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，从团队录制的第一批示范到最终运营的车队，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,我是第一个从事车队学习的工程师:那些把车队边缘案例变成模型改进的系统。那段工作教会我看到模型之外:团队如何找到有用的样本、保留传感器上下文、判断发生了什么,并把这些判断变成下一个训练集。能够重复这个过程,和任何单点突破一样重要。

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。

AI 技术栈分为五层，从工作中的机器，一直到为其供电的电力。数据本身并不是独立的一层。它作为客户的资产位于模型层之内，因为它正是模型学习的来源。基础设施是模型得以构建、改进和运行的依托：与创造模型的数据相关的一切，以及其下的算力。

1. 应用

   机器为某个人所做的事：工作中的机器人、车辆和无人机。

2. 模型

   大脑，以及教它的东西：客户的模型和客户的数据。评估和后训练就在这里、在客户自己的算力上进行。

3. 基础设施

   模型在其上构建、改进和运行的依托：与创造模型的数据相关的一切，从采集到经验证的发布，以及其下的工具、算力与云。

   Avala 在这里

4. 芯片

   硅片本身。

5. 能源

   约束这一切的电力。

Avala 位于基础设施层，就在客户模型的正下方。我们不造机器人，不拥有客户的模型，不卖算力，也不做芯片。我们构建的，是客户自己的模型借以从自己的车队中学习的数据与学习基础设施。

机器失败，可能是因为没有遇到过某种情况，可能是因为监督信号不一致，也可能是因为问题出在训练数据之外。第一项任务是理解这个差距。

我们的愿景是一套把学习目标与明确的数据计划连接起来的系统：使用哪些已有经验、获取哪些新经验、如何验证其合格，以及用什么实验来确认它是否有帮助。广泛覆盖与针对性学习本应并行。目标不只是一个更大的数据集。它是关于下一步该做什么的、更有依据的决定。

这种纪律是双向的。有时，正确的干预是修复一次标定、修改一条模糊的标注政策，或重新平衡团队已有的数据。一个可信的数据合作伙伴，有时应当告诉客户不要再购买更多数据。

数据集是证据，而不是目标。对于每一个学习目标，我们都保留所检验的能力、检验它的情境、用于训练它的证据、用于评估它的标准，以及结果。

这让学习项目可以复现。同一项能力可以对照新的数据发布版本、新的模型或新的运行时重新检验，而无需重建当初得出它的推理过程。随着时间推移，这些版本化的能力就成为一台机器如何学习的运营历史。

一个有用的物理世界样本，不只是一张物体的图像。任务可能取决于之前发生了什么、机器或人尝试了什么，以及之后发生了什么。我们把传感器观测与该任务可用的上下文连接起来：时序、几何、轨迹、有记录时的动作、结果，以及人的解读。

这些上下文在采集、审核、数据集准备和评估的全过程中始终可检视。缺失或不确定的信息会被明确显示，而不是被藏在一个已完成的标注背后。重建的 4D 场景保留物理上下文以供检视；当任务需要实测的动作、接触或验证时，它并不能取而代之。

我们的工作从车队的生产数据开始:多模态传感器记录被重建为 4D 数据,由 AI 和专家审核员标注,并作为客户用于训练的版本化数据集发布。MCAP 和 ROS 记录、相机图像、LiDAR 和机器人轨迹必须与让它们有用的上下文保持连接。我们把软件和专家运营结合起来,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 2028 年，Avala 将成为一套开放的基础设施：物理世界中任何机器的运营者都能在其上把自己的经验转化为自己的智能，数据、模型与部署始终由自己掌控，让每个人都能成为自己智能的主人，而不是租用他人智能的租客。我们打算通过四个相互衔接的阶段赢得这一位置。

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研究。

   逐步构建能够调查车队故障、检索证据、与既往案例比较、提出实验、找到或委托补充缺失的示例并评估结果的研究智能体。它们的结论始终可追溯到物理证据，它们的评估器要对照隐藏标准进行检验，影响重大的变更仍然可供审核、可以回退。目标不是一个产出更多数据的智能体。而是一个越来越善于判断下一步值得运行哪个实验的系统。

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。

有用的物理世界经验已经存在，但它并不完整、覆盖不均，而且大多与能够改进某个特定模型的决策脱节。最重要的经验仍然由拥有机器的公司在一次次部署中产生，而且大多是例外：没有人模拟过的情形。没有任何一家公司能独自拥有全部经验。正因如此，找到、验证、组合并补充这些经验的基础设施必须独立，也必须把所有权留在数据产生的地方。

客户应当保有自身的独特优势。从一个车队的经验中学习，绝不能意味着将其数据悄悄混入竞争对手的数据中。一个客户的录制内容、标注、评估结果和模型，未经该客户明确同意，绝不会成为另一个客户的优势。共享数据集只在达成协议后共享，且复用条件明确。对我们而言，“开放”有具体的含义：可互操作的接口、可导出的数据与历史、明确的使用权，以及由客户掌控的部署。独立意味着您的基础设施合作伙伴不隶属于任何模型实验室、机器人制造商或超大规模云厂商。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，贡献的不只是标注产能。他们定义任务、识别有意义的错误、判断结果，并制定自动化系统接受检验的标准。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。

Physical AI 将改变工作是什么、谁负担得起照护，以及商品和食物如何流动。我们希望这种改变对人有益，而且是可以检验的，不是想当然的。四项承诺塑造了我们的构建方式。

1. 01

   教导机器的人，为此获得报酬与培训。

   Avala 的协作者按通过验收的工作获得报酬，报酬高于该工种与当地的常规水平，培训内置其中。自动化消除重复劳动；熟练的判断留在人手中。

2. 02

   机器的所有者拥有模型。

   一家公司的车队数据以及从中学到的智能，始终由它自己掌控，并以可随时带走的开放格式保存。没有任何实验室、机器人制造商或云厂商，横在团队与它自身的经验之间。

3. 03

   先测量，再信任。

   每个版本都对照客户设定的基线打分，包括没有改进的部分。机器凭证据赢得更广泛的使用，一次评估，前进一步。

4. 04

   小团队获得大公司的能力。

   一支十人的机器人团队，应当能够像拥有数千台机器的车队一样从世界中学习。降低这个闭环的成本，就有更多人能够打造更好的机器、从中获得收入并从中受益。