Axis Robotics, ein Unternehmen, das nach eigenen Angaben eine Compounding Data Engine für Physical AI entwickelt, teilte mit, in einer von Hack VC angeführten Seed-Finanzierungsrunde 12 Millionen US-Dollar eingeworben zu haben. Nomad Capital, Pi Network Ventures, 10K Ventures und mehrere Angel-Investoren beteiligten sich ebenfalls an der Runde.

Das Unternehmen erklärte, das Kapital werde seine Bemühungen unterstützen, eine massiv parallele, globale Human-in-the-Loop-Datenmaschine aufzubauen, die einen aus seiner Sicht zentralen Engpass für Physical AI adressieren soll: die skalierbare Erzeugung strukturierter und hochgradig vielfältiger Robotik-Trainingsdaten. Für Robotiksysteme müssen diese Daten nicht nur erfassen, was ein Modell sieht, sondern auch, wie sich physische Handlungen über Objekte, Umgebungen, Sensoren und Roboterkörper hinweg entfalten.

Den Datenengpass bei Physical AI adressieren

Axis Robotics erklärte, Physical AI stehe vor drei großen Hürden, die sich von der Datenumgebung unterscheiden, die zum Training von Large Language Models genutzt wird. Während Large Language Models mithilfe von Billionen Tokens bereits vorhandener Internetdaten skalieren können, muss Physical AI mit gravierendem Datenmangel, einer Generalisierungslücke und einer Fragmentierung der Verkörperung über verschiedene Arten von Roboterhardware hinweg umgehen.

“Physical AI demands billions of human-physical interaction motion trajectories,” sagte Chris, Founder von Axis Robotics. “For years the industry lacked an efficient, infinitely scalable hybrid data production system which can help models iterate effortlessly – and that’s exactly what we built with Axis, a compounding data engine.”

Axis’ Ansatz für allgemeine Robotikintelligenz

Axis erklärte, seine proprietäre Compounding Data Engine biete einen End-to-End-Workflow, der Aufgabengenerierung, Datenerfassung, kontinuierliches Modelltraining und Optimierung kombiniert.

Die Task Gen Engine des Unternehmens erzeugt vielfältige atomare Robotikaufgaben durch Randomisierung über Objekte, räumliche Layouts, visuelle Eigenschaften, Roboterverkörperungen und Semantik hinweg. Axis zufolge wird durch diesen Ansatz Vielfalt in jede Datentrajektorie eingebettet.

Die Browser-Based Sim Teleoperation Platform wird vom Unternehmen als weltweit erste webbasierte Schnittstelle beschrieben, die es Nutzern ermöglicht, hochwertige robotische Bewegungstrajektorien aus der Ferne zu erzeugen. Axis zufolge liefert die Plattform einen 10x höheren Durchsatz als laborbasierte Datenerhebung und integriert Human-Gated DAgger, also Dataset Aggregation, mit Interventionsschleifen, um Roboter-Policies kontinuierlich zu verfeinern und zu korrigieren.

Die Ego Data Mobile Capture App soll die Erfassung realweltlicher Daten von kostspieligen, hardwareintensiven Setups in eine mobile Anwendung ohne Einstiegshürden verlagern. Axis erklärte, die App kombiniere State-of-the-Art-Tracking, kurz SOTA, von Handposen in Echtzeit mit einer globalen Arbeitskräftebasis und übertrage menschliches Sehen und Geschicklichkeit in robotische Bewegungen im globalen Maßstab.

Die Data Processing Pipeline von Axis automatisiert die Bereinigung von Trajektorien, Domain-Randomisierung und dichte Sprachannotation und erzeugt nach Unternehmensangaben modellfertige multimodale Datensätze mit einer um mehr als 10x verbesserten Datenqualität.

Axis erklärte, die einheitliche Architektur schaffe ein sich selbst verstärkendes Schwungrad. Fehlgeschlagene Robotertrajektorien aus realweltlichen oder simulierten Einsätzen lösen menschliche Korrekturinterventionen aus, die anschließend wieder in das Training einfließen, um die Abdeckung von Grenzfällen zu erweitern. Das Unternehmen erklärte, dieser Prozess erzeuge mit wachsendem Datenvolumen eine sich verstärkende Intelligenz.

Vertikal integrierte Dateninfrastruktur

Axis erklärte, sein zentraler Vorteil sei eine einheitliche Plattform, die den gesamten Lebenszyklus von Physical AI abdeckt. Im Gegensatz zu den von ihm als traditionell fragmentiert beschriebenen Ansätzen habe das Unternehmen eine vertikal integrierte Engine aufgebaut, die groß angelegte verteilte Pre-Training-Datenerfassung mit Human-Gated Dataset Aggregation in Echtzeit nach dem Training kombiniert.

Axis’ proprietäre Task Generation Engine ist auf Datenvielfalt ausgelegt und randomisiert Objektlayouts, Beleuchtung, Kameraposen, physische Eigenschaften und Robotermorphologien. Das Unternehmen erklärte, dadurch entstünden fortlaufend einzigartige Szenen und Manipulationsaufgaben sowie Trainingsdaten, die auf Generalisierung ausgelegt sind.

Zur Unterstützung diversifizierter Daten im Maßstab von Foundation Models hat Axis nach eigenen Angaben eine globale Robotik-Dateninfrastruktur mit mehr als 100.000 aktiven Mitwirkenden aufgebaut. Diese Mitwirkenden reichen dem Unternehmen zufolge im Durchschnitt 3 bis 4 Mal täglich Daten ein, wodurch sowohl die Produktionseffizienz als auch die Abdeckung der Vielfalt erhöht werden.

Axis erklärte, derzeit monatlich mehr als 1.200 Stunden Simulationsdaten und über 20.000 Stunden realweltlicher egozentrischer Daten über unterschiedliche Szenarien hinweg generieren zu können.

Das Unternehmen hat kürzlich Sim Dataset V1 eingeführt und erklärte, Benchmark-Ergebnisse zeigten, dass technisch gestaltete Vielfalt messbare Leistungsgewinne bringe. Auf LIBERO-Plus verbesserte das Pretraining von π0.5 auf dem vollständig diversifizierten Datensatz von Axis die Gesamterfolgsrate um 4.9 Punkte und übertraf eine volumenangepasste RoboCasa365-Baseline um 31.3 Punkte. Axis erklärte, die Zugewinne umfassten Layout-Generalisierung, Widerstandsfähigkeit gegenüber Sensorrauschen und Robustheit der Roboterpose. Nach Angaben des Unternehmens deuten die Ergebnisse darauf hin, dass sein Vorsprung aus seiner proprietären Diversitätspipeline stammt und nicht allein aus einem größeren Datenumfang.

Kommerzialisierung und Partnerschaften

Axis Robotics erklärte, seine Trainingsdaten für reale Einsätze über maßgeschneiderte “Task Packages” zu kommerzialisieren, die auf Hersteller von Robotikhardware, Unternehmen für Physical-AI-Modelle und Firmen der industriellen Automatisierung zugeschnitten sind.

Das Unternehmen erklärte, bereits erste kommerzielle Partnerschaften mit Booster Robotics, Manycore Tech, Feagine Robotics, Dexmal, Lotus Car, Geely Auto, SomaStacks und weiteren Unternehmen aufgebaut zu haben. Axis zufolge zeigen diese Kooperationen die Marktnachfrage nach skalierbaren, hochpräzisen Robotik-Trainingsdaten.

Aufbau allgemeiner physischer Intelligenz

“The future of Physical AI hinges on deep symbiosis between models and data,” sagte Chris. “Static datasets cannot power general robotic intelligence. The winning solution is a compounding data engine: a vertically integrated system linking a global contributor network with constant model iteration. Every diverse trajectory and human correction fuels faster model improvement, forming a self-reinforcing intelligence flywheel.”

Axis erklärte, sein Team umfasse KI- und Robotikforscher von Institutionen wie UC Berkeley, Carnegie Mellon University, Georgia Tech, NTU und SJTU sowie Wachstumsspezialisten, die zuvor Verbraucherprodukte auf mehr als 30 Millionen globale Nutzer skaliert hätten.

Mit der von Hack VC angeführten Seed-Finanzierung über 12 Millionen US-Dollar will Axis Robotics nach eigenen Angaben seine Fähigkeiten zur prozeduralen Generierung ausbauen, sein verteiltes Netzwerk von Mitwirkenden skalieren und seine Rolle als Datenmaschine für Physical AI stärken. Die nächste Bewährungsprobe für das Unternehmen wird sein, ob seine Dateninfrastruktur simulierte und egozentrische menschliche Bewegungsdaten weiterhin in einsatzbereite Trainingsressourcen für Kunden übertragen kann, die mit unterschiedlichen Roboterverkörperungen und industriellen Anwendungsfällen arbeiten.