Axis Robotics, Entwickler eines „Compounding Data Engine“ für Physical AI, hat in einer Seed‑Runde 12 Mio. US‑Dollar eingesammelt. Angeführt wurde die Finanzierung von Hack VC, beteiligt waren zudem Nomad Capital, Pi Network Ventures, 10K Ventures sowie mehrere Business Angels.
Das frische Kapital soll die Mission von Axis beschleunigen, einen massiv parallelen, „human‑in‑the‑loop“ betriebenen, globalen Datenmotor aufzubauen – und damit den größten Engpass von Physical AI zu lösen: die skalierbare Erzeugung strukturierter, äußerst vielfältiger Trainingsdaten für Robotik.
Den Datenflaschenhals in Physical AI aufbrechen
Während Large Language Models auf Billionen von bereits existierenden Internet‑Tokens skalieren können, steht Physical AI vor drei zentralen Hürden: massiver Datenknappheit, mangelnder Generalisierungsfähigkeit und einer starken Fragmentierung der „Embodiments“ über verschiedenste Roboter‑Hardware hinweg.
„Physical AI benötigt Milliarden von Bewegungstrajektorien aus realen Mensch‑Objekt‑Interaktionen“, sagt Chris, Gründer von Axis Robotics. „Der Branche fehlte jahrelang ein effizienter, praktisch unendlich skalierbarer Hybridansatz zur Datenerzeugung, mit dem sich Modelle mühelos iterieren lassen – genau das haben wir mit Axis geschaffen: einen ‚Compounding Data Engine‘.“
Wie Axis allgemeine Robotik‑Intelligenz vorantreibt
Die proprietäre „Compounding Data Engine“ von Axis bietet einen durchgängigen Workflow, der Aufgabengenerierung, Datenerfassung, kontinuierliches Modelltraining und Optimierung integriert:
Task Gen Engine: Generiert exponentiell vielfältige, atomare Robotik‑Aufgaben durch Randomisierung von Objekten, räumlichen Anordnungen, visuellen Szenarien, Roboter‑Embodiments und Semantik – und verankert Diversität in jeder einzelnen Datentrajektorie;
Browser‑basierte Sim‑Teleoperations‑Plattform: Die weltweit erste webbasierte Oberfläche, über die jeder aus der Ferne hochwertige Bewegungstrajektorien für Roboter erzeugen kann. Axis erzielt damit den zehnfachen Durchsatz gegenüber laborbasierten Datensammlungen und integriert nahtlos menschlich gesteuerte DAgger‑(Dataset Aggregation)‑Interventionsschleifen, um Roboter‑Policies kontinuierlich zu verfeinern und zu korrigieren;
Ego Data Mobile Capture App: Verlagert die Erfassung von Realwelt‑Daten von teuren, hardwareintensiven Setups auf eine barrierefreie Smartphone‑App. Durch die Kombination von State‑of‑the‑Art‑Hand‑Pose‑Tracking in Echtzeit mit einer globalen „Crowd Workforce“ übersetzt Axis menschliche Wahrnehmung und Feinmotorik in Robotikbewegungen im weltweiten Maßstab;
Data‑Processing‑Pipeline: Automatisiert das Bereinigen von Trajektorien, Domain‑Randomisierung und dichte Sprachannotation und erzeugt modellfertige, multimodale Datensätze mit mehr als zehnfach verbesserter Datenqualität.
Die einheitliche Architektur bildet einen sich selbst verstärkenden „Flywheel‑Effekt“: Fehlgeschlagene Robotertrajektorien aus Simulation und realen Einsätzen lösen menschliche Korrekturinterventionen aus, die zurück ins Training fließen, Randfälle abdecken und so mit zunehmendem Datenvolumen eine sich aufschaukelnde Intelligenz bewirken.
Strukturelle Burggräben: Vertikal integrierter Diversity‑Engine & globales Contributor‑Netzwerk
Der zentrale Wettbewerbsvorteil von Axis ist eine durchgängige Plattform, die den gesamten Lebenszyklus von Physical AI abdeckt. Anders als traditionelle, stark fragmentierte Ansätze hat Axis einen vertikal integrierten „Engine“ aufgebaut, der großskalige, verteilte Pre‑Training‑Datensammlung mit menschlich kontrollierter Dataset Aggregation nach dem Training verbindet.
Konsequent auf Datenvielfalt ausgelegt, randomisiert der proprietäre Task‑Generation‑Engine von Axis Objektanordnungen, Beleuchtung, Kamerapositionen, physikalische Eigenschaften und Robotermorphologien. So entstehen endlos viele einzigartige Szenen und Manipulationsaufgaben – und damit Trainingsdaten, die auf Generalisierung ausgelegt sind.
Um diversifizierte Daten im Scale von Foundation Models bereitzustellen, hat Axis eine globale Dateninfrastruktur für Robotik aufgebaut, in der über 100.000 aktive Mitwirkende im Schnitt drei- bis viermal täglich Beiträge einreichen. Das maximiert sowohl Produktionseffizienz als auch die Abdeckung an Diversität. Aktuell kann Axis monatlich mehr als 1.200 Stunden Simulationsdaten und über 20.000 Stunden realweltlicher egozentrischer Daten in unterschiedlichsten Szenarien erzeugen.
Vor Kurzem hat Axis das „Sim Dataset V1“ vorgestellt. Benchmark‑Ergebnisse belegen, dass gezielt konstruierte Diversität messbare Leistungssprünge bringt. Auf dem LIBERO‑Plus‑Benchmark erhöhte das Pretraining von π0.5 auf dem vollständig diversifizierten Axis‑Datensatz die durchschnittliche Erfolgsquote um 4,9 Punkte und übertraf eine volumenidentische RoboCasa365‑Baseline um 31,3 Punkte – mit Zugewinnen bei Layout‑Generalisierung, Robustheit gegenüber Sensorrauschen und Stabilität der Roboterpose. Der Abstand zeigt, dass der Vorteil von Axis aus der proprietären Diversity‑Pipeline stammt – nicht nur aus der schieren Datenmenge.
Kommerzialisierung und strategische Partnerschaften
Axis Robotics treibt die Kommerzialisierung seiner hochwertigen Trainingsdaten für reale Anwendungen zügig voran. Das Unternehmen liefert maßgeschneiderte „Task Packages“, die auf die spezifischen Anforderungen von Robotik‑Hardwareherstellern, Physical‑AI‑Modellanbietern und führenden Akteuren in der industriellen Automation zugeschnitten sind.
Erste kommerzielle Partnerschaften wurden bereits mit Unternehmen wie Booster Robotics, Manycore Tech, Feagine Robotics, Dexmal, Lotus Car, Geely Auto, SomaStacks und weiteren geschlossen. Diese Kooperationen unterstreichen die unmittelbare Marktnachfrage nach skalierbaren, hochauflösenden Trainingsdaten für Robotik.
Allgemeine physische Intelligenz neu definieren
„Die Zukunft von Physical AI hängt von einer tiefen Symbiose zwischen Modellen und Daten ab“, sagt Chris. „Statische Datensätze reichen für allgemeine Robotik‑Intelligenz nicht aus. Die Lösung liegt in einem ‚Compounding Data Engine‘: einem vertikal integrierten System, das ein globales Contributor‑Netzwerk mit kontinuierlicher Modelliteration verbindet. Jede zusätzliche Trajektorie und jede menschliche Korrektur beschleunigt die Modellverbesserung und speist einen sich selbst verstärkenden Intelligenz‑Flywheel.“
Das Unternehmen wird von einem Spitzenteam getragen, das führende KI‑ und Robotik‑Forscher:innen von Elite‑Institutionen wie UC Berkeley, Carnegie Mellon University, Georgia Tech, NTU und SJTU vereint – flankiert von Growth‑Spezialisten, die zuvor Consumer‑Produkte auf über 30 Millionen Nutzer weltweit skaliert haben.
Mit der von Hack VC angeführten Seed‑Runde über 12 Mio. US‑Dollar will Axis Robotics seine prozeduralen Generationsfähigkeiten weiter ausbauen, das globale Contributor‑Netzwerk skalieren und seine Position als zentraler Datenmotor für die Zukunft von Physical AI festigen.