Axis Robotics ผู้พัฒนา “compounding data engine” เพื่อเร่งการเติบโตของเทคโนโลยี Physical AI ประกาศระดมทุนรอบซีดมูลค่า 12 ล้านดอลลาร์ นำโดย Hack VC พร้อมนักลงทุนร่วมอย่าง Nomad Capital, Pi Network Ventures, 10K Ventures และกลุ่มนักลงทุนรายย่อย (angel) หลายราย
เงินทุนรอบนี้จะใช้ผลักดันพันธกิจของ Axis ในการสร้างเอนจินข้อมูลระดับโลกแบบ “massively parallel” ที่มีมนุษย์อยู่ในลูป (human-in-the-loop) เพื่อแก้ปัญหาใหญ่สุดของ Physical AI: การสร้างข้อมูลฝึกหุ่นยนต์ที่มีโครงสร้าง หลากหลายสูง และขยายสเกลได้จริง
แก้คอขวด “ข้อมูล” ในโลก Physical AI
ขณะที่โมเดลภาษาขนาดใหญ่ (LLM) เติบโตบนข้อมูลจากอินเทอร์เน็ตระดับหลายล้านล้านโทเค็น โลกของ Physical AI กลับต้องเผชิญ 3 ข้อจำกัดหลักคือ การขาดแคลนข้อมูลอย่างรุนแรง ช่องว่างด้านการ generalize โมเดล และความกระจัดกระจายของ “ร่างกาย” หุ่นยนต์ (embodiment fragmentation) ที่มีฮาร์ดแวร์หลากหลายรูปแบบ
“Physical AI ต้องการทราเจ็กทอรีการเคลื่อนไหวจากปฏิสัมพันธ์มนุษย์–กายภาพระดับ ‘พันล้านเส้นทาง’” Chris ผู้ก่อตั้ง Axis Robotics กล่าว “ที่ผ่านมาอุตสาหกรรมยังไม่มีระบบผลิตข้อมูลแบบไฮบริดที่มีประสิทธิภาพ ขยายสเกลได้แทบไร้ขีดจำกัด และช่วยให้โมเดลเวียนเทรนได้อย่างลื่นไหล — ซึ่งนั่นคือสิ่งที่เราสร้างขึ้นกับ Axis: compounding data engine อย่างแท้จริง”
Axis ปลดล็อก “General Robotics Intelligence” อย่างไร
เอนจินข้อมูลแบบ Compounding ที่ Axis พัฒนาขึ้นเอง ครอบคลุมเวิร์กโฟลว์ตั้งแต่ต้นน้ำถึงปลายน้ำ ตั้งแต่การสร้างภารกิจ การเก็บข้อมูล การฝึกโมเดลอย่างต่อเนื่อง ไปจนถึงการปรับจูนประสิทธิภาพ ประกอบด้วย:
Task Gen Engine: สร้าง “ภารกิจระดับอะตอม” ให้หุ่นยนต์หลากหลายแบบก้าวกระโดด ผ่านการสุ่มเชิงระบบทั้งตัววัตถุ ผังพื้นที่ ภาพและแสง รูปแบบหุ่นยนต์ และบริบทเชิงความหมาย ฝัง “ความหลากหลาย” ลงในทุกทราเจ็กทอรีของข้อมูล
แพลตฟอร์ม Sim Teleoperation ผ่านเบราว์เซอร์: อินเทอร์เฟซบนเว็บรายแรกของโลกที่เปิดโอกาสให้ใครก็ได้สั่งงานหุ่นยนต์ในซิมูเลชันจากระยะไกล เพื่อสร้างทราเจ็กทอรีการเคลื่อนไหวคุณภาพสูง Axis เคลมว่าทำ throughput ได้สูงกว่าแบบเก็บข้อมูลในแล็บถึง 10 เท่า และผสานลูป human-gated DAgger (Dataset Aggregation) เข้ากับระบบ เพื่อให้มนุษย์เข้ามาแก้ไขนโยบายของหุ่นยนต์อย่างต่อเนื่อง
แอป Ego Data Mobile Capture: ย้ายการเก็บข้อมูลจากโลกจริงจากระบบฮาร์ดแวร์ราคาแพงและตั้งค่าซับซ้อน มาสู่แอปมือถือที่แทบไม่มีอุปสรรคในการเริ่มต้น ด้วยการผสานเทคโนโลยีติดตามท่าทางมือแบบเรียลไทม์ระดับ SOTA เข้ากับแรงงานทั่วโลก Axis แปลง “การมองเห็นและความชำนาญของมนุษย์” ให้กลายเป็นการเคลื่อนไหวของหุ่นยนต์ในสเกลระดับโลก
Data Processing Pipeline: ทำให้กระบวนการจัดการข้อมูลเป็นอัตโนมัติ ตั้งแต่การทำความสะอาดทราเจ็กทอรี การสุ่มโดเมน (domain randomization) ไปจนถึงการใส่คำอธิบายเชิงภาษาแบบหนาแน่น (dense language annotation) เพื่อให้ได้ชุดข้อมูลแบบมัลติโมดัลที่พร้อมป้อนเข้าโมเดล และยกระดับคุณภาพข้อมูลมากกว่า 10 เท่า
สถาปัตยกรรมแบบ unified ของ Axis สร้าง “flywheel” ที่เสริมกำลังตัวเองอย่างต่อเนื่อง: ทราเจ็กทอรีที่หุ่นยนต์ล้มเหลวจากการใช้งานจริงหรือในซิมูเลชัน จะไปทริกเกอร์การแทรกแซงโดยมนุษย์ จากนั้นข้อมูลแก้ไขจะย้อนกลับเข้ากระบวนการเทรน ช่วยขยายการครอบคลุมเคสปลายเปิด (edge cases) มากขึ้นเรื่อย ๆ ทำให้ “ความฉลาด” ทบต้นตามปริมาณและความหลากหลายของข้อมูล
จุดแข็งเชิงโครงสร้าง: เอนจินความหลากหลายแบบครบแนวตั้ง + เครือข่ายผู้มีส่วนร่วมทั่วโลก
แต้มต่อสำคัญของ Axis อยู่ที่แพลตฟอร์มแบบรวมศูนย์ซึ่งครอบคลุมวงจรชีวิตของ Physical AI ทั้งเส้นทาง ต่างจากแนวทางแบบแยกส่วนดั้งเดิม Axis เลือกสร้างเอนจินแบบบูรณาการแนวตั้ง (vertically integrated) ที่เชื่อมการเก็บข้อมูลพรีเทรนแบบกระจายขนาดใหญ่ เข้าเป็นเนื้อเดียวกับการทำ Dataset Aggregation แบบมีมนุษย์กำกับหลังการเทรน
ในระดับสถาปัตยกรรม ตัว Task Generation Engine ที่ Axis พัฒนาขึ้นเองถูกออกแบบโดยมี “ความหลากหลายของข้อมูล” เป็นแกนกลาง สุ่มรูปแบบการวางวัตถุ แสงและเงา มุมกล้อง สมบัติทางกายภาพ ไปจนถึงรูปร่างหุ่นยนต์ ให้เกิดฉากและภารกิจการหยิบจับ–ควบคุมที่ไม่ซ้ำกันแทบไม่รู้จบ ผลลัพธ์คือข้อมูลฝึกที่พร้อมให้โมเดล generalize ได้จริงในโลกจริง
เพื่อให้ได้ข้อมูลระดับ “foundation model scale” ที่ทั้งใหญ่และหลากหลาย Axis สร้างโครงสร้างพื้นฐานด้านข้อมูลหุ่นยนต์ระดับโลก มีผู้มีส่วนร่วม (contributors) กว่า 100,000 รายที่ส่งข้อมูลเฉลี่ยวันละ 3–4 ครั้ง ช่วยเพิ่มทั้งประสิทธิภาพการผลิตและความครอบคลุมด้านความหลากหลาย ปัจจุบัน Axis สามารถผลิตข้อมูลซิมูเลชันได้กว่า 1,200 ชั่วโมงต่อเดือน และข้อมูลจากโลกจริงแบบ ego-centric มากกว่า 20,000 ชั่วโมงต่อเดือน ครอบคลุมสถานการณ์ที่แตกต่างกันหลากหลาย
Axis เพิ่งเปิดตัว Sim Dataset V1 ซึ่งผล benchmark แสดงให้เห็นชัดว่า “วิศวกรรมความหลากหลาย” ให้ผลลัพธ์ด้านประสิทธิภาพที่วัดได้จริง บนชุดทดสอบ LIBERO-Plus การพรีเทรนโมเดล π0.5 ด้วยชุดข้อมูลแบบ fully diversified ของ Axis ช่วยเพิ่มอัตราความสำเร็จโดยรวม 4.9 จุด และชนะชุดข้อมูล RoboCasa365 ที่จับคู่กันตามปริมาณถึง 31.3 จุด พร้อมการปรับตัวที่ดีขึ้นทั้งด้าน layout generalization ความทนต่อสัญญาณรบกวนจากเซ็นเซอร์ และความเสถียรของท่าทางหุ่นยนต์ ช่องว่างนี้สะท้อนว่า “ความได้เปรียบ” ของ Axis มาจาก pipeline ความหลากหลายเชิงกรรมสิทธิ์ ไม่ใช่แค่ขนาดข้อมูลที่ใหญ่กว่า
กลยุทธ์เชิงพาณิชย์และพันธมิตรหลัก
Axis Robotics เดินหน้าเปลี่ยนเอนจินข้อมูลฝึกคุณภาพสูงให้กลายเป็นรายได้เชิงพาณิชย์ สำหรับการใช้งานในโลกจริง บริษัทนำเสนอ “Task Packages” แบบคัสตอมที่ออกแบบให้สอดรับกับความต้องการเฉพาะของผู้ผลิตฮาร์ดแวร์หุ่นยนต์ บริษัทโมเดล Physical AI และผู้นำด้านระบบอัตโนมัติในภาคอุตสาหกรรม
ปัจจุบัน Axis ได้ลงนามความร่วมมือเชิงพาณิชย์แล้วกับหลายองค์กร อาทิ Booster Robotics, Manycore Tech, Feagine Robotics, Dexmal, Lotus Car, Geely Auto, SomaStacks และพันธมิตรอื่น ๆ อีกหลายราย ความร่วมมือเหล่านี้สะท้อนดีมานด์ระยะสั้นที่ชัดเจนต่อ “ข้อมูลฝึกหุ่นยนต์” ที่ทั้งขยายสเกลได้และมีความเที่ยงตรงสูง
นิยามใหม่ของ General Physical Intelligence
“อนาคตของ Physical AI ผูกอยู่กับ ‘การอยู่ร่วมกันอย่างลึกซึ้ง’ ระหว่างโมเดลกับข้อมูล” Chris กล่าว “ชุดข้อมูลแบบ static ไม่สามารถขับเคลื่อนความฉลาดทั่วไปของหุ่นยนต์ได้ ทางออกที่ชนะคือ compounding data engine — ระบบบูรณาการแนวตั้งที่เชื่อมเครือข่ายผู้มีส่วนร่วมทั่วโลกเข้ากับการวนเทรนโมเดลอย่างต่อเนื่อง ทุกทราเจ็กทอรีที่แตกต่าง และทุกการแก้ไขจากมนุษย์ คือเชื้อเพลิงให้โมเดลดีขึ้นเร็วขึ้น สร้าง flywheel แห่งปัญญาที่หมุนด้วยตัวมันเอง”
เบื้องหลัง Axis คือทีมระดับแถวหน้าที่รวมตัวนักวิจัย AI และโรโบติกส์จากสถาบันชั้นนำอย่าง UC Berkeley, Carnegie Mellon University, Georgia Tech, NTU และ SJTU เข้ากับทีม growth ที่มีประสบการณ์ผลักดันผลิตภัณฑ์ผู้บริโภคสู่ฐานผู้ใช้มากกว่า 30 ล้านคนทั่วโลก
ด้วยเงินทุนรอบ 12 ล้านดอลลาร์ที่นำโดย Hack VC ครั้งนี้ Axis Robotics มีแผนเร่งเสริมขีดความสามารถด้าน procedural generation ขยายเครือข่ายผู้มีส่วนร่วมแบบกระจายศูนย์ และตอกย้ำบทบาทในฐานะ “เอนจินข้อมูลหัวใจหลัก” ที่ขับเคลื่อนอนาคตของ Physical AI