Axis × Booster：一次遥操作变千次训练，仿真驱动的 Physical AI 数据闭环成型

2026 年 8 月 6 日，与仿人机器人公司 Booster Robotics 达成商业合作。合作的核心机制是：用仿真技术，把真实机器人遥操作中采集到的有限演示数据，倍增为覆盖多任务、多场景的大规模训练数据集。

Axis 的仿真管线以每次真实遥操作为种子，通过域随机化生成数千个变体——不同的物体布局、光照条件、材质纹理、物理参数。这些变体被直接输入模仿学习和 VLA 模型的训练流程，最终部署到 Booster 的仿人机器人硬件上进行验证。

Axis 缺硬件验证，Booster 缺训练数据

Axis Robotics 2025 年成立，业务模式是：任何人打开浏览器就能操控仿真机器人，产生的操作轨迹自动变成训练数据。公司 2026 年 7 月，参投方包括 Nomad Capital、Pi Core Team Ventures 和 10K Ventures。——3 万多名用户贡献了超过 18 万条操作轨迹。其中一次名为"小王子玫瑰"的社区活动在三天内收集了超过 1 万条高质量轨迹，最终在真实的 Franka 机械臂上实现了零样本 sim-to-real 迁移，完成了自主浇花任务。

Booster Robotics 2023 年成立于北京，，核心团队来自清华机器人控制实验室和清华 Hephaestus RoboCup 战队。公司先后完成了 Pre-A 轮数千万美元融资和 A 轮融资（深创投领投），2025 年 7 月又完成了 A+ 轮融资（北京机器人产业发展投资基金和北京人工智能产业投资基金领投）。Booster 的产品线包括 T1 仿人机器人（定价约 34,000 美元）和入门级开发平台 K1（约 13,000 美元），在 RoboCup 2024 和 2025 的多项赛事中包揽冠亚军。

Axis 拥有规模化生成仿真训练数据的能力，但仿真数据最终需由真实硬件验证。Axis 已公布的 sim-to-real 验证均在 Franka 桌面机械臂上完成。Booster 拥有经过 RoboCup 反复摔打验证的仿人机器人硬件和开放的开发者工具链，而仿人机器人的策略训练对数据规模和多任务覆盖的要求远高于桌面操作——Axis 的仿真倍增能力正好可以填补这个缺口。

用 Axis 官方的话说，这次合作的核心是：以真实遥操作演示为种子，通过仿真管线生成覆盖不同任务、场景、视觉和物理条件的大规模训练集。

双方口径里反复出现的词：infrastructure

Axis 在公告中使用了"simulation‑powered data infrastructure for Physical AI"来描述合作的定位。则强调与 Axis 的"云端仿真和数据基础设施"结合后，"正在构建一个更完整的 Physical AI 解决方案——连接仿真、模型训练和真实世界部署"。

双方的目标是一条从仿真数据生成、模型训练到真实硬件部署的闭环管线。Axis 提供仿真倍增能力和云端数据处理，Booster 提供真实硬件验证和开发者工具，构成一个可重复运转的数据基础设施。

Axis 公告写明，合作将支持"sim-real co-training"和"foundation-model development"，加速从硬件迭代到可部署机器人策略的过渡。

Sim-to-real gap 是最大考验

合作公告在 X 上获得了超过 500 次点赞和 70 次引用转发，但不少评论在兴奋之外同时点出了同一个风险。

越南社区分析师在一篇长分析中写道："Sim-to-real gap 仍然是难题。仿真永远比现实理想化。如果模型在仿真中训练得很好，但在真实机器人上表现不行——这个合作会迅速失败。"他同时指出，只有当 Axis 和 Booster 公布具体的性能指标和 sim-to-real 迁移成功率数据时，外界才能判断这次合作的真实价值。

评论道："真实机器人演示昂贵且难以扩展。仿真可以倍增其价值——但真正的机会在于让真实数据、仿真和部署之间的循环持续运转。"

博主将合作逻辑拆解为：Axis 将在仿真中收集的大规模运动和操作数据传给 Booster 的硬件，Booster 则在真实世界中测试 Axis 的模型。"机器人世界最大的瓶颈不是硬件，而是数据。"

的判断更克制："上升空间明确——但仿真多样性只有在迁移鸿沟和真实世界验证都过关时才有用。"

数据瓶颈的解法，正在从采集转向倍增

机器人行业的数据瓶颈，解法正在从"采更多数据"转向"把已有数据用得更充分"。

传统的机器人数据采集依赖遥操作设备。，操作员需要 50 到 100 小时的培训，受限于物理设备和环境。Axis 的方案是浏览器成本为零，覆盖 12 个物体类别并可无限生成新场景，18,000 名贡献者在 5 天内就能收集 10 万条轨迹。

Open X-Embodiment 项目的研究已经表明，在多具身数据上进行多样化训练，成功率比单平台训练提高 50% 到 200%。

Axis 在今年 3 月的新闻稿中已经将 Booster Robotics、Lotus Robotics、Zeroth 和 Manycore Technology 列为产业合作伙伴。（arXiv:2607.21588）展示了 207 项任务、超过 5 万条轨迹的数据集：在 AXIS 数据上继续预训练 π₀.₅ 模型后，整体成功率提升了 5.8%，比在 RoboCasa365 上预训练的模型高出 37.3%。论文同时指出，在布局变换、传感器噪声和相机扰动下，性能增益最大。这些实验均在桌面操作域内完成。从桌面到全身仿人平台的跨越，数据还没有给出答案。

闭环成不成，看真实机器人跑不跑得通

这次合作的关键问题在于 sim-to-real 迁移在仿人机器人这个更高维度的平台上能否复现。

此前 Axis 在 Franka 桌面机械臂上跑通了零样本 sim-to-real 迁移。但仿人机器人涉及 27 个以上的自由度，仅手部就需要 19-23 个自由度，需要处理双手操作、工具使用、负载移动、精细灵巧操作和社交交互等完全不同的任务分布。将桌面操作的仿真数据策略直接迁移到全身仿人平台，中间隔着运动学差异、接触动力学建模精度和全身协调控制等数道技术鸿沟。

提供了一个参照坐标："当前的最佳实践是在仿真中训练机器人，然后将技能迁移到真实机器上。"两家公司在一个已经存在的共识上合作。

Axis × Booster 的合作表明 Physical AI 的数据基础设施不会由单一公司从头建到尾。它更可能是一条拼起来的链条：仿真引擎、硬件平台、开发者工具和部署场景各自专精，通过合作接口组成闭环。这条链在实际的物理世界中每一环能否接住，取决于两家公司接下来公布的 sim-to-real 迁移指标。