Axis Robotics筹集1200万美元，将浏览器用户变成机器人训练师

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, 为一个将浏览器用户变成生成机器人训练数据的分布式操作员的系统筹集了 1200 万美元的种子轮融资。Axis Robotics 在 7 月 27 日宣布了该笔融资，并在 在 X 的一篇帖子中 重申了这一点。Hack VC 领投，Nomad Capital、Pi Network Ventures 和 10K Ventures 与天使投资人一同参与。

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

Feng 之前曾任 Chainbase 的首席运营官，根据一份公开的职业资料。他在 Axis Robotics 的赌博是将贡献者网络的玩法应用到机器人实验室在传统数据运营下难以解决的问题上。“Physical AI demands billions of human-physical interaction motion trajectories，”Feng 在赞助的融资公告中表示。

Founded in 2025 and headquartered in Berkeley, California, according to its LinkedIn profile, Axis Robotics is building infrastructure around the premise that robot models need far more varied demonstrations than labs can gather with physical machines and centralized operators. The round gives Feng capital to test whether a global pool of lightly equipped contributors can produce data that survives the jump from simulation to real hardware.

将网页浏览器作为遥操作实验室

Axis Robotics 让贡献者通过浏览器控制模拟机器人臂。一次完成的会话会产生一个包含动作、机器人关节状态、物体位置和任务元数据的轨迹。Axis Robotics 表示其流水线随后会检查任务是否成功，过滤并平滑轨迹，并使用视觉和基于物理的增强来为视觉-语言-动作模型和模仿学习策略准备数据。

其产品栈 结合了程序化任务生成引擎、基于浏览器的仿真、自动化质量控制和下游模型评估。随机化布局、摄像机位置、对象、光照和机器人配置是 Feng 的论点核心：增加多样性应该能让策略减少对单一实验室或固定基准中狭窄条件的依赖。

Axis Robotics 还围绕采集过程建立了链上记录。其文档 表示，每个被接受的轨迹都会获得一个记录在 Base 上的 Data ID，创建所有权和溯源链。该记录可以显示轨迹来自何处以及是谁贡献的，但并不证明该演示是否有用。Axis Robotics 仍然依赖成功检查、过滤、训练运行和真实机器人评估来确定质量。

该公司在 7 月扩展了系统，推出了 Axis V2，该版本侧重于收集针对模型当前失败的纠正。贡献者会遇到由策略产生的状态，在策略出错时介入，并将纠正后的轨迹输入后续训练。该方法可能会随着时间推移使贡献者网络更有价值，因为采集的目标是模型的弱点，而不是不断添加通用演示。

研究论文限定了这些主张

一篇于 7 月 23 日提交到 arXiv 的技术论文 提供了对该系统最清晰的公开测试。研究人员描述了一个包含 207 个任务和超过 50,000 条轨迹的数据集，包含自动化任务生成、成功检查、质量过滤、轨迹平滑以及视觉和基于物理的增强。

论文报告称，对 AXIS dataset 进行持续预训练将 pi0.5 视觉-语言-动作策略的总体成功率提高了 5.8%，并且相比于在 RoboCasa365 上预训练的版本提高了 37.3%。摘要指出，最大的增益出现在布局变化、摄像机输入、传感器噪声和机器人姿态变化下。这些正是一个以多样性为中心的数据引擎应对的条件。

Axis Robotics 在 7 月 27 日的赞助公告中引用了不同的基准数据：一个 4.9 个百分点的改进和比体量匹配的 RoboCasa365 基线高出 31.3 个百分点。论文和公告可能在描述不同版本的数据集或计算方法，但这些不同的数字使得评估协议和比较集合在评估结果时成为关键背景。

该公司的规模指标也描述了系统的不同部分。Axis Robotics 的网站声称拥有超过 100,000 名贡献者的网络，而其文档列出了超过 200,000 条已验证轨迹。论文评估的是一个超过 50,000 条轨迹的策划数据集。网络注册、被接受的生产轨迹和研究集轨迹是不同的度量；将它们合并会夸大已在已发布基准中测试的数据量。

投资者名单解释了分发策略

这些支持者指向了 Feng 计划的第二部分。Hack VC 将自己描述为 Web3 和 AI 的投资者。Nomad Capital 和 10K Ventures 专注于加密公司，而 Pi Network Ventures 的投资目标则是扩展 Pi Network 的现实世界用途。他们的参与与 Axis Robotics 使用贡献者激励和链上归属的做法相吻合。

这使得本轮融资既是一个分发赌注，也是一项机器人研究赌注。Axis Robotics 需要足够多的贡献者来覆盖广泛的任务和边缘情况，然后需要足够多的自动化控制来防止低质量提交淹没有用数据。公司表示，种子资金将扩大其程序化生成技术和贡献者网络。

Axis Robotics 表示其将输出商业化为面向机器人硬件制造商、模型开发者和工业用户的定制“Task Packages”。每个包围绕部署场景、所需技能、随机化条件和轨迹数量进行组织。该模型为机器人公司提供了一种围绕特定失败模式定制数据的方式，而无需自己建立大规模的遥操作设施。

这笔 1200 万美元的资金为 Feng 争取时间，以证明分布式仿真能否产生客户会反复购买的数据。Axis Robotics 已展示了基准改进并描述了从浏览器演示到物理执行的路径。商业上的检验在于这些轨迹是否能在客户的硬件、环境和任务中显著减少失败，从而证明持续花费是合理的。如果能，Axis Robotics 就可以将数据生产层卖给那些无法以可比规模构建此类系统的机器人公司。