每一支车队与机器人集群，都应从自身经验中学习。

想象一辆车正在接近一夜之间发生变化的施工路段。它的模型难以理解新的道路布局。这段记录不应止于一个日志文件或一次性调查。保留恰当的上下文，就能帮助团队理解失败、准备更好的训练数据，并检验下一代模型能否更可靠地应对这种情况。

让经验反复转化为有用的学习，这是我们为自主机器期待的未来。配送机器人、收获机械和工业机械臂面临着不同的问题。但它们的开发者有一个共同需求：将真实世界中发生的事与模型的变化连接起来。我们希望这种连接成为可靠的基础设施。

在 Tesla Autopilot，我参与开发了将车队边缘案例转化为模型改进的系统。这项工作让我学会把目光投向模型之外：团队如何找到有用的案例、保留传感器上下文、判断发生了什么，再将这些判断转化为下一批训练数据。反复完成这个过程的能力，与任何单次突破同样重要。

我创立 Avala，是因为其他 Physical AI 团队不应再从零搭建整套基础。他们应该能够将最好的工程能力投入让自己脱颖而出的机器与模型。从第一个生产工作流，到最终运营的车队与机器人集群，Avala 应当为他们提供一种从真实世界中学习的可靠方式。

我们的工作从生产数据开始：多模态传感器记录、标注和质量审核。MCAP 和 ROS 记录、相机图像、LiDAR 与机器人轨迹，需要始终与赋予它们价值的上下文保持连接。我们将软件与专家运营结合起来，准备满足客户训练要求的数据。

从一个反复出现的问题开始：标注不一致、案例缺失，或训练集还需要再修一轮。明确什么样的结果可以通过验收，衡量周转时间、质量和总投入，再让下一个版本更容易产出。这样，一次具体的数据合作就能逐渐成为客户依赖的系统，而不是又一次彼此孤立的交付。

到 2036 年，我们的目标是让 Avala 成为自主机器开发团队首选的学习基础设施：将现场经验转化为训练数据发布版本，将这些版本连接到评估，再把有效的方法推广到整个车队与机器人集群。我们将通过四个相互衔接的阶段，逐步赢得这一地位。

1. 01

   验证一个生产工作流。

   解决客户现在就需要解决的问题。按照明确的验收标准交付，并对照此前的流程衡量结果。不只让首次交付令人印象深刻，更要让下一轮循环更加可靠。

2. 02

   成为跨模型、跨团队的共同基础。

   将同一套数据集标识、审核历史和质量政策带入更多工作流。每次扩展都应复用已经建立的基础设施。检验标准是：另一个团队或模型，能否无需再次启动定制工程项目就从中受益。

3. 03

   自动化从发现到改进之间的工作。

   逐步构建能够将训练目标转化为可执行计划的智能体：找到已有数据，委托补充缺失案例，协调专家审核，准备发布版本，并将评估结果连接到下一次决策。自动化日常工作，同时确保影响重大的操作有明确边界、可供审核，并始终处于客户控制之下。

4. 04

   让学习成果在生态中迁移。

   通过开放接口连接机器人技术栈、模型与基础设施。团队应当能够采用更好的工具，而无需放弃已有历史。在所有者选择共享且复用获得许可的情况下，共享数据集和模型可以进一步拓展这一基础。互操作性应当扩大使用机会，而不是要求放弃控制权。

客户应当保有自身的独特优势。从一个车队或机器人集群的经验中学习，绝不能意味着将其数据悄悄混入竞争对手的数据中。我们支持可迁移的数据、明确的权利，以及由客户掌控的部署。Avala 应当凭借系统的价值赢得一席之地，而不是靠难以退出留住客户。

教导和评估机器的人，也是这个未来的一部分。他们的判断值得拥有良好的工具、公平的报酬，以及通向更高技能工作的路径。我们希望自动化减少重复劳动，同时让专业知识更有价值：把更好的判断沉淀到流程中，用更好的软件支持下一项任务，并减少重复犯错。

更大的目标，是让实体工作更安全、更高效，并让更多人负担得起有用的服务。我们希望小型机器人团队也能依托原本需要庞大内部组织才能具备的能力进行开发。更好的机器是手段，让更多人能够利用它们创造、获得收入并从中受益，才是目标。