Dewa Kalcer

@liquidtrading

[Dewa Kalcer @KalcerCode]

Hello Everyone CT post about this ? $MOTION coded let's try out if you have allocation :

https://t.co/hP0kXGdc0H

•Login With X
•Create Post About
@motiontip
And Wait a minute
•Comment "
@tipmotion
10-3000" to the builder , creator or post you like
@motiontip

[KADAFER @KADAFERHIDUP]

Day 1
Teleoperate robots from ur browser & help train real world Physical.

https://t.co/fo2B4jV5NN
@axisrobotics @AxisRoboticsID

[KADAFER @KADAFERHIDUP]

𝐀𝐗𝐈𝐒 𝐑𝐎𝐁𝐎𝐓𝐈𝐂𝐒 𝐀𝐌𝐀

X Space AMA Axis Robotics bersama @chris_anm01, @axisrobotics & @Cryptowombat125 Pengumuman Resmi Terbaru Axis Robotics

𝟏. 𝐏𝐄𝐍𝐆𝐔𝐌𝐔𝐌𝐀𝐍 𝐑𝐄𝐒𝐌𝐈 𝐓𝐄𝐑𝐁𝐀𝐑𝐔 (𝐔𝐑𝐆𝐄𝐍𝐓)

𝐚. 𝐏𝐞𝐧𝐮𝐧𝐝𝐚𝐚𝐧 𝐒𝐧𝐚𝐩𝐬𝐡𝐨𝐭 𝐏𝐨𝐢𝐧 𝐀𝐗𝐈𝐒

Axis Robotics resmi mengumumkan bahwa perhitungan snapshot untuk Poin AXIS awal ditunda hingga Selasa, 28 Juli 2026, pukul 15:59:59 UTC. Seluruh kontributor wajib segera menandatangani tugas (sign tasks) sebelum batas waktu tersebut agar tidak kehilangan alokasi poin yang sudah dikumpulkan.

𝐛. 𝐏𝐞𝐧𝐝𝐚𝐧𝐚𝐚𝐧 𝐒𝐞𝐞𝐝 𝐑𝐨𝐮𝐧𝐝 $𝟏𝟐 𝐉𝐮𝐭𝐚 𝐔𝐒𝐃

Axis merayakan pencapaian pendanaan Seed Round sebesar $12 Juta USD, dipimpin oleh @hack_vc, dengan dukungan dari:
- @NomadCapital_io
- @PiCoreTeam
- @10kventure
- Beberapa angel investor

Alokasi dana ditujukan untuk mempercepat pengembangan Axis Compounding Data Engine, yaitu sistem terpadu yang menggabungkan:
1. Simulasi skala besar (large-scale simulation)
2. Penangkapan data dunia nyata secara egosentris (real-world egocentric data capture)
3. Pelatihan pasca-human-in-the-loop (post-training human-in-the-loop)

Tujuannya adalah mengatasi kelangkaan data terstruktur dalam pengembangan Physical AI.

𝐜. 𝐏𝐨𝐬𝐢𝐬𝐢 𝐝𝐢 𝐄𝐤𝐨𝐬𝐢𝐬𝐭𝐞𝐦 𝐁𝐚𝐬𝐞

Axis juga menegaskan posisinya sebagai salah satu builder utama dalam ekosistem Base di wilayah APAC, memperkuat kredibilitasnya sebagai proyek infrastruktur data untuk Physical AI berbasis blockchain.

𝟐. 𝐓𝐑𝐀𝐍𝐒𝐏𝐀𝐑𝐀𝐍𝐒𝐈 & 𝐒𝐈𝐒𝐓𝐄𝐌 𝐏𝐎𝐈𝐍

Seluruh rekam jejak tugas dan data kontributor disahkan secara on-chain untuk menjamin transparansi penuh kepada komunitas.

Sistem poin kontribusi dihitung berdasarkan 4 pilar utama:

1. Kuantitas : Jumlah tugas yang diselesaikan
2. Kualitas : Akurasi dan kelayakan data yang dihasilkan
3. Keberagaman Domain : Variasi jenis tugas/robot yang dikerjakan
4. Konsistensi Jangka Panjang : Keaktifan berkelanjutan, bukan sesaat

𝐏𝐫𝐨𝐠𝐫𝐚𝐦 𝐕𝐚𝐥𝐢𝐝𝐚𝐭𝐨𝐫

Axis juga meluncurkan Program Validator, di mana kontributor senior berpengalaman akan diseleksi untuk:
- Mengevaluasi kualitas data komunitas
- Menjaga integritas pelatihan model AI
- Mendapatkan tanggung jawab dan keterlibatan lebih tinggi dalam ekosistem

3. PENJELASAN @chris_anm01 (CORE CONTRIBUTOR)

𝐀. 𝐀𝐩𝐚 𝐢𝐭𝐮 𝐀𝐱𝐢𝐬 𝐑𝐨𝐛𝐨𝐭𝐢𝐜𝐬?

Axis Robotics adalah proyek infrastruktur data terdistribusi untuk Physical AI. Melalui platform ini, pengguna dapat mengontrol pergerakan robot (termasuk lengan robot) secara online, dan data hasil interaksi tersebut digunakan untuk melatih model robot secara nyata.

𝐁. 𝐀𝐩𝐚𝐤𝐚𝐡 𝐃𝐚𝐭𝐚 𝐲𝐚𝐧𝐠 𝐃𝐢𝐤𝐮𝐦𝐩𝐮𝐥𝐤𝐚𝐧 𝐁𝐞𝐧𝐚𝐫-𝐁𝐞𝐧𝐚𝐫 𝐃𝐢𝐠𝐮𝐧𝐚𝐤𝐚𝐧?

Chris menegaskan bahwa data yang dihasilkan komunitas bukan sekadar demo:
- Kuartal 1 2026 : Axis menjalankan uji coba internal skala kecil dari mesin pembuat tugas (task generation engine), pipeline pengumpulan data, hingga validasi kualitas dan kegunaan data.
- April 2026 : Axis meluncurkan Axis Hub sebagai mainnet bukan testnet. Tampilan platform memang terasa seperti game, namun di baliknya terdapat infrastruktur simulasi dan task generation engine yang serius.

𝐏𝐫𝐢𝐧𝐬𝐢𝐩 𝐮𝐭𝐚𝐦𝐚 𝐀𝐱𝐢𝐬 : Kontribusi komunitas harus memiliki nilai nyata dan konkret, melalui dua jalur:
1. Kontribusi terhadap kemajuan Physical AI secara luas
2. Integrasi komersial nyata menghubungkan data dengan pelanggan berbayar

𝐂. 𝐕𝐚𝐥𝐢𝐝𝐚𝐬𝐢 𝐀𝐤𝐚𝐝𝐞𝐦𝐢𝐤 & 𝐈𝐧𝐝𝐮𝐬𝐭𝐫𝐢

1. Axis merilis Axis Dataset v1, seluruhnya berasal dari data interaksi kontributor komunitas.

2. Dilakukan structured rendering augmentation dan fine-tuning terhadap model Pi 0.5 (salah satu model VLA/Vision-Language-Action paling matang saat ini).

3. Hasil benchmark: model Axis mengungguli Robocasa sebesar 31% secara keseluruhan

𝐃. 𝐏𝐞𝐥𝐚𝐧𝐠𝐠𝐚𝐧 𝐊𝐨𝐦𝐞𝐫𝐬𝐢𝐚𝐥 𝐍𝐲𝐚𝐭𝐚 (𝐁𝐞𝐧𝐜𝐡𝐦𝐚𝐫𝐤 𝐂𝐮𝐬𝐭𝐨𝐦𝐞𝐫𝐬)

Axis telah menjalin kerja sama dengan pelanggan di tiga vertikal utama Physical AI:

𝟏. 𝐑𝐨𝐛𝐨𝐭𝐢𝐜𝐬 𝐇𝐚𝐫𝐝𝐰𝐚𝐫𝐞 : kemitraan dengan Booster Robotics untuk meningkatkan kapabilitas operasional sistem robot mereka.
𝟐. 𝐑𝐨𝐛𝐨𝐭𝐢𝐜𝐬 𝐅𝐨𝐮𝐧𝐝𝐚𝐭𝐢𝐨𝐧 𝐌𝐨𝐝𝐞𝐥 𝐂𝐨𝐦𝐩𝐚𝐧𝐲 : mendukung Feeder Robotics / Soma Stacks dengan kontribusi tugas dan dataset untuk model umum (general model) mereka.
𝟑. 𝐈𝐧𝐝𝐮𝐬𝐭𝐫𝐢𝐚𝐥 𝐀𝐮𝐭𝐨𝐦𝐚𝐭𝐢𝐨𝐧 : mengirimkan solusi penyortiran komponen otomotif (automated car part sorting solution) untuk Lotus Cars dan Gidi Auto.

𝐄. 𝐒𝐢𝐦𝐮𝐥𝐚𝐬𝐢 = 𝐃𝐢𝐠𝐢𝐭𝐚𝐥 𝐓𝐰𝐢𝐧, 𝐁𝐮𝐤𝐚𝐧 "𝐑𝐨𝐛𝐨𝐭 𝐏𝐚𝐥𝐬𝐮"

Chris menekankan bahwa nilai simulasi Axis bukan sekadar tiruan, melainkan digital twin presisi tinggi dari robot nyata:

1. Setiap robot (single arm, dual arm, mobile dual arm) dibangun berdasarkan parameter fisik dunia nyata tinggi, panjang lengan, batas gerak, dsb.

2. Jika simulasi tidak akurat 1:1, maka data yang dikumpulkan tidak dapat ditransfer ke robot nyata dan menjadi tidak berguna.

3. Axis mengakui masih ada kendala teknis: kehalusan gerakan (motion smoothness), reproduktifitas, asset clipping, dan latency namun tim terus melakukan optimisasi harian terhadap pipeline dan physics engine.

𝐅. 𝐁𝐨𝐭𝐭𝐥𝐞𝐧𝐞𝐜𝐤 𝐓𝐞𝐫𝐛𝐞𝐬𝐚𝐫 𝐏𝐡𝐲𝐬𝐢𝐜𝐚𝐥 𝐀𝐈 𝐒𝐚𝐚𝐭 𝐈𝐧𝐢

Menurut @chris_anm01, industri Physical AI masih sangat dini bahkan belum mencapai "momen GPT-1".

Perbandingan kuantitatif:
Jenis Model dan Volume Data Pelatihan

1. Large Language Model (LLM) : ~10 miliar jam data interaksi manusia

2. Model Physical AI umum saat ini : Kurang dari 1 juta jam data interaksi fisik

𝐓𝐞𝐫𝐝𝐚𝐩𝐚𝐭 𝐤𝐞𝐬𝐞𝐧𝐣𝐚𝐧𝐠𝐚𝐧 𝐡𝐢𝐧𝐠𝐠𝐚 𝟒 𝐨𝐫𝐝𝐞 𝐛𝐞𝐬𝐚𝐫𝐚𝐧 (𝟏𝟎.𝟎𝟎𝟎𝐱).

Dua masalah utama akibat kekurangan data:

𝟏. 𝐆𝐞𝐧𝐞𝐫𝐚𝐥𝐢𝐬𝐚𝐬𝐢 𝐛𝐮𝐫𝐮𝐤 : robot overfit pada distribusi tugas sempit karena kurang variasi data (analogi: manusia belajar microwave 3x langsung bisa, robot belum bisa demikian).

𝟐. 𝐑𝐨𝐛𝐮𝐬𝐭𝐧𝐞𝐬𝐬 𝐥𝐞𝐦𝐚𝐡 : kegagalan pada sistem fisik memiliki konsekuensi nyata (berbeda dari kesalahan digital yang bisa langsung dikoreksi).

Dari saya pribadi ada beberapa pertanyaan industri yang saya ambil. pertama apa "resep data" optimal bagaimana mencampur data teleoperasi, data demonstrasi manusia, data egosentris, data simulasi, dan data tugas industri, dalam rasio dan tahap pelatihan seperti apa? Belum ada konsensus industri sejauh ini.

𝐆. 𝐌𝐞𝐧𝐠𝐚𝐩𝐚 𝐀𝐱𝐢𝐬 𝐌𝐞𝐦𝐢𝐥𝐢𝐡 𝐅𝐨𝐤𝐮𝐬 𝐝𝐢 𝐒𝐢𝐧𝐢?

Axis percaya dua sumber data akan mendominasi pengembangan foundation model Physical AI:

1. Data simulasi fidelitas tinggi → memberikan skill & controllability
2. Data egosentris skala besar dari dunia nyata → memberikan diversitas & sinyal perilaku nyata

Axis membangun platform untuk menyatukan keduanya, menurunkan barrier partisipasi global, dan mengubah paradigma pelatihan : dari model offline sekuensial tradisional menjadi model online, fleet-based, paralel, dan bidirectional di mana generasi data dan peningkatan model membentuk loop berkelanjutan.

𝟒. 𝐑𝐎𝐀𝐃𝐌𝐀𝐏 𝐏𝐑𝐎𝐃𝐔𝐊 𝐊𝐄 𝐃𝐄𝐏𝐀𝐍

- Pengembangan Task Generation API
- Alur data egosentris untuk mempermudah

penangkapan interaksi dunia nyata secara langsung
- Rilis dataset berbasis 100% kontribusi komunitas:
- Axis Simulation Dataset v2
- Dataset koreksi pasca-pelatihan skala besar
- Dataset egosentris terstruktur

𝐓𝐚𝐫𝐠𝐞𝐭 𝐊𝐨𝐦𝐞𝐫𝐬𝐢𝐚𝐥

- Penambahan 2–3 pelanggan uji coba berbayar pada akhir tahun ini
- Visi jangka menengah: menjadi 𝐩𝐫𝐞𝐟𝐞𝐫𝐫𝐞𝐝 𝐯𝐞𝐧𝐝𝐨𝐫 bagi laboratorium frontier dan penyedia model AI Tier-1 pada Q1 tahun depan

𝟓. 𝐏𝐄𝐍𝐔𝐓𝐔𝐏 𝐒𝐄𝐒𝐈 𝐀𝐌𝐀 𝐑𝐄𝐖𝐀𝐑𝐃 & 𝐂𝐋𝐀𝐈𝐌

- Kode rahasia klaim kehadiran: `AXIS 7.27` atau `axis 7.27`
- Formulir partisipasi dibuka hanya selama beberapa menit setelah sesi berakhir
- Benefit komunitas:
- 100 kupon kopi untuk peserta
- 5 voucher ayam goreng untuk penanya tercepat/awal
- Merchandise resmi Axis Robotics untuk 5 penulis ulasan (review) terbaik.

@axisrobotics @chris_anm01 @Cryptowombat125 @Cryptowombat125 @imbananagreg @0xRyzzu @AxisRoboticsID @hack_vc @NomadCapital_io @10kventure

[KADAFER @KADAFERHIDUP]

Day 25

The AI revolution transformed software.
The next revolution will transform the physical world.
Robots are coming. 🤖@axisrobotics

https://t.co/fo2B4jV5NN

[Dewa Kalcer @KalcerCode]

@KADAFERHIDUP @axisrobotics stay active fer

[KADAFER @KADAFERHIDUP]

Day 24

Web3 is evolving.
Physical AI is accelerating.
Infrastructure will power both.
@axisrobotics is building where they meet.

https://t.co/fo2B4jV5NN

[Dewa Kalcer @KalcerCode]

@RinnAckerman @PrismaXai @vivianrobotics @MaxC16134 gPrisma rin

[Rin @RinnAckerman]

𝐖𝐡𝐲 𝐃𝐚𝐭𝐚 𝐐𝐮𝐚𝐥𝐢𝐭𝐲 𝐖𝐢𝐥𝐥 𝐃𝐞𝐜𝐢𝐝𝐞 𝐭𝐡𝐞 𝐅𝐮𝐭𝐮𝐫𝐞 𝐨𝐟 𝐏𝐡𝐲𝐬𝐢𝐜𝐚𝐥 𝐀𝐈.

Everyone talks about AI models.
Few people talk about the thing that matters even more:

𝐓𝐡𝐞 𝐪𝐮𝐚𝐥𝐢𝐭𝐲 𝐨𝐟 𝐭𝐡𝐞 𝐝𝐚𝐭𝐚 𝐭𝐡𝐨𝐬𝐞 𝐦𝐨𝐝𝐞𝐥𝐬 𝐥𝐞𝐚𝐫𝐧 𝐟𝐫𝐨𝐦.
For Physical AI, better algorithms alone aren't enough.
Without high-quality real-world data, robots cannot learn reliable behavior.

Imagine teaching someone to cook.
If every lesson contains blurry instructions, inconsistent demonstrations, and repeated mistakes..
Even the smartest student will struggle.
Physical AI learns the same way.

Training data for robotics is very different from internet text.

A robot must learn:
• how objects move • how people interact with them • how hands manipulate them • how environments constantly change
Every demonstration becomes experience.

But not all experience is useful.
Thousands of hours of robotic demonstrations don't automatically produce a capable robot.
Poor-quality demonstrations simply teach poor-quality behavior.
More data doesn't always mean better AI.

High-quality robotics data should be:
• consistent • accurately labeled • visually clear • physically realistic • representative of real-world environments
Quality matters more than quantity.

Human oversight is still essential.
Automated pipelines can detect technical issues.
But only humans can reliably judge whether a task was completed correctly, naturally, and safely.
This is where Human-in-the-Loop becomes valuable.

Another challenge is diversity.
Homes are never identical.
Different kitchens.
Different furniture.
Different lighting.
Different objects.
Physical AI must experience this diversity during training if it hopes to generalize in the real world.

A robot trained on perfect laboratory environments may perform well during testing...
Yet completely fail inside an ordinary home.
Real-world diversity is what creates robust intelligence.

This is why the future of Physical AI isn't only about building better models.
It's about building better datasets.
Better demonstrations.
Better validation.
Better human supervision.

At @PrismaXai , we believe intelligence doesn't begin with bigger models.
It begins with better data.
Because reliable robots are trained—not simply programmed.
𝐁𝐞𝐭𝐭𝐞𝐫 𝐝𝐚𝐭𝐚 𝐜𝐫𝐞𝐚𝐭𝐞𝐬 𝐛𝐞𝐭𝐭𝐞𝐫 𝐝𝐞𝐜𝐢𝐬𝐢𝐨𝐧𝐬.

[De.doubleu @inichaaa_20]

Who was singing at the karaoke night Indonesia with Dlicom? 🎤🎶
Incredibly lively and festive atmosphere ✨
Believe in @DlicomApp
Thank you our host @moodenger @0xdamm28

@dimakuncik

[Jue Thomas @adelardralph]

Day 10

Statistik gweh, not bad lah ya, so far so good, avg score 80 dari 437 task
coba tunjukin statistik lu pada brok

[KADAFER @KADAFERHIDUP]

Day 13

Real contributors. Real data. Real robots. 🤖
@axisrobotics is not hype it's infrastructure for the future of Physical AI.
Come build with us. 🤖

https://t.co/fo2B4jV5NN

[KADAFER @KADAFERHIDUP]

𝐏𝐫𝐢𝐬𝐦𝐚𝐗: 𝐎𝐩𝐞𝐧 𝐒𝐭𝐚𝐧𝐝𝐚𝐫𝐝𝐬 𝐟𝐨𝐫 𝐏𝐞𝐨𝐩𝐥𝐞 𝐚𝐧𝐝 𝐑𝐨𝐛𝐨𝐭𝐬

Hardware robot sudah sangat maju sejak 2010. Tapi adopsi massal masih terhambat bukan karena teknologi, melainkan karena manusia: sulitnya dapat operator terlatih, kurangnya data dunia nyata, dan mahalnya modal armada robot.PrismaX hadir sebagai lapisan koordinasi terbuka yang menghubungkan semuanya.

𝐌𝐚𝐬𝐚𝐥𝐚𝐡 𝐮𝐭𝐚𝐦𝐚 𝐫𝐨𝐛𝐨𝐭𝐢𝐤𝐚 𝐡𝐚𝐫𝐢 𝐢𝐧𝐢:
• Perusahaan robotika harus keluarkan modal besar buat kumpulin data sendiri
• Model AI masih belum cukup bagus untuk dipakai di dunia nyata (butuh >90% akurasi)
• Operator sulit di-scale karena biaya manajemen & trust Hasilnya: lingkaran setan (chicken-egg). Tanpa data bagus → model jelek → robot tidak ekonomis → tidak ada yang mau beli robot.

𝐏𝐫𝐢𝐬𝐦𝐚𝐗 𝐦𝐞𝐦𝐞𝐜𝐚𝐡𝐤𝐚𝐧 𝐢𝐧𝐢 𝐝𝐞𝐧𝐠𝐚𝐧 𝐣𝐚𝐫𝐢𝐧𝐠𝐚𝐧 𝟑 𝐬𝐢𝐬𝐢:

1. Teleoperator → mengoperasikan robot (VR/keyboard), dapat bayaran + kumpulin data premium
2. Pemilik Robot (Fleet Owner) → robot berfungsi seperti miner yang langsung menghasilkan uang dari data
3. Pengguna Robot → bisa sewa robot untuk kerjaan nyata (logistik, layanan, dll)
4. Perusahaan AI/Robotika → beli dataset berkualitas tinggi untuk latih model Semua terhubung dalam satu protokol terdesentralisasi.

𝐓𝐞𝐥𝐞𝐨𝐩𝐞𝐫𝐚𝐭𝐢𝐨𝐧 (Teleop) adalah kuncinya. Manusia mengendalikan robot secara langsung. Ini menghasilkan data paling berkualitas untuk training AI karena:
1. Ada human-in-the-loop (akurasi tinggi)
2. Data sensor lengkap + visual
3. Bisa dipakai langsung untuk latih model

𝐏𝐫𝐢𝐬𝐦𝐚𝐗 𝐛𝐢𝐤𝐢𝐧 𝐭𝐞𝐥𝐞𝐨𝐩 𝐬𝐜𝐚𝐥𝐚𝐛𝐥𝐞 𝐝𝐞𝐧𝐠𝐚𝐧 𝐦𝐞𝐤𝐚𝐧𝐢𝐬𝐦𝐞:
1. Staking + Guild
2. Quick Return Bonus (semakin cepat selesai, semakin besar reward)
3. Eval Engine (AI otomatis nilai kualitas data)

𝐃𝐚𝐭𝐚 𝐚𝐝𝐚𝐥𝐚𝐡 𝐚𝐬𝐞𝐭 𝐭𝐞𝐫𝐛𝐞𝐬𝐚𝐫.
PrismaX membangun Common Crawl untuk dunia nyata:
1. Data milik jaringan (network-owned) → dijual ke banyak pihak, originator dapat reward
2. Data milik pelanggan (customer-owned) → opsi awal bagi perusahaan yang mau data eksklusif

Data visual bisa dikumpulkan dalam skala sangat besar karena tidak selalu butuh robot. Semua dinilai otomatis oleh Eval Engine berdasarkan motion, semantic, aesthetic, dan diversity.
@PrismaXai

[Dewa Kalcer @KalcerCode]

@RinnAckerman @PrismaXai @vivianrobotics @MaxC16134 bullish 🔥

[Rin @RinnAckerman]

One word to describe this expression. What's your answer? 😆

[Rin @RinnAckerman]

Why the Hardest AI Challenge Isn't Thinking — It's Acting. @PrismaXai

Most people think AI becomes intelligent once it can answer questions.

The truth is, that's only the beginning.

Large Language Models can understand text, write code, and solve complex problems.

But none of that means they can operate in the real world.

The real challenge begins when AI has to perceive, decide, and act.

It needs to see its surroundings through cameras and sensors.

It needs to understand objects, people, and changing environments.

Then it must make decisions in real time.

And finally, it has to execute those decisions through robots or physical systems.

That sounds simple.
In reality, it's one of the hardest problems in AI.
The physical world is unpredictable.
Lighting changes.
Objectschange
People behave differently.

No two situations are exactly the same.

Unlike software, the real world doesn't always follow the rules.

That's why Physical AI isn't just about making AI smarter.

It's about building intelligence that can continuously adapt, learn, and act safely in environments that are constantly changing.

This is where technologies like teleoperation, synthetic data, digital twins, and human feedback become essential.

They give AI the experience it needs before operating independently in the real world.

The future of AI isn't just about generating better answers.

It's about creating systems that can understand, interact with, and learn from the world around them.

That's the future we're building at PrismaXai.

[Rin @RinnAckerman]

Tonight's event was truly amazing!

The karaoke night was brought to life by so many talented singers, creating an incredible atmosphere. I really enjoyed listening to each of you perform while sipping on a cup of coffee.

Thank you to everyone who sang and made the evening so full of laughter, music, and unforgettable memories. See you at the next event!

[KADAFER @KADAFERHIDUP]

Day 12
In 10 years, robots will be everywhere. 🌍
The people building that future are on @axisrobotics RIGHT NOW

https://t.co/fo2B4jV5NN

[Jue Thomas @adelardralph]

BitRobot baru aja rilis HIW-500 — dataset robot humanoid terbesar yang dikumpulin dari rumah beneran.

yang bikin beda: ini bukan data dari lab. mereka ngirim robot Unitree G1 ke 12 rumah di Asia Tenggara, terus orang-orang di rumah itu teleoperate robot buat ngerjain task sehari-hari (beres-beres, angkat barang, buka pintu, dll).

datanya:
- 500+ jam
- 23.000+ episode
- 10+ TB
- 10+ jenis task rumah tangga
- 161 subtask label, 148.000+ anotasi

setiap sheet isinya rekaman dari kamera kepala + tangan robot, status 29 sendi robot, dan gerakan lengkap dari operator manusia. semuanya open source di Hugging Face.

kenapa penting? robot humanoid udah jago jalan, tapi gerakin tangan di rumah beneran (bukan lab) masih jadi masalah terbesar di robotics. dataset ini dibuat buat solve itu.

built by @BitRobotNetwork × @UnitreeRobotics × @huggingface

dataset: https://t.co/Zrads3XACC

[Jue Thomas @adelardralph]

Setelah gw riset sedikit @axisrobotics yang gw post itu sebenernya bagian dari @BitRobotNetwork.

BitRobot ini semacam "lab robotics terbuka" — mereka bangun jaringan dimana siapa aja bisa contribute ke pengembangan robot AI, tapi lewat cara yang beda-beda di setiap subnet.

ada yang lewat simulator kayak AXIS, ada yang rekam aktivitas harian lewat HP, ada yang remote control rover beneran di kota. masing-masing ngumpulin data yang akhirnya masuk ke pipeline yang sama buat training robot.

yang menarik: mereka juga ngadain Grand Challenge senilai $5 juta — salah satunya benchmark AI buat merakit rak IKEA. yes, IKEA jadi tes kecerdasan buatan.

dan baru 2 hari lalu mereka rilis HIW-500 — dataset robot humanoid terbesar yang dikumpulin dari 12 rumah beneran di Asia Tenggara, bareng @UnitreeRobotics dan @huggingface.

intinya: AXIS itu pintu masuk. tapi ekosistem di belakangnya jauh lebih gede.

semakin dikulik menarik dunia robot ini

[Jue Thomas @adelardralph]

Day 2

Hari ini hoki banget cu, dapet task tinggal angkat doang, ini tercepat gw sih, cuman butuh 1 detik doang kwkwwk, sampe masuk leaderboard.

Mama aku di leaderboard @axisrobotics

Ayo yang belum join, seru coi, main robot-robotan anggap aja lagi main game!!