Axis Roboticsがブラウザ利用者をロボットのトレーナーに変えるために1,200万ドルを調達

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, はブラウザユーザーを分散型オペレータに変え、ロボット訓練データを生成するシステムのために1200万ドルのシードラウンドを調達した。Axisは7月27日に資金調達を発表し、それをXの投稿で改めて述べた。Hack VCがラウンドを主導し、Nomad Capital、Pi Network Venturesおよび10K Venturesがエンジェル投資家とともに参加した。

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

Fengは以前、Chainbaseで最高執行責任者を務めていたと公開の職業プロフィールによる。Axis Roboticsでの彼の賭けは、従来のデータ運用ではロボティクス研究所が解決に苦労してきた問題にコントリビューターネットワークのプレイブックを適用するものだ。「Physical AIは数十億の人間と物理的相互作用の運動軌跡を要求する」とFengはスポンサー付きの資金調達発表で述べている。

2025年に設立され、本社はカリフォルニア州バークレーにあるとLinkedInのプロフィールによれば、Axis Roboticsはロボットモデルが物理機器と集中型オペレータだけでは収集できないほど多様なデモンストレーションを必要とするという前提に基づくインフラを構築している。今回のラウンドは、軽装備の世界的なコントリビュータープールがシミュレーションから実機への移行を乗り切るデータを生み出せるかどうかを検証するための資金をFengに提供する。

テレオペレーションラボとしてのウェブブラウザ

Axis Roboticsはコントリビューターにブラウザを通じてシミュレートされたロボットアームを操作させる。セッションが完了すると、行動、ロボット関節状態、オブジェクト位置、タスクのメタデータを含む軌跡が生成される。Axis Roboticsによれば、パイプラインはタスクの成功可否を確認し、軌跡をフィルタリングおよび平滑化し、視覚および物理ベースの増強を行って、vision-language-actionモデルや模倣学習ポリシー向けのデータを準備するという。

The product stack は、手続き的なタスク生成エンジン、ブラウザベースのシミュレーション、自動品質管理、下流のモデル評価を組み合わせる。レイアウト、カメラ位置、オブジェクト、照明、ロボット構成をランダム化することがFengの主張の中心であり、多様性を高めることでポリシーが単一の研究所や固定ベンチマークに存在する狭い条件に依存しにくくなるはずだという。

Axis Roboticsは収集プロセスのオンチェーン記録も構築している。公式のドキュメントによれば、受け入れられた各軌跡にはBaseに記録されるData IDが付与され、所有権と出所の追跡を作成する。その記録は軌跡がどこから来たか、誰が寄与したかを示すことができるが、デモンストレーションが有用かどうかを確立するものではない。Axis Roboticsは品質を判断するために、成功チェック、フィルタリング、トレーニング実行、実機評価に依然として依存している。

同社は7月にAxis V2でシステムを拡張し、モデルの現在の失敗に対する修正の収集に注力するようにした。コントリビューターはポリシーによって生成された状態に遭遇し、誤ったときに介入して修正された軌跡を後続のトレーニングにフィードする。このアプローチは、コレクションが汎用的なデモンストレーションを継続的に追加するのではなくモデルの弱点をターゲットにするため、コントリビューターネットワークの価値を時間とともに高める可能性がある。

研究論文は主張を限定する

7月23日にarXivに提出された技術論文は、このシステムの最も明確な公開テストを提供する。研究者たちは207のタスクと5万本以上の軌跡を含むデータセットを記述しており、自動タスク生成、成功チェック、品質フィルタリング、軌跡平滑化、視覚および物理ベースの増強を行っている。

論文は、AXIS datasetでの継続的な事前学習がpi0.5 vision-language-action policyの全体的な成功率を5.8%向上させ、RoboCasa365で事前学習したバージョンを37.3%上回ったと報告している。要旨によれば、最大の改善はレイアウト、カメラ入力、センサーノイズ、ロボット姿勢の変化の下で現れた。これらは多様性に焦点を当てたデータエンジンが対処すべき正にその条件である。

Axis Roboticsの7月27日のスポンサー付き発表は別のベンチマーク数値を引用しており、全体で4.9ポイントの改善と、ボリュームを合わせたRoboCasa365ベースラインに対して31.3ポイントの優位性を示している。論文と発表は異なるデータセットバージョンや計算を記述している可能性があるが、数値の違いは評価プロトコルと比較対象セットが結果を評価する際に重要な文脈であることを意味する。

同社のスケール指標もシステムの異なる部分を示している。Axis Roboticsのウェブサイトは10万人以上のコントリビューターを有すると主張している一方、ドキュメントは20万本以上の検証済み軌跡を記載している。論文は5万本以上の軌跡で構成された精選データセットを評価している。ネットワーク登録数、受け入れられたプロダクション軌跡、研究用セットの軌跡は別個の指標であり、それらを合算すると公開ベンチマークでテストされたデータ量を誇張することになる。

投資家リストは流通戦略を説明する

出資者はFengの計画の後半を示している。Hack VCは自らをWeb3とAIへの投資家として説明している。Nomad Capitalと10K Venturesは暗号通貨企業に焦点を当て、Pi Network VenturesはPi Networkの現実世界での利用拡大を目的として投資するという明示された目標を持つ。彼らの関与は、コントリビューターへのインセンティブとオンチェーンでの帰属をAxis Roboticsが利用している点に合致している。

そのため、この資金調達はロボティクス研究への賭けであると同時に流通への賭けでもある。Axis Roboticsは幅広いタスクとエッジケースをカバーするのに十分なコントリビューターを確保し、良質なデータを圧倒する低品質の提出物を抑えるための十分な自動化制御を整える必要があると同社は述べている。シード資金は手続き的生成技術とコントリビューターネットワークを拡大するために使われるという。

Axis Roboticsは成果物をロボットハードウェアメーカー、モデル開発者、産業ユーザー向けのカスタマイズされた"Task Packages"として商業化すると述べている。各パッケージは展開シナリオ、必要なスキル、ランダム化された条件、軌跡量を中心に構成される。このモデルは、ロボティクス企業が自前で大規模なテレオペレーション施設を構築せずに特定の故障モードに関するデータを委託する方法を提供する。

1200万ドルは、分散シミュレーションが顧客が繰り返し購入するデータを生成することをFengに証明する時間を買う。Axis Roboticsはベンチマークの改善を示し、ブラウザでのデモンストレーションから物理的実行への道筋を示してきた。商業的な試金石は、これらの軌跡が顧客のハードウェア、環境、タスク全体での失敗を繰り返し支出を正当化するほど十分に削減するかどうかである。もしそうであれば、Axis Roboticsは同等のスケールでそれを構築できないロボティクス企業に対してデータ生産レイヤーを販売できる。