Axis Robotics是一家构建其所谓面向Physical AI的复合式数据引擎的公司。该公司表示，已完成1200万美元种子轮融资，由Hack VC领投。Nomad Capital、Pi Network Ventures、10K Ventures以及多位天使投资人也参与了本轮融资。

该公司表示，这笔资金将支持其建设一个大规模并行、人在环的全球数据引擎，旨在解决其所称的Physical AI关键瓶颈：规模化生成结构化且高度多样化的机器人训练数据。对于机器人系统而言，这类数据不仅必须捕捉模型看到的内容，还必须捕捉物理动作如何在物体、环境、传感器和机器人本体之间展开。

应对Physical AI的数据瓶颈

Axis Robotics表示，Physical AI面临三大主要障碍，这些障碍不同于用于训练Large Language Models的数据环境。Large Language Models可以利用数万亿个已有互联网数据token进行扩展，而Physical AI必须应对严重的数据稀缺、泛化差距以及不同类型机器人硬件之间的具身碎片化问题。

“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.”

Axis的通用机器人智能路径

Axis表示，其专有的Compounding Data Engine提供端到端工作流程，结合任务生成、数据采集、持续模型训练和优化。

该公司的Task Gen Engine通过在物体、空间布局、视觉、机器人本体和语义等维度进行随机化，生成多样化的原子级机器人任务。Axis表示，这种方法将多样性嵌入到每一条数据轨迹中。

其Browser-Based Sim Teleoperation Platform被该公司描述为全球首个基于网页的界面，可让用户远程生成高质量机器人运动轨迹。Axis表示，该平台的吞吐量比实验室采集高出10x，并集成人在环的DAgger（即Dataset Aggregation）干预循环，以持续完善和纠正机器人策略。

Ego Data Mobile Capture App旨在将真实世界数据采集从成本高昂、硬件密集的部署方式转向零门槛移动应用。Axis表示，该应用将最先进的实时手部姿态追踪（SOTA）与全球劳动力相结合，在全球范围内把人类视觉和灵巧性转化为机器人运动。

Axis的Data Processing Pipeline可自动完成轨迹清洗、域随机化和密集语言标注，生成可直接用于模型的多模态数据集；据该公司称，数据质量提升超过10x。

Axis表示，这一统一架构形成了自我强化的飞轮。来自真实世界或仿真部署中的失败机器人轨迹会触发人类纠正干预，随后反馈到训练中，以扩大边缘案例覆盖范围。该公司表示，随着数据量增加，这一过程会形成复合式智能。

垂直整合的数据基础设施

Axis表示，其核心优势在于一个覆盖Physical AI完整生命周期的统一平台。与其所称的传统碎片化方法相比，该公司表示已构建一个垂直整合引擎，将大规模分布式预训练数据采集与训练后的实时人在环Dataset Aggregation相结合。

Axis专有的Task Generation Engine为数据多样性而构建，可随机化物体布局、光照、摄像机姿态、物理属性和机器人形态。该公司表示，这会持续创建独特场景和操作任务，并生成面向泛化能力设计的训练数据。

为支持基础模型规模的多样化数据，Axis表示已建立全球机器人数据基础设施，拥有超过100,000名活跃贡献者。根据该公司的说法，这些贡献者平均每天提交数据3到4次，从而提升生产效率和多样性覆盖范围。

Axis表示，目前其每月可在多样化场景中生成超过1,200小时仿真数据和超过20,000小时真实世界第一视角数据。

该公司近期推出了Sim Dataset V1，并表示基准测试结果显示，经过工程化设计的多样性带来了可衡量的性能提升。在LIBERO-Plus上，使用Axis完全多样化数据集对π0.5进行预训练，使整体成功率提升4.9个百分点，并比数据量匹配的RoboCasa365基线高出31.3个百分点。Axis表示，这些提升包括布局泛化、传感器噪声韧性和机器人姿态鲁棒性。该公司称，结果表明其优势来自专有的多样性流水线，而不仅仅是更大的数据规模。

商业化与合作伙伴关系

Axis Robotics表示，正在通过定制化“Task Packages”将其训练数据商业化，用于真实世界部署；这些方案面向机器人硬件制造商、Physical AI模型公司和工业自动化企业的需求定制。

该公司表示，已与Booster Robotics、Manycore Tech、Feagine Robotics、Dexmal、Lotus Car、Geely Auto、SomaStacks等公司建立初步商业合作关系。Axis称，这些合作显示出市场对可扩展、高保真机器人训练数据的需求。

构建通用Physical Intelligence

“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表示，其团队包括来自UC Berkeley、Carnegie Mellon University、Georgia Tech、NTU和SJTU等机构的AI和机器人研究人员，以及曾将消费级产品扩展至超过3000万全球用户的增长专家。

在由Hack VC领投的1200万美元种子轮融资完成后，Axis Robotics表示计划扩展其程序化生成能力、扩大其分布式贡献者网络，并强化其作为Physical AI数据引擎的角色。该公司接下来的考验将是，其数据基础设施能否继续把仿真和第一视角人类运动数据转化为可部署的训练资产，以服务于使用不同机器人本体和工业应用场景的客户。