Axis Robotics, una compañía que desarrolla lo que denomina un motor de datos compuesto para Physical AI, dijo que recaudó $12 millones en una ronda de financiamiento semilla liderada por Hack VC. Nomad Capital, Pi Network Ventures, 10K Ventures y varios inversionistas ángeles también participaron en la ronda.

La compañía dijo que el capital respaldará su esfuerzo por construir un motor de datos global masivamente paralelo, con humanos en el ciclo, diseñado para abordar lo que describe como un cuello de botella clave para Physical AI: generar a escala datos de entrenamiento robótico estructurados y altamente diversos. Para los sistemas de robótica, esos datos deben capturar no solo lo que ve un modelo, sino también cómo se desarrollan las acciones físicas entre objetos, entornos, sensores y cuerpos robóticos.

Abordar el cuello de botella de datos en Physical AI

Axis Robotics dijo que Physical AI enfrenta tres grandes barreras que difieren del entorno de datos utilizado para entrenar Large Language Models. Mientras que los Large Language Models pueden escalar usando billones de tokens de datos de internet preexistentes, Physical AI debe lidiar con una grave escasez de datos, una brecha de generalización y fragmentación de la corporeidad entre distintos tipos de hardware robótico.

“Physical AI demands billions of human-physical interaction motion trajectories,” dijo Chris, fundador de 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.”

El enfoque de Axis para la inteligencia robótica general

Axis dijo que su Compounding Data Engine propietario ofrece un flujo de trabajo integral que combina generación de tareas, captura de datos, entrenamiento continuo de modelos y optimización.

El Task Gen Engine de la compañía genera tareas robóticas atómicas diversas mediante aleatorización entre objetos, configuraciones espaciales, elementos visuales, encarnaciones robóticas y semántica. Axis dijo que este enfoque incorpora diversidad en cada trayectoria de datos.

Su Browser-Based Sim Teleoperation Platform es descrita por la compañía como la primera interfaz web del mundo que permite a los usuarios generar trayectorias de movimiento robótico de alta calidad de forma remota. Axis dijo que la plataforma ofrece un rendimiento 10x mayor que la recolección en laboratorio e integra DAgger con control humano, o Dataset Aggregation, mediante ciclos de intervención para refinar y corregir de forma continua las políticas de los robots.

La Ego Data Mobile Capture App está diseñada para trasladar la captura de datos del mundo real desde configuraciones costosas y con mucho hardware hacia una aplicación móvil sin barreras de entrada. Axis dijo que la app combina seguimiento de pose de mano en tiempo real de última generación, o SOTA, con una fuerza laboral global, traduciendo la visión y destreza humanas en movimiento robótico a escala global.

El Data Processing Pipeline de Axis automatiza la limpieza de trayectorias, la aleatorización de dominios y la anotación lingüística densa, produciendo conjuntos de datos multimodales listos para modelos con una mejora de más de 10x en la calidad de los datos, según la compañía.

Axis dijo que la arquitectura unificada crea un ciclo de retroalimentación que se refuerza a sí mismo. Las trayectorias fallidas de robots en despliegues del mundo real o de simulación activan una intervención correctiva humana, que luego se reincorpora al entrenamiento para ampliar la cobertura de casos extremos. La compañía dijo que este proceso genera inteligencia compuesta a medida que aumenta el volumen de datos.

Infraestructura de datos verticalmente integrada

Axis dijo que su principal ventaja es una plataforma unificada que abarca todo el ciclo de vida de Physical AI. En contraste con lo que describió como enfoques tradicionales fragmentados, la compañía dijo que ha construido un motor verticalmente integrado que combina la recolección distribuida de datos de preentrenamiento a gran escala con Dataset Aggregation posterior al entrenamiento y con control humano en tiempo real.

Diseñado para la diversidad de datos, el Task Generation Engine propietario de Axis aleatoriza la disposición de objetos, la iluminación, las poses de cámara, las propiedades físicas y las morfologías de robots. La compañía dijo que esto crea escenas y tareas de manipulación continuamente únicas y produce datos de entrenamiento diseñados para la generalización.

Para respaldar datos diversificados a escala de modelos fundacionales, Axis dijo que ha establecido una infraestructura global de datos robóticos con más de 100,000 colaboradores activos. Estos colaboradores envían datos en promedio de 3 a 4 veces al día, según la compañía, lo que aumenta tanto la eficiencia de producción como la cobertura de diversidad.

Axis dijo que actualmente puede generar más de 1,200 horas de datos de simulación y más de 20,000 horas de datos egocéntricos del mundo real en distintos escenarios cada mes.

La compañía lanzó recientemente Sim Dataset V1 y dijo que los resultados de benchmarks muestran que la diversidad diseñada produce mejoras medibles de desempeño. En LIBERO-Plus, el preentrenamiento de π0.5 en el conjunto de datos totalmente diversificado de Axis mejoró el éxito general en 4.9 puntos y superó por 31.3 puntos a una línea base RoboCasa365 igualada por volumen. Axis dijo que las mejoras incluyeron generalización de configuraciones, resiliencia al ruido de sensores y robustez de la pose del robot. La compañía dijo que los resultados indican que su ventaja proviene de su pipeline propietario de diversidad, y no solo de una mayor escala de datos.

Comercialización y alianzas

Axis Robotics dijo que está comercializando sus datos de entrenamiento para despliegues en el mundo real mediante “Task Packages” personalizados, adaptados a fabricantes de hardware robótico, compañías de modelos de Physical AI y firmas de automatización industrial.

La compañía dijo que ya estableció alianzas comerciales iniciales con Booster Robotics, Manycore Tech, Feagine Robotics, Dexmal, Lotus Car, Geely Auto, SomaStacks y otras empresas. Axis dijo que estas colaboraciones demuestran la demanda del mercado por datos de entrenamiento robótico escalables y de alta fidelidad.

Construir inteligencia física general

“The future of Physical AI hinges on deep symbiosis between models and data,” dijo 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 dijo que su equipo incluye investigadores de IA y robótica de instituciones como UC Berkeley, Carnegie Mellon University, Georgia Tech, NTU y SJTU, así como especialistas en crecimiento que anteriormente escalaron productos de consumo a más de 30 millones de usuarios globales.

Con la ronda semilla de $12 millones liderada por Hack VC, Axis Robotics dijo que planea ampliar sus capacidades de generación procedimental, escalar su red distribuida de colaboradores y fortalecer su papel como motor de datos para Physical AI. La próxima prueba para la compañía será si su infraestructura de datos puede seguir traduciendo datos de movimiento humano simulados y egocéntricos en activos de entrenamiento listos para despliegue para clientes que trabajan con diferentes encarnaciones robóticas y casos de uso industriales.