Axis Robotics獲1200萬融資：數據是機器人紫蘇葉

據 Woofun AI 消息，在人工智能產業鏈中，機器人領域的核心制約因素正從硬件與算力轉向數據基礎設施，Axis Robotics 創始人 Chris 指出，數據是決定 Physical AI 能力上限的關鍵變量。當前行業認知多停留在人形機器人的硬件展示，卻忽視了爲機器人提供'動手經驗'的數據環節，這一缺失構成了行業發展的主要瓶頸。Axis Robotics 應運而生，致力於解決機器人缺乏天然互聯網語料庫的問題，通過系統化生產高質量軌跡數據，填補物理世界交互數據的空白，從而推動機器人從實驗室走向真實應用場景。

這種對數據價值的重新審視，標誌着機器人產業供應鏈正在分化出新的細分賽道，數據引擎成爲影響行業格局的核心力量。Chris 強調，真實採集數據的成本高、速度慢且依賴具體硬件，而 Axis Robotics 正是爲了解決這一痛點而成立，其核心使命是爲機器人持續供給訓練數據，使其具備在複雜環境中執行任務的能力。

這一戰略定位不僅回應了行業對數據驅動轉型的迫切需求，也爲 Physical AI 的實際應用提供了基礎支撐。通過構建端到端的數據採集、處理與訓練閉環，Axis Robotics 試圖打破數據匱乏對模型性能的制約，確立其在機器人智能進化中的關鍵地位。

這種從'模型驅動'向'數據驅動'的範式轉移，預示着未來機器人行業的競爭焦點將集中在數據質量、多樣性及閉環優化能力上，而非單純的硬件參數或模型規模。Axis Robotics 的崛起，正是這一趨勢下的典型代表，其通過技術創新與生態構建，正在重塑機器人數據基礎設施的格局。Chris 的職業背景與創業洞察，進一步印證了數據在智能時代的核心價值，其從數據基礎設施到 Physical AI 的跨界經歷，爲 Axis Robotics 的技術路線與商業策略奠定了堅實基礎。

這種對行業痛點的精準把握，使得 Axis Robotics 能夠在衆多機器人初創企業中脫穎而出，成爲數據引擎領域的先行者。其不僅關注數據的數量，更重視數據的多樣性與真實性，力求通過混合數據源策略，解決仿真與真實世界之間的鴻溝問題。

這種全方位的數據解決方案，旨在爲機器人提供全面、精準的訓練素材，從而加速其智能水平的提升。Axis Robotics 的出現，不僅填補了市場空白，也爲整個機器人行業提供了新的思考方向，即數據纔是機器人智能化的真正'紫蘇葉'。

7月27日，Axis Robotics 宣佈完成 1200 萬美元種子輪融資，由 Hack VC 領投，Nomad Capital、Pi Network Ventures、10K Ventures 及多名天使投資者參投。這筆資金並非用於製造機器人硬件，而是專注於構建爲機器人'喂經驗'的數據引擎，凸顯了資本市場對數據基礎設施價值的認可。創始人 Chris 的職業履歷深厚，曾任 Chainbase 首席運營官，並共同領導 Theia 項目，這是 Hugging Face 上首個加密原生基礎模型；此前他還擔任經緯創投風險投資人及貝恩公司管理顧問。

這些經歷使其對數據價值、人工智能趨勢及加密技術有深刻理解，爲 Axis Robotics 的戰略制定提供了多維視角。Hack VC 等知名機構的加入，不僅帶來了資金支持，也引入了豐富的行業資源與人脈網絡，有助於 Axis Robotics 快速拓展市場與合作伙伴。Nomad Capital 和 Pi Network Ventures 的參投，反映了加密社區對 Physical AI 領域的關注，預示着區塊鏈技術與機器人數據的結合可能成爲未來趨勢。

10K Ventures 及天使投資者的支持，則體現了早期市場對這一新興賽道的信心。Chris 在 Chainbase 和 Theia 的經驗，使其能夠巧妙地將區塊鏈技術應用於數據溯源與激勵分配，提升數據生產的透明度與效率。經緯創投和貝恩公司的背景，則賦予了他敏銳的商業洞察力與嚴謹的管理思維，確保 Axis Robotics 在追求技術創新的同時，保持商業模式的可行性與可持續性。

這種多元化的資本結構與創始團隊背景，爲 Axis Robotics 的長期發展奠定了堅實基礎，使其能夠在激烈的市場競爭中保持優勢。融資的成功，不僅驗證了 Axis Robotics 商業模式的潛力，也爲其後續的產品研發、生態擴張與商業化落地提供了充足彈藥。隨着資金的注入，Axis Robotics 將加速推進其混合數據源閉環引擎的建設，擴大全球貢獻者網絡，並深化與機器人硬件廠商、模型公司及垂直行業客戶的合作。

這一輪融資標誌着 Axis Robotics 從概念驗證階段進入規模化發展階段，其數據引擎有望成爲 Physical AI 領域的重要基礎設施。Chris 表示，這筆資金將主要用於技術研發、人才引進與市場拓展，以進一步提升數據質量與生產效率，滿足日益增長的市場需求。通過構建高效、低成本的數據生產體系，Axis Robotics 旨在降低機器人訓練門檻，加速智能機器人的普及與應用。

這種資本與技術的結合，正在推動機器人行業從硬件競爭轉向數據競爭，開啓智能化發展的新篇章。

Chris 的創業契機源於對數據基礎設施的深刻洞察，其上一段創業經歷類似於 Databricks，專注於幫助企業理順數據並挖掘價值。這段經歷讓他意識到，數據雖不性感，卻是決定公司天花板的關鍵變量。2024 年初，他觀察到行業正從'模型驅動'轉向'數據驅動'，模型迭代雖快，但數據纔是地基，且最難標準化。Surge AI 的案例令他震驚：2020 年成立，四年收入突破 10 億美元，遠超 Scale AI，且融資極少，這讓他重新評估數據在智能時代的價值。

通過與南洋理工、伯克利、英偉達的朋友交流，他確認了學界與產業界的共識：模型迭代迅速，但數據是瓶頸，尤其在 Physical AI 領域，數據需求可能是當前人工智能的百倍。當時市場上缺乏 Physical AI 數據的心智佔領者，這爲創業者提供了巨大機會。2025 年夏天，Chris 與 NTU、UCB 的朋友系統討論技術路線，正式啓動 Axis Robotics。

這一決策基於對行業趨勢的精準判斷，即數據將成爲 Physical AI 規模化的核心制約因素。Chris 認爲，物理世界比文本世界複雜得多，真實環境的變化、傳感器噪聲、長尾操作及不同用戶習慣，都會成倍放大數據需求。因此，構建一個能夠高效生產高質量物理世界交互數據的平臺，成爲必然選擇。Axis Robotics 的誕生，正是爲了填補這一市場空白，通過技術創新解決數據匱乏問題，推動機器人智能水平的提升。Chris 的職業背景使其能夠從多個維度審視數據價值，從數據基礎設施到人工智能模型，再到加密技術應用，他始終關注數據如何驅動智能進化。

這種跨領域的視野，使 Axis Robotics 能夠設計出獨特的混合數據源策略，結合仿真、第一視角與真機遙操作數據，形成互補優勢。通過與學術界和產業界的緊密合作，Axis Robotics 能夠快速獲取前沿技術洞察，確保其技術路線的先進性與可行性。

這種開放合作的模式，不僅加速了產品研發進程，也增強了 Axis Robotics 在行業內的影響力與話語權。Chris 強調，Axis Robotics 的目標不是成爲單純的數據供應商，而是構建一套可編程的任務生成系統、可調度的分佈式貢獻網絡及持續優化的訓練閉環，成爲 Physical AI 智能生產體系的一部分。

這種長期願景，指導着 Axis Robotics 的產品設計與生態建設，使其在追求短期商業成功的同時，不忘長期價值積累。通過不斷迭代優化，Axis Robotics 旨在成爲機器人數據基礎設施的領導者，推動整個行業向數據驅動轉型。

數據被 Chris 比喻爲機器人的'紫蘇葉'，意指其雖不起眼，卻是決定模型收斂與性能的關鍵。大模型的發展證明，技術路線驗證後，能力提升依賴數據、算力與模型規模的共同擴大。從 GPT-1 到 GPT-3，大規模預訓練帶來能力躍遷，但機器人行業仍處於更早階段。當前硬件與算法進展迅速，VLA 連接視覺、語言與動作，世界模型預測環境變化，WAM 結合狀態預測與動作生成，但機器人缺乏真實世界交互數據，難以實現類似 GPT-1 時刻的躍遷。

公開數據規模極小，Open X-Embodiment 整合 21 家機構、22 種機器人、100 萬條軌跡，遠不及互聯網數據量級，其他數據集僅數百小時。Chris 指出，卡住機器人基礎模型的並非模型結構，而是數據規模與多樣性不足。若無足夠跨場景、跨行業真實數據，再好的模型與硬件也只能在實驗室空轉。數據在此階段非錦上添花，而是決定 Physical AI 能否跨過拐點的關鍵變量。

這一觀點顛覆了傳統認知，即硬件與模型是核心，數據是輔助。實際上，數據是智能進化的燃料，沒有高質量數據，模型無法學習真實物理規律與人類意圖。Axis Robotics 正是基於這一洞察，專注於生產高質量、多樣化的機器人訓練數據，解決數據匱乏問題。通過構建混合數據源閉環引擎，Axis Robotics 旨在提供全面、精準的訓練素材，加速機器人智能水平提升。

這種對數據價值的重新定義，正在重塑機器人行業的競爭格局，數據引擎成爲新的核心競爭力。Chris 強調，數據不僅是數量問題，更是質量與多樣性問題，只有覆蓋現實世界複雜度的數據，才能訓練出魯棒性強的機器人模型。因此，Axis Robotics 致力於通過技術創新，擴大數據規模，提升數據質量，滿足日益增長的市場需求。

Axis Robotics 的業務本質是幫機器人積累'動手經驗'，通過混合數採集方式對比，解決數據規模、多樣性與真實物理對齊難題。仿真遙操作數據門檻低，通過網頁遠程操控虛擬機器人產出大量數據，隨機組合機器人形態、物體、場景與任務，快速鋪開多樣性，但存在'虛實差異'，模擬器難以還原真實路況。第一視角真人數據如行車記錄儀，普通人用手機採集真實操作，自帶視覺與語言信息，幫助模型理解人類行爲，但缺乏精確關節數據，難以訓練精細動作。

真機遙操作數據精度最高，貼近真實物理交互，特別是模型失敗後人接管糾正的軌跡，對模型改進價值極高，但成本高、產能有限。Chris 指出，答案非哪種更好，而是三種數據各司其職：仿真鋪量，第一視角補充真實世界常識，真機遙操作進行精度校準與閉環糾錯。Axis Robotics 構建'混合數據源、雙向閉環引擎'，用仿真遙操作數據做雙輪供給，結合 Human-Gated DAgger，即模型失敗後人介入糾正，再將糾正結果送回訓練。數據經採集、清洗、增強，進入統一視覺、語言、動作模型訓練，再到虛實部署、失敗反饋迴流與補數據，形成自轉循環。

這種策略有效解決了單一數據源的侷限性，通過互補優勢，提升數據整體質量與效率。Axis Robotics 還搭建網頁端仿真平臺與手機端採集工具，讓普通人蔘與，日常動作如疊衣服、整理桌子均可變爲學習素材。

這種衆包模式，不僅擴大了數據規模，也提升了數據多樣性，覆蓋更多真實場景與用戶習慣。通過技術創新與衆包模式結合，Axis Robotics 旨在構建高效、低成本的數據生產體系，降低機器人訓練門檻，加速智能機器人普及。

Axis V2 的發佈標誌着 Axis Robotics 從單向數據採集站升級爲端到端閉環系統，涵蓋任務生成、數據採集、模型訓練與評估優化。第一步'出題'，在仿真環境中用算法組合機器人本體、目標物體、位置、視覺條件等變量，指數級放大任務多樣性。第二步'做題'，全球貢獻者通過網頁或手機端完成仿真任務，或用移動端第一視角應用採集真實操作。

第三步'閱卷和加工'，清洗、平滑、重採樣原始數據，藉助 RoboVerse 在不同仿真環境間流轉，增強數據，改變場景材質、光照、相機角度、物理參數，擴展訓練樣本。經過成功條件檢查、異常過濾與格式統一，數據進入模型訓練。訓練後，模型在仿真與評測環境中執行任務，觀察失敗場景，轉化爲新定向採集任務。模型自主執行，偏離路徑時貢獻者接管糾正，糾錯數據重新進入訓練，形成飛輪效應。

Dataset V1 驗證了這一流程，包含 207 個操作任務、5 萬條軌跡、6 萬多個任務及場景變體。在 LIBERO-Plus 評測中，用完整 AXIS 數據預訓練後，π0.5 總體成功率從 83.9 提升至 88.8，提高 4.9 個百分點，RoboCasa 對照組爲 57.5。這證明模型提升不僅取決於數據數量，更與任務、場景、視角及擾動條件多樣性有關。Axis V2 的意義在於讓 Axis 從'收數據的'變爲'幫模型變聰明的'完整系統，通過閉環優化，持續提升模型性能。

這種端到端的解決方案，旨在爲機器人提供全面、精準的訓練素材，從而加速其智能水平的提升。Axis Robotics 的出現，不僅填補了市場空白，也爲整個機器人行業提供了新的思考方向，即數據纔是機器人智能化的真正'紫蘇葉'。

數據價值評判標準包括乾淨、有新意、能落到真實世界及推動模型進步。第一關看可用性，操作是否完成、有無卡死掉線、動作重放是否復現、有無設備卡頓或物理違規，通過輕量模型快速體檢，不合格數據不進入訓練池。第二關看新信息，軌跡場景、物體、交互方式與已有數據的差異，少見場景佈局、特殊材質、罕見操作方式價值高，複合任務逼模型舉一反三。第三關看仿真到現實的遷移，仿真數據需考慮真實世界變化，如光線、材質、摩擦力、相機角度擾動，變量擾動越充分，模型上真機越不易'見光死'。

最後看對長期迭代的貢獻，模型真機翻車後人接管糾正的軌跡特別值錢，精準指出模型短板，新任務、新機型軌跡幫模型擴大能力邊界，簡單任務重複數據收益遞減。Axis Robotics 將部分數據生產過程放在 Base 鏈上，Base 是建立在以太坊上的低成本區塊鏈網絡，記錄任務編號、數據軌跡編號、用戶編號及關聯，實現溯源、驗證、激勵與分配。Base 社區全球化、參與門檻低、使用成本低、交易確認快，便於記錄貢獻與發放激勵。Axis 獎勵高質量貢獻，通過雙層評分和積分體系判斷數據價值，貢獻越好、評分越高、獎勵越多。Base 鏈的高效與低成本，契合高頻、微小激勵的全球協作需求，提升數據生產透明度與效率。

這種區塊鏈技術的應用，不僅增強了數據溯源能力，也激勵了全球貢獻者參與，擴大了數據規模與多樣性。Axis Robotics 的出現，不僅填補了市場空白，也爲整個機器人行業提供了新的思考方向，即數據纔是機器人智能化的真正'紫蘇葉'。

Axis Robotics 商業化路徑清晰，服務三類客戶：機器人硬件與具身公司如 Booster Robotics、Feagine Robotics、AgiBot，提供定製化數據與可部署模型，補齊操作能力；視覺—語言—動作模型或世界模型公司如 Manycore Tech、SomaStacks，提供高質量任務集與數據集，聯合訓練通用模型；垂直行業企業如蓮花跑車（Lotus）、吉利汽車，提供以機器學習爲基礎的端到端自動化方案，將機器人用進生產線。客戶表面缺數據，實際缺的是泛化能力、模型訓練素材或自動化解決方案。Axis 交付不只是一包數據，而是根據客戶需求與內部能力邊界調整，提供數的解決方案，提高競爭力，幫助客戶提效提質。

這種靈活的商業策略，旨在滿足不同客戶的多樣化需求，提升 Axis Robotics 的市場滲透率與客戶粘性。通過與不同類型客戶的合作，Axis Robotics 能夠積累豐富的行業經驗，優化其數據生產與處理流程，提升數據質量與效率。

這種全方位的服務模式，旨在爲機器人提供全面、精準的訓練素材，從而加速其智能水平的提升。Axis Robotics 的出現，不僅填補了市場空白，也爲整個機器人行業提供了新的思考方向，即數據纔是機器人智能化的真正'紫蘇葉'。

Woofun AI 整理數據顯示，平臺上線 15 周，累計註冊貢獻者超 8 萬，剔除無效地址，均爲真實有效數據。發佈 1600 個預訓練機器學習任務，收集超 200 萬條數據軌跡，約 3500 小時高質量數據。高質量貢獻者約 2 萬人，佔比 30%。過去 30 天活躍 7800 人，過去 7 天活躍 5300 人，周活月活比率 68%。過去 30 天貢獻 68 萬條軌跡，過去 7 天貢獻 16 萬條軌跡。

這種活躍度與參與深度，顯示用戶對'訓練即貢獻、貢獻可獲得激勵'模式的興趣，社區形成相對成熟、穩定的機器人智能貢獻者網絡。這些數據指標不僅驗證了 Axis Robotics 衆包模式的有效性，也反映了全球用戶對參與機器人智能進化的熱情。通過高效的激勵體系與低門檻參與方式，Axis Robotics 成功吸引了大量貢獻者，擴大了數據規模與多樣性。

這種社區驅動的數據生產模式，不僅降低了數據獲取成本，也提升了數據質量與真實性，爲機器人訓練提供了豐富素材。Axis Robotics 的出現，不僅填補了市場空白，也爲整個機器人行業提供了新的思考方向，即數據纔是機器人智能化的真正'紫蘇葉'。

Chris 認爲，機器人大規模爆發的拐點在於數據基礎設施成熟，而非硬件成本下降或模型能力躍遷。中國供應鏈優勢使硬件成本快速下降，但機器人不夠聰明，缺乏對真實世界物理規律與人類意圖的常識理解。只有像抓取網頁一樣，低成本、規模化獲得物理世界交互數據，並轉化爲模型養料，機器人才能真正爆發。Axis Robotics 的長期護城河非單點能力，而是跨場景、規模化、持續優化的數據基礎設施，嵌入客戶智能生產體系，成爲不易替換的一環。

短期拼數據轉模型效率，長期拼結構性嵌入，一旦客戶使用 Axis 仿真資產體系、分佈式採集網絡與模型糾錯閉環，雙方訓練流程耦合，替換成本高。Axis 目標是成爲 Physical AI 智能生產體系一部分，而非可替換數據供應商。未來 18 個月，行業缺大規模、高覆蓋數據，量與多樣性核心；三年後，需特定領域、場景專業數據。Axis 積累資產爲可編程任務生成系統、可調度分佈式貢獻網絡與持續優化訓練閉環，橫向擴展行業，縱向深入垂直領域。

短期拼規模，中期拼效率，長期拼嵌入。未來 6 到 12 個月，Axis 推進產品、生態與商業化，9 月鋪開第一視角數據採集管線，10 月發佈 Dataset V2，年底發佈首個大規模 Human-Gated DAgger 後訓練數據集。生態上擴張全球網絡，進入拉美與歐洲市場，第一視角數據日產能保持 500 小時以上，仿真數據日產能提升至 50 小時以上。

商業化上，年底完成 2 到 3 個新付費試點項目，明年初進入基礎模型公司優選供應商名單。一年後，希望外界用'規模、多樣性、閉環'描述 Axis，解決模型進化效率問題，讓機器人模型進化更快。這是繼大模型數據基礎設施成熟後，Physical AI 領域的關鍵演進，Axis Robotics 正通過技術創新與生態構建，推動這一進程加速到來。