Axis Robotics, компания, создающая, по ее словам, compounding data engine для Physical AI, сообщила о привлечении $12 млн в посевном раунде финансирования под руководством Hack VC. В раунде также участвовали Nomad Capital, Pi Network Ventures, 10K Ventures и несколько бизнес-ангелов.

Компания заявила, что капитал поддержит ее усилия по созданию глобального data engine с массово-параллельной архитектурой и участием человека в цикле, предназначенного для решения, как она описывает, ключевого узкого места Physical AI: масштабной генерации структурированных и крайне разнообразных обучающих данных для робототехники. Для робототехнических систем такие данные должны фиксировать не только то, что видит модель, но и то, как физические действия разворачиваются при взаимодействии с объектами, средами, сенсорами и роботизированными корпусами.

Решение проблемы нехватки данных в Physical AI

Axis Robotics заявила, что Physical AI сталкивается с тремя крупными барьерами, отличающимися от среды данных, используемой для обучения Large Language Models. В то время как Large Language Models могут масштабироваться за счет триллионов токенов уже существующих интернет-данных, Physical AI приходится иметь дело с острой нехваткой данных, разрывом в обобщающей способности и фрагментацией воплощений среди различных типов робототехнического оборудования.

“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.”

Подход Axis к общей робототехнической интеллектуальности

Axis заявила, что ее собственный Compounding Data Engine обеспечивает сквозной рабочий процесс, объединяющий генерацию задач, сбор данных, непрерывное обучение моделей и оптимизацию.

Task Gen Engine компании генерирует разнообразные атомарные робототехнические задачи за счет рандомизации объектов, пространственных конфигураций, визуальных параметров, роботизированных воплощений и семантики. Axis заявила, что такой подход закладывает разнообразие в каждую траекторию данных.

Browser-Based Sim Teleoperation Platform компания описывает как первый в мире веб-интерфейс, позволяющий пользователям удаленно генерировать высококачественные траектории роботизированных движений. Axis заявила, что платформа обеспечивает пропускную способность в 10x выше, чем сбор данных в лаборатории, и интегрирует human-gated DAgger, или Dataset Aggregation, циклы вмешательства для непрерывного уточнения и корректировки политик роботов.

Ego Data Mobile Capture App предназначено для переноса сбора реальных данных из дорогостоящих, требующих большого количества оборудования установок в мобильное приложение с нулевым барьером входа. Axis заявила, что приложение объединяет state-of-the-art, или SOTA, отслеживание положения рук в реальном времени с глобальной рабочей силой, переводя человеческое зрение и ловкость в роботизированное движение в глобальном масштабе.

Data Processing Pipeline Axis автоматизирует очистку траекторий, доменную рандомизацию и плотную языковую аннотацию, создавая готовые для моделей мультимодальные наборы данных с более чем 10x улучшением качества данных, по данным компании.

Axis заявила, что единая архитектура создает самоподдерживающийся маховик. Неудачные траектории роботов из реального развертывания или симуляции запускают корректирующее вмешательство человека, которое затем возвращается в обучение для расширения покрытия крайних случаев. По словам компании, этот процесс создает накапливающуюся интеллектуальность по мере роста объема данных.

Вертикально интегрированная инфраструктура данных

Axis заявила, что ее ключевое преимущество — единая платформа, охватывающая полный жизненный цикл Physical AI. В отличие от того, что компания описывает как традиционные фрагментированные подходы, она заявила о создании вертикально интегрированного движка, который объединяет крупномасштабный распределенный сбор данных для предварительного обучения с real-time human-gated Dataset Aggregation после обучения.

Собственный Task Generation Engine Axis, созданный для разнообразия данных, рандомизирует расположение объектов, освещение, положения камер, физические свойства и морфологии роботов. Компания заявила, что это создает постоянно уникальные сцены и задачи манипулирования, а также производит обучающие данные, ориентированные на обобщение.

Для поддержки диверсифицированных данных масштаба foundation models Axis, по ее словам, создала глобальную инфраструктуру робототехнических данных с более чем 100,000 активных участников. По данным компании, эти участники отправляют данные в среднем 3–4 раза в день, повышая как эффективность производства, так и охват разнообразия.

Axis заявила, что в настоящее время может генерировать более 1,200 часов симуляционных данных и свыше 20,000 часов реальных эгоцентричных данных по различным сценариям каждый месяц.

Компания недавно запустила Sim Dataset V1 и заявила, что результаты бенчмарков показывают: инженерно спроектированное разнообразие дает измеримые приросты производительности. На LIBERO-Plus предварительное обучение π0.5 на полностью диверсифицированном наборе данных Axis улучшило общий показатель успеха на 4.9 пункта и превзошло сопоставимый по объему базовый уровень RoboCasa365 на 31.3 пункта. Axis заявила, что приросты включали обобщение по компоновкам, устойчивость к шуму сенсоров и надежность к позам роботов. По словам компании, результаты указывают на то, что ее преимущество связано с собственной pipeline разнообразия, а не только с большим масштабом данных.

Коммерциализация и партнерства

Axis Robotics заявила, что коммерциализирует свои обучающие данные для реального развертывания через кастомизированные “Task Packages”, адаптированные под производителей робототехнического оборудования, компании, разрабатывающие модели Physical AI, и фирмы промышленной автоматизации.

Компания сообщила, что уже установила первоначальные коммерческие партнерства с Booster Robotics, Manycore Tech, Feagine Robotics, Dexmal, Lotus Car, Geely Auto, SomaStacks и другими компаниями. Axis заявила, что эти сотрудничества демонстрируют рыночный спрос на масштабируемые и высокоточные обучающие данные для робототехники.

Создание общего физического интеллекта

“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 заявила, что в ее команду входят исследователи ИИ и робототехники из таких институтов, как UC Berkeley, Carnegie Mellon University, Georgia Tech, NTU и SJTU, а также специалисты по росту, ранее масштабировавшие потребительские продукты до более чем 30 млн пользователей по всему миру.

После посевного раунда на $12 млн под руководством Hack VC Axis Robotics заявила, что планирует расширить возможности процедурной генерации, масштабировать распределенную сеть участников и укрепить свою роль data engine для Physical AI. Следующим испытанием для компании станет то, сможет ли ее инфраструктура данных и дальше переводить симулированные и эгоцентричные данные о движениях человека в готовые к развертыванию обучающие активы для клиентов, работающих с различными роботизированными воплощениями и промышленными сценариями использования.