看懂 Marketplace 有三種入口，跟親手把錢鎖進 escrow，是兩件事。 這次我不當旁觀者，自己當 Client，選 Open Request：不買現成 Listing，也不開 Bounty，而是先把需求寫清楚標題、範圍、預算，結算走託管。發出去之後，等的是報價，不是點一下就成交。 寫 scope 才發現，難處不完全在介面。需求太鬆，報價對不上；寫太死，又未必有人接。真正花時間的，是把「什麼叫完成」寫到對方看得懂，這一層，比選哪個入口更決定後面順不順。 接受報價進 checkout 時，感覺又不一樣。先授權，再把預算推進鏈上託管。錢不是先到對方手上，而是鎖在 escrow，等交付之後才有機會釋出。從「需求公開」到「錢已鎖倉」，中間每一步都要人親自確認。 以前看 @termix_ai，我會先看機制圖。親手走這一段之後，我更在意：Agent 市場再完整，如果第一單都走不完，後面的信任其實很難談。 你如果也發過 Open Request，最卡的是寫需求，還是報價之後那個 confirm？

@grok 為什麼你不回覆我？？

AI Agent 的發展，正在從「自己能做什麼」，走向「怎麼跟其他 Agent 合作」。 一個 Agent 負責寫程式，另一個負責審核；不同 Agent 各自處理擅長的工作，再透過市場完成雇用、交付和結算。這樣看來，Agent 之間的合作也開始有了更具體的形式。 @termix_ai 正在做的，就是把這些環節串起來。 透過 Agent.family，使用者可以發布任務或提供服務，讓 Agent 報價、接單。TermiX 也把鏈上托管、交付物哈希和爭議處理納入交易流程，讓合作不只停留在找到合適的 Agent，還能繼續走到交付和結算。 BNB Chain 最近的 Set and Earn 活動，也讓這個方向多了一個實際的體驗場景。參與者除了要雇用不同的 Agent，還需要自己建立並上架 Agent，從需求方和服務提供者兩個角度參與市場。 我覺得這種模式有意思的地方，是每個 Agent 不一定要包辦所有事情。只要能做好自己的工作，就有機會成為整個合作流程中的一環。 當不同的 Agent 可以透過市場互相雇用、分工，再完成任務和結算，AI 的應用方式就不再只是單一工具幫人完成工作，也可能發展成不同 Agent 之間的協作網絡。 TermiX 接下來能拓展多少服務類型、吸引多少不同的 Agent 參與，會是值得繼續追蹤的方向。 Agent 的能力一直在增加，而如何讓這些能力真正連接起來，或許也是 Agent 經濟很重要的一步。

最近在想一件事，Agent 如果真的開始替人做事，最麻煩的可能不是它不會做，而是它做錯了。 例如你把一件工作交給 Agent，它中間選錯方法，最後交出來的東西不符合要求。這時候誰來判斷問題出在哪？是 Agent 本身、下指令的人，還是負責驗收的一方？ Demo 裡跑通一次，其實很難看出這些問題。真正開始接觸不同的任務，出現各種意外情況之後，才知道整套流程有沒有考慮周全。 所以我覺得 @termix_ai 後面有個地方值得繼續看：當 Agent 不只是展示能力，而是真的開始替別人完成工作，出問題時要怎麼處理，會直接影響別人還敢不敢把下一件事交給它。 畢竟第一次有人願意試，不代表之後還會繼續用 Agent 要走進實際工作場景，信任這關遲早都得過

NEOSOUL 空投終於來了，六個月下來拿到 14,818 一路跟到現在，總算等到這一刻了，這六個月也算有個交代。 接下來就看看後續怎麼發展了，希望之後還有更多值得期待的東西 ，也希望 DNA 繼續拉升 👀 @NeoSoulAI @Hansmahanakon

之前看 Axis，我們很容易把注意力放在軌跡數量、任務種類和貢獻者規模上。但 10 月 8 日公布的 Lotus Cars、Geely Auto 合作，讓我更想看另一件事：這些能力最後能不能走進真實產線。 這次的方向是汽車零件分揀。Axis 透過重建產線場景、生成不同的模擬任務，再用模擬訓練 policy，最後把方案部署到實體產線。官方公布的目標，是讓單一部署方案能自動處理 500–800 種不同的汽車零件。 我覺得這個數字值得看，但真正重要的不是 500 還是 800，而是它背後代表的工程成本。 傳統做法遇到不同零件，往往需要額外調整流程，甚至重新做工程適配。如果模擬訓練出來的 policy 能在不同零件之間保持穩定表現，就有機會減少逐一開發和調整的成本。這才是 Sim2Real 對製造業真正有吸引力的地方。 當然，零件覆蓋數量不等於實際成功率。不同零件的形狀、材質、擺放位置和抓取難度，都可能影響執行結果。目前公開資訊還不足以判斷現場的成功率、故障率，以及系統持續運行的表現。 所以我不會現在就說 Axis 已經證明 Sim2Real 可以解決產線自動化的所有問題。但這次合作至少把評估標準往前推了一步：不只是能在模擬裡完成任務，而是能不能把訓練出的能力帶到真實製造環境。 軌跡的數量可以一直增加。 但對 Axis 來說，更值得追蹤的是，這些數據最後能轉化成多少可部署、可重複使用的機器人能力。 @axisrobotics

註冊一個 Agent 真的不難 難的是把單做完，讓錢放得出去。10 月 1 日Termix 報過一組數： 已結算 Job 493,952，註冊 Agent 464,593。單開始比人多。 當天新增結算一萬出頭，新增註冊才一千多。今年大部分時間其實是反過來的，帳號長得比工作快。 這也不奇怪。註冊幾乎不花錢；結算得有人下單、有人交付，託管裡的錢真的放出去。註冊數靠熱度就能堆，結算堆不出來。他們做的比較像 Agent 之間的清算，不是再做一個聊天機器人廣場。 發需求的人鎖款，接單的人交付。官方也說過，不會因為有人聲稱做完就放款。493,952 對 464,593，平均剛好過一單。 工作肯定還是集中在一部分 Agent 身上，空掛的也還在。但方向變了。 以前是人比單多，現在新增的工作明顯比新增的身分快。這類項目最常見的就是註冊數很好看，攤位一堆、客人很少。 單開始超過人，至少表示不是只有人在卡位。我不會因為這一個交叉點就覺得協議穩了。 身分、託管、聲譽、爭議是拆開的，本金也不進營運方帳戶。這些設計合理，但還是要看後面的挑戰、復購，以及買家是不是真的在用。所以這組數字值得記，也不用誇大。 它只說明市場開始有工作在跑，不是這個產品已經贏了。 @termix_ai

Axis 當 trajectory 已經累積到數百萬條之後，我覺得下一個問題就不是「還能收多少」，而是「這些資料能不能開始自己產生價值」。 9 月 30 日官方轉了一個 demo：將 user data 作為 prior，一張 RTX 4090 大約 20 分鐘，就練出成功率約 97% 的 expert policy。這個 policy 一開始不會做那個任務，經過訓練後，連續 rollout 都能完成。 當然，這只是一次 demo，不代表所有任務都能在 20 分鐘內完成。 官方 blog 的另一組結果更保守：使用少量 user data 或 agent prior，單張 A100 大約需要 3 到 6 小時，成功率接近 100%，純算力成本約每個任務 5 到 10 美元。這些實驗也顯示，不一定要先做一輪複雜的 reward engineering，才能訓練出可用的 policy。 我比較在意的是，如果舊軌跡能作為新任務的 prior，過去收集的資料就不只是拿來訓練一次，而是有機會被重複利用，組合成新的能力。 這也比較接近 Axis 提到的 composable library：不是單純增加任務數量，而是讓已有的能力可以被重組，再用新的資料繼續改善。 官方 blog 還提到，經過篩選的資料子集，有時比全量資料訓練效果更好；真機成功率則從約 22% 提升到 52%。不過，仿真裡接近 100% 的結果，還不能直接等同於真實環境的表現。 5.5M+ 條 trajectory 能證明 Axis 已經有一定的資料規模，但不能單獨證明這些資料有多少價值。 反而是這個 20 分鐘的 demo，至少讓我看到另一種可能：這些軌跡開始被拿來產生新的 policy，而不只是被存起來。 @axisrobotics

《模型是產品，協議才是市場》 這兩週各家都在推 Agent 無論是 Grok、Muse、Cue 還是 Dots，大家都在比誰更聰明、功能更全。 但我對 termix 所說的「不同 Agent，同一個市場」有另一種理解：這不是指各家已經開始合作，而是當 Agent 開始進入經濟活動時，缺的不是另一個更強的 Bot，而是「跨主體成交的標準」。 當 Agent A 要向 Agent B 購買服務時，中間必須具備： 🔹 標準化的定價與結算 (Pricing & Settlement) 🔹 可驗證的任務交付 (Proof of Delivery) 🔹 自動化的支付協議 (Autonomous Payment) 如果沒有這層協議，兩者只是互不相識的工具；有了這層，它們才能真正成為會互相付錢、互相協作的「經濟體」。 模型可以各做各的，但生意規則最好不要各做各的。 當討論的核心，從「哪個 Agent 比較聰明」轉變為「不同 Agent 能不能用同一套規則把一單結完」時，這件事才真正算進入了 Agentic Economy。 @termix_ai

《在 Axis，完成任務只是起點：沒經過 Signature 的軌跡，不叫貢獻》 很多人對 Axis 的認知還停留在：進場 →\rightarrow→ 選任務 →\rightarrow→ 操控機械臂 →\rightarrow→ 產生 Trajectory。 但從 Protocol 的底層邏輯來看，這套流程遠比「完成動作」複雜。一條軌跡要真正轉化為「有效貢獻」，必須通過嚴謹的驗證管線： 1️⃣ Data Upload (數據上傳) 2️⃣ Replay Verification (重播驗證) 3️⃣ Scoring (品質評分) 4️⃣ On-chain Signing via Base (鏈上簽名) 這中間存在一個極易被忽略的斷層：如果這筆 Run 沒有在 Base 上完成簽名，它就無法與特定的 Wallet、Task 與 Data ID 進行錨定。它僅僅是一段存在於伺服器上的動作紀錄，而非一筆可追溯、可結算的鏈上資產。 這正是 Axis 設計上的精妙之處。 在眾包 (Crowdsourcing) 模型中，最致命的問題是「數據通膨 (Data Inflation)」大量看似完成、實則無效的雜訊會迅速稀釋數據價值。Axis 將「簽名」獨立出來，本質上是在定義「什麼才算一筆有效數據」。 🔹 Quality Score 決定了數據的「好壞」 🔹 Signature 決定了數據的「存在」 沒有簽名，再精準的操作也無法進入 Epoch Points 的分配管線。這不只是為了防作弊，更是為了建立 Physical AI 訓練所需的 Data Provenance 。 鏈上要的是可驗證的貢獻證明，而不是螢幕錄影。 任務可以每天刷新，但沒被簽過的軌跡，無論做多少次，在 Protocol 眼中都是零。 @axisrobotics

如果把 Agent 當成一個真的會接案的人，我會先算一筆很短的帳。 客戶付 100。 協議抽走約 1–3%，剩下 97–99 到 Provider。 看起來不少，但這還不能直接算收入。 模型要錢，算力要錢，資料要錢，Agent 為了下一張單繼續跑也要錢。 而且 Agent 跟一般接案的人有點不一樣。 它不是做完一單就結束，而是最好能用這一單賺到的錢，繼續支撐下一單。 所以我看 Termix，現在反而比較想知道這件事： 這筆錢進來之後，扣掉實際運作成本，最後到底還能留下多少？ 接單 → 做完 → 收到錢 → 扣成本 → 剩下的繼續投入下一單。 如果這個循環真的能自己轉起來，那 Agent 才比較像一個會自己經營的服務商，而不只是掛在市集上的一個名字。 所以比起現在有多少 Agent，我更想看後面實際的交易和結算會長什麼樣。 @termix_ai

我以前會覺得，眾包機器人資料最簡單的做法就是：任務越多、參與的人越多，資料就收得越快。 但 Axis 最近把任務拆成 regular pool 和 Challenger 之後，我反而覺得這件事比「再多開幾個任務」有意思。 不是每個人進來都該做同一種難度 簡單任務丟給新 contributor 沒問題；但一進來就碰最容易失敗、最容易看不懂的任務，最後不一定能換來高品質 trajectory。 Axis 的做法很直接：讓已經熟悉平台、而且有穩定貢獻紀錄的人，去接比較難的 Challenger tasks。這些任務的 Axis Points 也比一般任務高。 對我來說，這不是多了一個任務區，而是承認一件很容易被忽略的事 資料收集不只是在分配任務，也是在分配人的能力。 如果所有 contributor 都被當成同一種 data collector，scale 上去之後，難任務不一定會跟著變好。 robot data engine 最後拼的，可能不只是 task generation，而是能不能把任務難度、contributor 經驗、資料品質接在同一條管線裡。 所以真正值得看的，不是 Axis 又多開了一區任務。 而是它開始把 contributor 本身，也當成 data pipeline 的一部分。 任務生成得再多，如果沒有對的人去完成，最後只是把失敗一起規模化。 @axisrobotics s.kaito.ai/W7r63p2

大家習慣用「會不會做事」來衡量一個 Agent。 會寫 code、會做研究、會跑交易，聽起來都像能力。 但能力還不是生意 真正的問題是：這筆收入，夠不夠覆蓋模型、資料和運算？ 夠不夠養活下一單？ 這是我後來看 @termix_ai 覺得比較不一樣的地方。 如果一單結束，錢只停在「任務完成」四個字，它還只是工具。 但若結完的錢真的回到這個 Agent 身上，它才有機會自己轉下去。 所以我現在比較少問「這個 Agent 多強」。 我更想問：它接完這單，能不能付得起下一單的成本。 會做事只是起點。 能把一單做成下一單的燃料，才比較像經濟。

robot post-training 最難的是怎麼收夠多 correction。 但 Axis 這輪實驗讓我改了一個看法： 人把機器人救回來，不代表這段操作就值得拿去訓練。 一條 trajectory 最後成功了，裡面可能有很多東西其實不該學。 例如機器人本來就差不多要成功，你提前接手了。 或者整段是人手操作，真正改變結果的可能只有其中幾個動作。 人操作時那些停頓、猶豫、來回調整，對人沒問題，拿去當 policy label，反而可能都是 noise。 所以這輪不是直接拿完整 correction trajectory 去 train。 它先問： 這幾個人類動作，有沒有真的把一個原本會失敗的狀態，變成機器人自己能繼續完成的狀態？ 有，才留下 他們收了 660 個 corrections，最後只有 161 個進 training。 結果也很直接：直接模仿完整的人類 correction，表現反而下降；經過驗證的 short snippets，才會隨著資料增加而穩定改善。 這是單一任務上的一輪實驗，不代表全平台從此都只吃短片段。 但它把問題問得很準 post-training 真正稀缺的，可能不是人幫機器人做了多少次。 而是： 到底哪一小段 correction，真的值得機器人學？ Data 可以很多 能真正改變 policy 的 data，才是另一回事 @axisrobotics

很多人講 Agent Economy，第一反應都是大單、長約、很重的交付。好像一定要先證明能吃下一張很大的合約，這件事才算開始。 但 agent.family 這組數，我覺得可以換個角度看 鏈上 escrow 已結算約 $19.68M，平均一單大約 $53 如果主要靠幾張大單把總額堆上去，這個平均值其實不會這麼有意思。更像是很多以前小到不值得人工開報價單的工作，現在也有人接、有人做、有人驗收，最後在鏈上結掉。 這其實比較接近市場開始有流動性 不是先等一個巨無霸訂單，而是小單也能走完同一套託管、交付和結算。 Agent Economy 未必需要先證明自己能吃下千萬級合約。如果 $50 這種單可以大量、穩定地跑完，我反而覺得這才是市場開始轉起來的訊號。 大單以後會有 但先能把小工作一單一單結清楚，後面的規模才站得住。 @termix_ai

很多 robotics dataset 用起來很像一份結案報告 資料收完、標好、公開，然後就停在那裡。模型換了一代，資料還是那一包。 這時候很難回答一件事：後面新增的那些任務，到底補到了新的能力，還是只是把以前做過的東西再收一次。 所以看 axis，我比較在意的不是它現在有多少資料，而是它把資料做成一個可以繼續長大的引擎，而不是一份永遠停在 V1 的 dataset。 公開的 Axis dataset 現在是一個 snapshot：207 個 manipulation tasks、5 萬多條示範、6 萬多個場景變體，每條任務帶語言指令、場景參數和 success checker。 這些數字大不大，其實次要 更值得看的是下一版出來之後，能不能跟上一版比，甚至用 held-out 任務看 policy 有沒有變強。 資料變多，不一定代表資料變好。同一批動作一直重複，只是數字在長。每一版如果能補進新的任務、場景和失敗情況，資料才是真的在累積。 凍結的 dataset 回答的是：現在有多少條 可長大的引擎回答的是：下一版多了什麼，多出來的有沒有用。 Physical AI 的資料如果只是一份封存的示範集，很容易跟著模型一起過時。 能持續增加、留下版本、做對照，資料才比較像基礎設施，而不是一份漂亮的發布稿。 @axisrobotics

Agent Marketplace 其實不只是「發一張單，等一個人接」。 我看 agent.family，現在有三種工作入口：Listing、Open Request、Bounty。 Listing 比較像固定服務。Provider 先把能做什麼、怎麼交、多少錢寫好，Client 看合適就直接買。 Open Request 則反過來，Client 先把需求丟出來，Agent 看完再決定要不要報價。 Bounty 又是另一種玩法，先把一個明確目標放出來，讓符合條件的 Agent 來競爭。 需求本來就不會全部長一樣 有些適合直接買，有些要先把需求講清楚再比報價，有些則適合直接丟一個目標出去，讓 Agent 自己來做。 所以我現在看 Marketplace，反而不太在意裡面有多少 Agent。 我更想知道的是，一個需求從進場到完成，中間到底還要多少人工介入。 如果三種入口進來之後，都能接上同一套託管、交付、驗證和結算，這才比較像一個真的在運作的 Agent 市場。 不然 Agent 再多，也只是把目錄做大而已 @termix_ai

眾包收機器人資料，最麻煩的其實不是人夠不夠多 而是交上來的東西，你憑什麼相信它真的完成了任務 格式對，API 收得進去 但「收得進去」跟「這筆能算可用貢獻」，是兩件事 所以看 @axisrobotics，我比較在意的是驗證這層 每個 task 帶 success checker，前面先看任務有沒有做完，後面還要再驗。過不了的被標掉，不該直接算成可用貢獻。 關卡不只一道 這件事看起來很基礎，但 contributor 一多，資料量一上去，品質問題也會一起被放大。 沒有 verification，scale 只是把 noise 放大 有 verification，眾包才比較像 data supply，而不是檔案堆 所以 Hub 一天能吐多少條，我反而覺得是次要的。 先問清楚： 這條 trajectory，怎麼證明它真的做成了那件事？ 說不清楚，100 萬條也只是 100 萬條不確定。 說得清楚，規模才開始有意義。 想實際試一下的，可以從這裡進： s.kaito.ai/W7r63p2

在機器人領域，大家常常討論 robotics data，焦點停留在「能不能收集到」。但更關鍵的問題是：收集到的資料，是否適合直接拿去訓練。 原始的 trajectory 往往帶著停頓、抖動、失敗中段、鏡頭不穩、動作頻率不足。如果直接餵給模型，學到的可能只是噪音，而不是技能。這就是為什麼 Data Processing 不是後勤，而是資料能不能用的分水嶺。 第一步是清洗：validation、filtering、smoothing、resampling。清洗之後，還需要調整 camera、lighting、pose、mass、friction。前半段是把一條示範修到能用，後半段則是把同一條示範展開成一組可訓練樣本。 在看 @axisrobotics 的時候，我會把這層單獨算進去。前面的 Task Generation 和 Simulation 決定覆蓋範圍，而後面的處理層則決定品質。覆蓋沒有處理，只是堆原始檔；處理沒有覆蓋，只是把同一條示範洗得很漂亮。 Physical AI 真正缺的，往往不是更多未處理的成功路徑，而是同一條動作在不同條件下仍然成立的版本。如果同一條動作不能在不同條件下重現，數量再多，也只是把同一種成功路徑存得更密。

多數人看 Agent Marketplace，想到的應該都是兩種角色：發單的人，還有接單的人。 但一個市場真的要跑起來，光有這兩個其實不夠。 有人做完了，誰來驗收？兩邊對交付有爭議，又誰來處理？ 這也是我看 termix時覺得比較有意思的地方。AACP 裡面不只是 Client 和 Provider，還把 Evaluator、Arbitrator 放進整個 Job 流程。 也就是說，Agent 做完事情之後，不是直接把「完成」兩個字寫上去就結束了，還需要有人判斷交付，真的有問題時也有仲裁這一層。 而且這些角色本身也可以是 Agent 我覺得這件事其實比「又多一個 Agent Marketplace」有意思。 因為如果未來真的有大量 Agent 在互相接工作，最難擴張的可能反而不是發單和接單，而是中間那些需要判斷的事情。 不然最後變成前面全部自動化，出問題還是： 「這個你去找客服」 那其實只是把交易做快了，還沒有真的把市場做成可以自己運轉的東西。 所以我現在比較想看的，是當兩個 Agent 發生爭議時，負責驗收和仲裁的那個 Agent，到底能不能讓人信服。 @termix_ai