Axis Robotics 表示，該公司正在打造其所稱的 Physical AI 複合式資料引擎，並已完成由 Hack VC 領投的 1,200 萬美元種子輪融資。Nomad Capital、Pi Network Ventures、10K Ventures 及多位天使投資人也參與了本輪融資。

該公司表示，這筆資金將支持其建構一個大規模平行、具有人類參與式流程的全球資料引擎，以解決其所稱 Physical AI 的關鍵瓶頸：大規模生成結構化且高度多樣化的機器人訓練資料。對機器人系統而言，這類資料不僅必須捕捉模型所看見的內容，也要反映物理動作如何在物體、環境、感測器與機器人本體之間展開。

解決 Physical AI 的資料瓶頸

Axis Robotics 表示，Physical AI 面臨三項主要障礙，與訓練大型語言模型所使用的資料環境不同。大型語言模型可以利用既有網際網路資料中的數兆個 token 進行擴展，但 Physical AI 必須面對嚴重的資料稀缺、泛化落差，以及不同類型機器人硬體之間的本體碎片化問題。

「Physical AI 需要數十億條人類與物理世界互動的運動軌跡，」Axis Robotics 創辦人 Chris 表示。「多年來，產業一直缺乏一套高效率、可無限擴展的混合式資料生產系統，能幫助模型輕鬆迭代——而這正是我們透過 Axis 打造的內容：一個複合式資料引擎。」

Axis 對通用機器人智慧的做法

Axis 表示，其專有的 Compounding Data Engine 提供端到端工作流程，結合任務生成、資料擷取、持續模型訓練與最佳化。

該公司的 Task Gen Engine 透過在物體、空間佈局、視覺、機器人本體與語義之間進行隨機化，生成多樣化的原子級機器人任務。Axis 表示，這種方法將多樣性嵌入每一條資料軌跡中。

其 Browser-Based Sim Teleoperation Platform 被該公司描述為全球首個網頁式介面，可讓使用者遠端生成高品質的機器人運動軌跡。Axis 表示，該平台的產出效率比實驗室資料收集高出 10x，並整合由人類把關的 DAgger（即 Dataset Aggregation）介入迴圈，以持續改善並修正機器人策略。

Ego Data Mobile Capture App 旨在將真實世界資料擷取從高成本、重硬體的配置轉向零門檻的行動應用程式。Axis 表示，該應用程式將最先進（SOTA）的即時手部姿態追蹤與全球勞動力結合，在全球規模上把人類視覺與靈巧度轉化為機器人運動。

Axis 的 Data Processing Pipeline 會自動化軌跡清理、領域隨機化與密集語言標註，並產出可供模型使用的多模態資料集；據該公司稱，資料品質提升超過 10x。

Axis 表示，這套統一架構形成自我強化的飛輪。來自真實世界或模擬部署的失敗機器人軌跡會觸發人類修正介入，隨後回饋至訓練流程，以擴大邊緣案例覆蓋範圍。該公司表示，隨著資料量增加，這一流程會形成複合式智慧。

垂直整合的資料基礎設施

Axis 表示，其核心優勢是一個覆蓋 Physical AI 完整生命週期的統一平台。相較於其所稱的傳統碎片化做法，該公司表示已建立一套垂直整合引擎，將大規模分散式預訓練資料收集與訓練後即時、由人類把關的 Dataset Aggregation 結合起來。

Axis 專有的 Task Generation Engine 以資料多樣性為設計核心，會隨機化物體佈局、光照、相機姿態、物理屬性與機器人形態。該公司表示，這能持續創造獨特場景與操作任務，並產出為泛化能力而設計的訓練資料。

為支援基礎模型規模的多樣化資料，Axis 表示已建立一套全球機器人資料基礎設施，擁有超過 100,000 名活躍貢獻者。據該公司稱，這些貢獻者平均每天提交資料 3 到 4 次，提高了生產效率與多樣性覆蓋範圍。

Axis 表示，目前每月可在多樣化場景中生成超過 1,200 小時的模擬資料，以及超過 20,000 小時的真實世界第一視角資料。

該公司近期推出 Sim Dataset V1，並表示基準測試結果顯示，經工程化設計的多樣性帶來可衡量的效能提升。在 LIBERO-Plus 上，使用 Axis 完全多樣化資料集對 π0.5 進行預訓練，使整體成功率提升 4.9 個百分點，並比資料量相當的 RoboCasa365 基準高出 31.3 個百分點。Axis 表示，這些提升包括佈局泛化、感測器雜訊韌性與機器人姿態穩健性。該公司表示，結果顯示其優勢來自專有的多樣性管線，而不只是更大的資料規模。

商業化與合作夥伴關係

Axis Robotics 表示，該公司正透過客製化的「Task Packages」將其訓練資料商業化，用於真實世界部署，並針對機器人硬體製造商、Physical AI 模型公司及工業自動化企業的特定需求進行調整。

該公司表示，已與 Booster Robotics、Manycore Tech、Feagine Robotics、Dexmal、Lotus Car、Geely Auto、SomaStacks 及其他公司建立初步商業合作。Axis 表示，這些合作顯示市場對可擴展、高保真機器人訓練資料存在需求。

建構通用物理智慧

「Physical AI 的未來取決於模型與資料之間的深度共生，」Chris 表示。「靜態資料集無法支撐通用機器人智慧。勝出的解決方案是複合式資料引擎：一套垂直整合系統，將全球貢獻者網路與持續模型迭代連結起來。每一條多樣化軌跡與每一次人類修正，都會推動模型更快改進，形成自我強化的智慧飛輪。」

Axis 表示，其團隊包括來自 UC Berkeley、Carnegie Mellon University、Georgia Tech、NTU 和 SJTU 等機構的 AI 與機器人研究人員，以及曾將消費者產品擴展至超過 3,000 萬名全球使用者的成長專家。

在這輪由 Hack VC 領投的 1,200 萬美元種子輪融資後，Axis Robotics 表示計畫擴展其程序化生成能力、擴大分散式貢獻者網路，並強化其作為 Physical AI 資料引擎的角色。該公司接下來的考驗，將是其資料基礎設施能否持續把模擬資料與第一視角人類運動資料，轉化為可供客戶部署使用的訓練資產，並支援不同機器人本體與工業應用場景。