專注於實體 AI（Physical AI）數據基礎建設的 Axis Robotics 宣布完成 1,200 萬美元種子輪融資。本輪由 Hack VC 領投，Nomad Capital、Pi Network Ventures、10K Ventures 及多位天使投資人參與。
此輪資金將加速 Axis 打造「大規模平行、有人在迴路（human-in-the-loop）」的全球數據引擎，正面擊破解決實體 AI 目前最大痛點：如何在規模化前提下，持續生產結構化、高多樣性的機器人訓練數據。
破解實體 AI 的數據瓶頸
大型語言模型可以仰賴網路上數兆級既有文字數據擴展規模，但實體 AI 則面臨三大結構性障礙：數據極度稀缺、泛化能力缺口，以及不同機器人硬體之間的「具身差異」問題。
Axis Robotics 創辦人 Chris 表示：「實體 AI 需要的是數十億條人與物理世界互動的運動軌跡。多年來產業一直缺乏一套高效率、可無限擴展的混合式數據生成系統，能讓模型在真實場景下不斷快速迭代—這正是我們用 Axis 這個『複利數據引擎』所打造的東西。」
Axis 如何賦能通用機器人智能
Axis 自研的「複利數據引擎」（Compounding Data Engine）提供一條從任務生成到數據採集、持續訓練與優化的端到端工作流程：
Task Gen Engine 任務生成引擎：
透過物件、空間配置、視覺風格、機器人體態與語意條件的隨機化，生成指數級多樣的原子級機器人任務，將多樣性嵌入每一條數據軌跡之中。
瀏覽器版模擬遙操作平台（Sim Teleoperation）：
全球首個完全基於網頁的介面，讓任何人都可遠端產製高品質機器人運動軌跡。相較傳統實驗室式數據採集，Axis 吞吐量提升達 10 倍，同時無縫結合人類把關的 DAgger（Dataset Aggregation）干預迴路，持續修正與精煉機器人策略。
Ego Data 行動端數據採集 App：
將真實世界數據採集，從昂貴且硬體繁重的配置，轉移到門檻接近零的手機應用。Axis 結合最先進的即時手部姿態追蹤技術與全球工作者網路，將人類視覺與手部靈巧動作，轉譯為可在全球規模部署的機器人運動數據。
數據處理管線（Data Processing Pipeline）：
自動化完成軌跡清洗、領域隨機化與密集語言標註，輸出可直接用於模型訓練的多模態數據集，整體數據品質較傳統流程提升逾 10 倍。
透過這套統一架構，Axis 形成一個自我強化的「數據飛輪」：無論在真實世界或模擬環境中，機器人執行失敗的軌跡都會觸發人類介入修正，再回饋到訓練流程，持續補齊邊界情境（edge cases），隨數據量成長，智能水位呈複利累積。
Axis 的結構性護城河：垂直整合的多樣性引擎與全球貢獻者網路
Axis 的關鍵優勢在於其跨越實體 AI 全生命週期的統一平台。不同於市場上零散、割裂的解決方案，Axis 打造的是一套垂直整合的數據引擎，同時涵蓋：
- 大規模分散式「預訓練」數據採集，與
- 模型上線後以人類把關為核心的即時 Dataset Aggregation。
以「數據多樣性原生內建」為設計核心，Axis 的專有任務生成引擎會隨機化物件擺放、光線條件、攝影機視角、物理屬性與機器人外形，持續生成無窮多的獨特場景與操作任務，並輸出具備高度泛化能力的訓練數據。
為了在規模上接近「基礎模型級」（foundation model scale）的多樣化數據，Axis 已建立起一套全球機器人數據基礎設施，擁有逾 10 萬名活躍貢獻者，每人每日平均提交 3 至 4 次數據，最大化生產效率與多樣性覆蓋。以目前產能估算，Axis 每月可生成超過 1,200 小時的模擬數據，以及 20,000 小時以上的真實世界自我視角（ego-centric）數據，涵蓋大量不同情境。
Axis 近期推出的 Sim Dataset V1，在公開基準測試中驗證了「設計過的多樣性」可帶來具體性能提升。在 LIBERO-Plus 任務集上，使用 Axis 完整多樣化數據集預訓練的 π0.5 模型，整體成功率提升 4.9 個百分點，相較於數據量匹配的 RoboCasa365 基線更高出 31.3 個百分點，在場景布局泛化、感測器雜訊韌性與機器人姿態穩健性方面均有顯著進步。這一差距顯示 Axis 的護城河來自其專有的「多樣性管線」，而非單純堆疊數據規模。
商業化落地與策略合作
Axis Robotics 正加速將高品質訓練數據商業化，聚焦導入真實世界應用。公司提供客製化的「任務包（Task Packages）」，可依據機器人硬體製造商、實體 AI 模型公司及工業自動化領導廠商的具體需求量身打造。
目前 Axis 已與多家企業建立初步商業合作，包括 Booster Robotics、Manycore Tech、Feagine Robotics、Dexmal、Lotus Car、Geely Auto、SomaStacks 等，顯示市場對可擴展、高擬真度機器人訓練數據的需求已相當迫切。
重新定義通用實體智能
Chris 指出：「實體 AI 的未來，取決於模型與數據之間的深度共生。靜態的數據集無法驅動通用機器人智能，真正的解方是一個『複利數據引擎』：將全球貢獻者網路與模型不間斷迭代緊密串聯的垂直整合系統。每一條多樣化軌跡與每一次人類修正，都是推動模型加速進化的燃料，最終形成一個自我加速的智能飛輪。」
Axis 團隊成員橫跨頂尖 AI 與機器人領域研究人才，來自 UC Berkeley、Carnegie Mellon University、Georgia Tech、NTU、SJTU 等頂尖學府，同時也包括曾將消費性產品推向 3,000 萬全球用戶的成長黑客與營運專才。
在 Hack VC 領投的這筆 1,200 萬美元資金挹注下，Axis Robotics 計畫進一步強化程序化生成（procedural generation）能力，擴大全球分散式貢獻者網路規模，並鞏固其作為「驅動實體 AI 未來的關鍵數據引擎」之市場地位。