Axis Robotics：AI机器人下一轮竞争，正在从模型转向数据

近期$AXIS进行社区发售，总规模100万美元，价格0.10美元，对应1亿美元FDV，参与者需遵守地区限制。团队希望将社区贡献转化为商业价值，可能成为连接AI、机器人与现实世界的数据基础设施。

核心逻辑是数据越多，模型训练越好，进而生成新任务，形成“Compounding Data Engine”。潜在客户包括机器人厂商、模型公司及工业自动化企业。

公司7月完成1200万美元种子轮融资，由Hack VC领投，规划了任务生成、模拟数据采集、移动端数据采集和数据处理四部分产品，形成从数据产生到训练的完整流程。

Axis Robotics定位为Physical AI的数据引擎，而非直接造机器人，通过全球贡献者网络和模拟环境生成训练数据，解决机器人数据有限和场景差异问题。

从“机器人”切入，但不直接造机器人

Axis Robotics将自己定位为面向Physical AI的“Compounding Data Engine”，即不断产生、验证和优化机器人训练数据的数据基础设施。

简单来说，Axis并不是自己去造一台人形机器人，而是希望成为机器人背后的“数据层”。

目前机器人训练面临一个比较现实的问题：实验室里的数据有限，而且不同机器人、不同环境、不同任务之间存在明显差异。

同样是“拿起一个杯子”，换一个机器人、换一个桌面、换一个角度，机器人可能就需要重新学习。

Axis的思路，是通过任务生成、模拟环境、全球贡献者以及数据处理体系，不断扩大机器人可以学习的数据规模。

官网显示，Axis目前已经建立了超过10万人的全球贡献者网络，并围绕机器人操作任务持续产生数据。

12亿美元？不是，是1200万美元融资

Axis Robotics在今年7月宣布完成1200万美元Seed轮融资，由Hack VC领投，Nomad Capital、Pi Network Ventures、10K Ventures等机构和投资人参与。

这笔融资对于Axis来说，核心用途并不是简单扩大团队，而是继续完善其Physical AI数据引擎。

Axis目前规划了四个相互连接的产品方向：

任务生成引擎、模拟数据采集平台、移动端第一视角数据采集应用，以及数据处理流水线。

这四部分实际上对应了机器人数据从“产生”到“训练”的完整过程。

任务生成负责制造更多样化的场景，贡献者负责产生机器人操作轨迹，数据处理系统负责筛选和加工，最终形成能够用于模型训练的数据。

这也是Axis与普通机器人项目比较明显的区别。

为什么机器人真正缺的可能是数据？

大模型的发展已经证明，模型能力提升很大程度上依赖数据规模和数据质量。

但机器人面对的世界比互联网文本复杂得多。

文字数据可以直接复制，而机器人需要理解空间、物体、动作、力度、位置以及人与环境之间的关系。

因此，一套机器人数据不仅要告诉模型“做什么”，还需要告诉它“怎么做”。

Axis目前采用Human-in-the-loop模式，让全球贡献者通过模拟环境完成不同的机器人操作任务，再对提交的数据进行验证和筛选。

官方披露的信息显示，Axis会对提交的轨迹进行模拟回放、物理一致性检查以及视觉模型评估，只有通过验证的数据才进入训练数据池。

这意味着Axis想做的并不是简单的“数据众包”，而是建立一个持续循环的数据生产系统。

数据越多，系统越容易继续扩张

Axis提出的核心逻辑其实比较简单：

任务越多 → 数据越多 → 模型训练效果越好 → 能够发现更多问题 → 再生成新的任务 → 获得更多数据。

这就是它所谓的“Compounding Data Engine”。

目前Axis已经推出任务生成、模拟数据采集、移动端数据采集和数据处理等产品，并希望将不同来源的数据统一转换成适合机器人模型训练的数据。

从商业模式来看，Axis未来面对的客户也不只是机器人公司。

官方披露的潜在客户包括机器人硬件厂商、模型公司以及需要工业自动化解决方案的企业。

如果Physical AI未来继续扩大，机器人训练数据本身可能会成为一个独立的基础设施市场。

$AXIS进入公开发售阶段

除了产品和融资，Axis近期还有一个值得关注的节点——$AXIS社区发售。

根据Axis官方公布的信息，本次社区发售总规模为100万美元，对应1000万枚AXIS，占总供应量的1%。

代币固定价格为0.10美元，对应约1亿美元FDV。

AXIS总供应量为10亿枚。