Axis Robotics, una società che sta sviluppando quello che definisce un motore di dati compounding per la Physical AI, ha dichiarato di aver raccolto 12 milioni di dollari in un round di finanziamento seed guidato da Hack VC. Al round hanno partecipato anche Nomad Capital, Pi Network Ventures, 10K Ventures e diversi investitori angel.

La società ha affermato che il capitale sosterrà il suo impegno per costruire un motore di dati globale, massivamente parallelo e human-in-the-loop, progettato per affrontare quello che descrive come un collo di bottiglia chiave per la Physical AI: generare su larga scala dati di addestramento robotico strutturati e altamente diversificati. Per i sistemi robotici, tali dati devono catturare non solo ciò che un modello vede, ma anche il modo in cui le azioni fisiche si sviluppano tra oggetti, ambienti, sensori e corpi robotici.

Affrontare il collo di bottiglia dei dati nella Physical AI

Axis Robotics ha dichiarato che la Physical AI deve affrontare tre grandi barriere diverse dall’ambiente dei dati utilizzato per addestrare i Large Language Models. Mentre i Large Language Models possono scalare utilizzando migliaia di miliardi di token provenienti da dati Internet preesistenti, la Physical AI deve fare i conti con una grave scarsità di dati, un divario di generalizzazione e la frammentazione dell’embodiment tra diversi tipi di hardware robotico.

“Physical AI demands billions of human-physical interaction motion trajectories,” said Chris, Founder of 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.”

L’approccio di Axis all’intelligenza robotica generale

Axis ha affermato che il suo Compounding Data Engine proprietario offre un flusso di lavoro end-to-end che combina generazione di task, acquisizione dei dati, addestramento continuo dei modelli e ottimizzazione.

Il Task Gen Engine della società genera task robotici atomici diversificati tramite randomizzazione su oggetti, layout spaziali, elementi visivi, embodiment robotici e semantica. Axis ha dichiarato che questo approccio integra la diversità in ogni traiettoria di dati.

La sua Browser-Based Sim Teleoperation Platform è descritta dalla società come la prima interfaccia web al mondo che consente agli utenti di generare da remoto traiettorie di movimento robotico di alta qualità. Axis ha dichiarato che la piattaforma offre un throughput 10x superiore rispetto alla raccolta in laboratorio e integra DAgger human-gated, ovvero Dataset Aggregation, con cicli di intervento per perfezionare e correggere continuamente le policy dei robot.

L’Ego Data Mobile Capture App è progettata per spostare l’acquisizione di dati reali da configurazioni costose e ad alta intensità hardware a un’applicazione mobile senza barriere di ingresso. Axis ha affermato che l’app combina il tracciamento in tempo reale della posa della mano state-of-the-art, o SOTA, con una forza lavoro globale, traducendo visione e destrezza umane in movimento robotico su scala globale.

La Data Processing Pipeline di Axis automatizza la pulizia delle traiettorie, la randomizzazione del dominio e l’annotazione linguistica densa, producendo dataset multimodali pronti per i modelli con una qualità dei dati migliorata di oltre 10x, secondo la società.

Axis ha affermato che l’architettura unificata crea un volano che si autoalimenta. Le traiettorie robotiche fallite provenienti da deployment nel mondo reale o in simulazione attivano un intervento correttivo umano, che viene poi reinserito nell’addestramento per ampliare la copertura dei casi limite. Secondo la società, questo processo crea intelligenza compounding man mano che il volume dei dati aumenta.

Infrastruttura dati verticalmente integrata

Axis ha dichiarato che il suo vantaggio principale è una piattaforma unificata che copre l’intero ciclo di vita della Physical AI. In contrasto con quelli che descrive come approcci tradizionali frammentati, la società ha affermato di aver costruito un motore verticalmente integrato che combina la raccolta distribuita su larga scala di dati di pre-addestramento con Dataset Aggregation human-gated in tempo reale dopo l’addestramento.

Progettato per la diversità dei dati, il Task Generation Engine proprietario di Axis randomizza layout degli oggetti, illuminazione, pose delle camere, proprietà fisiche e morfologie dei robot. La società ha dichiarato che questo crea scene e task di manipolazione continuamente unici e produce dati di addestramento progettati per la generalizzazione.

Per supportare dati diversificati su scala da foundation model, Axis ha dichiarato di aver creato un’infrastruttura globale di dati robotici con oltre 100.000 contributor attivi. Secondo la società, questi contributor inviano dati in media da 3 a 4 volte al giorno, aumentando sia l’efficienza produttiva sia la copertura della diversità.

Axis ha dichiarato di poter attualmente generare ogni mese più di 1.200 ore di dati di simulazione e oltre 20.000 ore di dati egocentrici reali in scenari diversificati.

La società ha recentemente lanciato Sim Dataset V1 e ha affermato che i risultati dei benchmark mostrano che la diversità ingegnerizzata produce miglioramenti misurabili delle prestazioni. Su LIBERO-Plus, il pre-addestramento di π0.5 sul dataset completamente diversificato di Axis ha migliorato il successo complessivo di 4,9 punti e ha superato di 31,3 punti una baseline RoboCasa365 con volume equivalente. Axis ha dichiarato che i miglioramenti hanno riguardato la generalizzazione dei layout, la resilienza al rumore dei sensori e la robustezza della posa del robot. Secondo la società, i risultati indicano che il suo vantaggio deriva dalla pipeline proprietaria per la diversità, non semplicemente da una maggiore scala dei dati.

Commercializzazione e partnership

Axis Robotics ha dichiarato di stare commercializzando i suoi dati di addestramento per deployment nel mondo reale attraverso “Task Packages” personalizzati, pensati per produttori di hardware robotico, società di modelli di Physical AI e aziende di automazione industriale.

La società ha affermato di aver già avviato partnership commerciali iniziali con Booster Robotics, Manycore Tech, Feagine Robotics, Dexmal, Lotus Car, Geely Auto, SomaStacks e altre aziende. Secondo Axis, queste collaborazioni dimostrano la domanda di mercato per dati di addestramento robotico scalabili e ad alta fedeltà.

Costruire l’intelligenza fisica generale

“The future of Physical AI hinges on deep symbiosis between models and data,” said 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 ha dichiarato che il suo team include ricercatori di AI e robotica provenienti da istituzioni tra cui UC Berkeley, Carnegie Mellon University, Georgia Tech, NTU e SJTU, oltre a specialisti della crescita che in precedenza hanno scalato prodotti consumer fino a oltre 30 milioni di utenti globali.

Con il round seed da 12 milioni di dollari guidato da Hack VC, Axis Robotics ha dichiarato di voler espandere le proprie capacità di generazione procedurale, scalare la sua rete distribuita di contributor e rafforzare il proprio ruolo come motore di dati per la Physical AI. La prossima prova per la società sarà verificare se la sua infrastruttura dati riuscirà a continuare a tradurre dati di movimento umano simulati ed egocentrici in asset di addestramento pronti per il deployment per clienti attivi su diversi embodiment robotici e casi d’uso industriali.