Axis Robotics recauda $12 millones para convertir a los usuarios del navegador en entrenadores de robots

Why it matters

Robot models cannot scrape physical experience from the web. Axis Robotics is testing whether a distributed browser workforce can produce useful demonstrations cheaply enough to become shared infrastructure for robotics companies.

Chris Feng, co-founder and CEO of Axis Robotics, recaudó una ronda semilla de $12 millones para un sistema que convierte a los usuarios de navegador en operadores distribuidos que generan datos de entrenamiento para robots. Axis anunció la financiación el 27 de julio y la reiteró en una publicación en X. Hack VC lideró la ronda, con la participación de Nomad Capital, Pi Network Ventures y 10K Ventures junto a inversionistas ángeles.

https://x.com/axisrobotics/status/2081711331791827387

Feng se desempeñó anteriormente como chief operating officer en Chainbase, según un perfil profesional público. Su apuesta en Axis Robotics aplica una estrategia de red de colaboradores a un problema que los laboratorios de robótica han tenido dificultades para resolver con operaciones de datos convencionales. "Physical AI demands billions of human-physical interaction motion trajectories", dijo Feng en el anuncio patrocinado de financiamiento.

Fundada en 2025 y con sede en Berkeley, California, según su perfil de LinkedIn, Axis Robotics está construyendo infraestructura alrededor de la premisa de que los modelos para robots necesitan demostraciones mucho más variadas de las que los laboratorios pueden reunir con máquinas físicas y operadores centralizados. La ronda le da a Feng capital para probar si un grupo global de colaboradores con equipamiento ligero puede producir datos que sobrevivan al salto de la simulación al hardware real.

Un navegador web como laboratorio de teleoperación

Axis Robotics permite a los colaboradores controlar brazos robóticos simulados a través de un navegador. Una sesión completada produce una trayectoria que contiene acciones, estados de las articulaciones del robot, posiciones de objetos y metadatos de la tarea. Axis Robotics dice que su canalización luego verifica si la tarea fue exitosa, filtra y suaviza la trayectoria, y usa aumentos visuales y basados en la física para preparar los datos para modelos de visión-lenguaje-acción y políticas de aprendizaje por imitación.

La pila de producto combina un motor procedimental de generación de tareas, simulación basada en navegador, controles automáticos de calidad y evaluación de modelos en etapas posteriores. Aleatorizar distribuciones, posiciones de cámara, objetos, iluminación y configuraciones del robot es central en la propuesta de Feng: aumentar la variedad debería hacer que una política dependa menos de las condiciones estrechas presentes en un solo laboratorio o en un benchmark fijo.

Axis Robotics también construyó un registro en cadena alrededor del proceso de recolección. Su documentación indica que cada trayectoria aceptada recibe un Data ID registrado en Base, creando un rastro de propiedad y procedencia. Ese registro puede mostrar de dónde provino una trayectoria y quién la contribuyó. No establece si la demostración es útil. Axis Robotics todavía depende de verificaciones de éxito, filtrado, ejecuciones de entrenamiento y evaluaciones con robots reales para determinar la calidad.

La compañía amplió el sistema en julio con Axis V2, que se centra en recolectar correcciones frente a fallos actuales de un modelo. Los colaboradores encuentran estados producidos por una política, intervienen cuando falla y alimentan la trayectoria corregida en el entrenamiento subsecuente. Ese enfoque podría aumentar el valor de la red de colaboradores con el tiempo porque la recolección apunta a las debilidades del modelo en lugar de añadir continuamente demostraciones genéricas.

El artículo de investigación acota las afirmaciones

Un artículo técnico enviado a arXiv el 23 de julio ofrece la prueba pública más clara del sistema. Los investigadores describen un conjunto de datos que contiene 207 tareas y más de 50,000 trayectorias, con generación automática de tareas, comprobación de éxito, filtrado de calidad, suavizado de trayectorias y aumentos visuales y basados en la física.

El artículo informa que el preentrenamiento continuo en el conjunto de datos AXIS mejoró la tasa de éxito general de la política pi0.5 de visión-lenguaje-acción en 5.8% y superó a una versión preentrenada en RoboCasa365 por 37.3%. Según el resumen, las mayores ganancias aparecieron ante cambios en distribuciones, entradas de cámara, ruido de sensores y poses del robot. Esas son precisamente las condiciones que un motor de datos enfocado en la diversidad debería abordar.

El anuncio patrocinado del 27 de julio de Axis Robotics citó cifras de benchmark diferentes: una mejora de 4.9 puntos y una ventaja de 31.3 puntos sobre la línea base RoboCasa365 emparejada por volumen. El artículo y el anuncio pueden estar describiendo diferentes versiones del conjunto de datos o cálculos, pero las cifras distintas hacen que el protocolo de evaluación y el conjunto de comparación sean un contexto esencial al evaluar los resultados.

Las métricas de escala de la compañía también describen partes diferentes del sistema. El sitio web de Axis Robotics afirma una red de más de 100,000 colaboradores, mientras que su documentación enumera más de 200,000 trayectorias verificadas. El artículo evalúa un conjunto curado de más de 50,000 trayectorias. Los registros de red, las trayectorias de producción aceptadas y las trayectorias del conjunto de investigación son medidas separadas; combinarlas exageraría la cantidad de datos probados en el benchmark publicado.

La lista de inversionistas explica la estrategia de distribución

Los patrocinadores apuntan a la segunda mitad del plan de Feng. Hack VC se describe como un inversionista en Web3 y AI. Nomad Capital y 10K Ventures se enfocan en empresas de criptomonedas, mientras que Pi Network Ventures invierte con el objetivo declarado de expandir los usos del mundo real para Pi Network. Su participación encaja con el uso por parte de Axis Robotics de incentivos para colaboradores y atribución en cadena.

Eso convierte la financiación en una apuesta por la distribución tanto como en una apuesta por la investigación en robótica. Axis Robotics necesita suficientes colaboradores para cubrir una amplia gama de tareas y casos límite, y luego suficientes controles automatizados para evitar que las presentaciones de baja calidad abrumuen los datos útiles. La compañía dijo que el capital semilla ampliará su tecnología de generación procedimental y su red de colaboradores.

Axis Robotics dice que comercializa el producto como "Task Packages" personalizados para fabricantes de hardware robótico, desarrolladores de modelos y usuarios industriales. Cada paquete está organizado alrededor de un escenario de despliegue, habilidades requeridas, condiciones aleatorizadas y volumen de trayectorias. El modelo le da a las empresas de robótica una manera de encargar datos sobre modos de falla específicos sin construir una gran instalación de teleoperación propia.

Los $12 millones compran a Feng tiempo para demostrar que la simulación distribuida produce datos que los clientes comprarán repetidamente. Axis Robotics ha mostrado mejoras en benchmarks y descrito un camino desde demostraciones en navegador hasta ejecución física. La prueba comercial es si esas trayectorias reducen las fallas en el hardware, los entornos y las tareas de los clientes lo suficiente como para justificar gastos recurrentes. Si lo hacen, Axis Robotics podrá vender la capa de producción de datos a empresas de robótica que no pueden permitirse construir una a una escala comparable.