变化，我觉得比单纯发布新功能更重要。 过去大家讨论 Physical AI，更多关注： 机器人在哪里？ 模型够不够强？ 数据从哪里来？ 但现在一个更实际的问题正在出现： 这些数据，是否已经达到机器人公司愿意付费训练模型的标准？ PrismaX 最近的 Office Hours 分享了一个重要进展： 7 月和 8 月，他们重点完成了基础设施的端到端整合。 Collection、Verify Quality、Validator Network 现在已经作为一个完整系统运行。 这意味着 PrismaX 正在从“收集机器人数据”，走向“生产可用于训练的数据”。 而其中最重要的一点是： 数据价值不应该由数量决定。 更多小时数，并不一定意味着更好的训练结果。 真正重要的是： 数据是否经过验证， 是否具有一致性， 是否能够帮助模型学习更好的机器人行为。 PrismaX 对 Validator Network 的设计也体现了这一点： Accuracy 第一，Consistency 第二，Volume 第三。 系统奖励的是判断质量，而不是单纯完成数量。 同时，数据质量提升也依赖于生态规模。 更多机器人意味着： 更多 embodiment 更多任务类型 更多真实场景 更多参与者意味着： 更多 Operator 更多 Reviewer 更强的数据验证能力 两者共同增长，才能让机器人数据持续变得更有价值。 我觉得这是 Physical AI 很关键的一步： 从“有没有数据”，进入到“有没有企业愿意为这些数据付费”。 因为最终决定机器人行业规模化的，不只是能不能产生数据。 而是能不能持续生产：机器人真正需要学习的数据。 @PrismaXai @Hz9r8nxlJason @vivianrobotics @MaxC16134

过去几年，机器人行业一直在等待一个时刻： 机器人什么时候才能真正摆脱人类，实现完全自主？ 但我越来越觉得，这个问题可能忽略了一件重要的事：自主能力不是被设计出来的，而是被训练出来的。 大模型之所以能够理解语言，并不是因为工程师提前写好了所有规则，而是因为模型从大量数据中学习到了规律。 机器人也是一样。 想让机器人在现实世界中完成复杂任务，它首先需要大量真实环境中的交互经验。 这也是为什么 Teleoperation 在 Physical AI 里变得越来越重要。 很多人认为 Teleoperation 只是机器人还不够成熟时的临时方案。 但实际上，它可能是机器人走向自主的重要训练阶段。 通过人类操作机器人完成真实任务，系统可以记录机器人看到什么、如何运动、如何调整动作，以及任务最终是否完成。 这些真实世界经验随后可以进入模型训练，帮助机器人逐渐减少对人类的依赖。 @PrismaXai 一直强调的 Data-Model-Teleop Flywheel，本质上就是这样的循环： 机器人执行任务 → 产生真实数据 → 数据优化模型 → 更强模型推动更多任务。 随着模型能力不断提升，人类介入程度会逐渐降低。 但在当前阶段，人类经验依然是帮助机器人理解物理世界的重要来源。 Teleoperation 提供的并不是一个长期人工控制方案。 它更像是机器人学习真实世界的一种方式。 因为每一次人工介入，都可能成为下一代模型训练中的一次经验积累。 所以未来真正值得关注的问题可能不是： 机器人什么时候完全摆脱人类？ 而是： 谁能够最高效地把人类经验转化为机器人的能力。 这可能会成为 Physical AI 从实验室走向规模化过程中，非常关键的一步。 @PrismaXai @Hz9r8nxlJason @vivianrobotics @MaxC16134