Entrevista con el fundador de Axis Robotics: Los datos de robots se convierten en la nueva joya del capital, ¿cómo se enriquecen los 'vendedores de palas'?

Autor: Zen, PANews

En el último año, los datos de robots/IA física han pasado de ser un segmento relativamente oculto de infraestructura a convertirse rápidamente en una nueva pista de batalla, con capital fluyendo a una velocidad asombrosa hacia este campo conocido como 'vendedores de palas' de la inteligencia encarnada.

Este aumento es especialmente evidente en el país. Solo en la primera mitad de 2026, 25 empresas chinas de datos de inteligencia encarnada han recaudado más de 17 mil millones de yuanes en total. Entre ellas, Guanglun Intelligent ha completado múltiples rondas de financiamiento de gran monto este año; la empresa de datos Mifeng Technology, incubada por Zhiyuan Robotics, también ha recaudado rápidamente cientos de millones de yuanes desde su fundación.

En el mercado internacional, un grupo de startups que se centran en datos de entrenamiento de robots también ha comenzado a emerger. XDOF anunció en junio de este año que completó una financiación de 70 millones de dólares; a finales de julio, Axis Robotics completó una ronda de financiación semilla de 12 millones de dólares liderada por Hack VC.

Axis se posiciona como un "motor de datos de IA física", actualmente utilizando una red de contribuyentes distribuidos y la recopilación de datos de simulación en la web como puntos de entrada clave, y continúa expandiéndose hacia formas de datos como la perspectiva en primera persona y el entrenamiento posterior del modelo, habiendo recopilado más de 2.2 millones de datos de trayectoria de robots a través de control remoto por navegador, acumulando un tiempo de datos de 28,000 horas.

Sin embargo, a pesar de que el capital ha entrado plenamente, los datos de robots siguen siendo un mercado en rápida evolución y aún no definido. Desde la escala final de la demanda de datos hasta cómo elegir entre diferentes rutas como máquinas reales, simulaciones y perspectivas en primera persona, y si las empresas de datos pueden formar un modelo comercial sostenible, muchas preguntas clave aún están en fase de exploración.

En torno a estas cuestiones, así como al modelo de producción de datos de Axis, su ruta tecnológica y sus planes de desarrollo futuro, PANews tuvo una conversación con Chris Feng, fundador de Axis Robotics.

La brecha de datos en la era de la IA física

Chris no comenzó en el campo de los robots o algoritmos, sino que entró en la pista de datos de robots a través de la consultoría, inversión e infraestructura de datos.

Lo que realmente lo llevó a decidir entrar en el campo de los robots fue la enorme brecha de datos que se hizo evidente tras la llegada de la era de la IA física.

"Tomando como referencia GPT-3, su entrenamiento requiere aproximadamente 15 millones de horas de datos de internet humano." Chris señala que el mundo físico que los robots necesitan procesar es mucho más complejo que el mundo digital, ya que no solo requiere habilidades de reconocimiento y lógica, sino también comprensión del espacio, acciones, estados de objetos y qué cambios ocurrirán después de las acciones.

Por lo tanto, si el campo de los robots quiere tener su propio "momento GPT", los datos necesarios podrían alcanzar 100 millones de horas o incluso más. Además de la diferencia obvia en la escala de datos, las bases de datos de ambos son completamente incomparables.

Antes de la aparición de los modelos de lenguaje grandes, Internet ya había estado en desarrollo durante décadas. Una variedad de páginas web, libros, foros, bibliotecas de código y una gran cantidad de contenido digital han formado recursos de datos naturales a lo largo del tiempo.

Sin embargo, el comportamiento humano en el mundo real no ha pasado por un proceso de registro sistemático similar; las personas cocinan, organizan objetos y operan herramientas todos los días, pero estas acciones rara vez se registran de manera continua y mucho menos se convierten en datos estandarizados que puedan utilizarse directamente para el entrenamiento de robots.

Con el desarrollo de tecnologías como los modelos VLA y los modelos del mundo, las empresas de modelos de robots han comenzado a convertirse en los principales demandantes de este tipo de datos, y algunas empresas de robots también están construyendo capacidades de modelos y datos simultáneamente. Al mismo tiempo, la forma de los robots también se está diversificando rápidamente, desde robots humanoides y brazos mecánicos hasta equipos diseñados para escenarios industriales y de servicios, lo que genera una demanda de datos diferenciada entre diferentes modelos y cuerpos.

A medida que la escala de la demanda sigue creciendo, los métodos tradicionales de producción de datos rápidamente revelan sus limitaciones.

Las primeras empresas de robots generalmente dependían de la operación remota de máquinas reales, donde los humanos controlaban directamente a los robots para completar tareas y luego registraban las trayectorias de acción. Estos datos son los más cercanos a los robots reales, pero la velocidad de producción es lenta y los costos son altos, además de estar limitados por el número de robots, el espacio y el tamaño del personal operativo.

Más importante aún, el mundo real tiene una alta complejidad y diversidad; depender únicamente de los limitados robots y escenarios de recolección dentro de la empresa hace que sea difícil cubrir los entornos que el modelo podría encontrar en el futuro. Si el modelo base de los robots finalmente necesita millones de horas de datos o más, depender únicamente de aumentar continuamente el número de robots, el espacio y el personal de operación remota no logrará una expansión lineal económica y efectiva.

Por lo tanto, cómo producir de manera continua una cantidad suficientemente diversa de datos que realmente puedan mejorar el rendimiento del modelo, de manera controlada y escalable, se ha convertido en uno de los problemas centrales que enfrenta la industria de datos de IA física, y constituye una oportunidad comercial que las empresas de datos de robots están compitiendo por capturar.

La "pirámide" de datos de robots: equilibrio entre precisión, escala y generalización

Los datos de robots también presentan un problema más complejo: los datos de diferentes fuentes tienen diferencias evidentes en autenticidad, costo, escalabilidad y capacidad de reutilización entre diferentes cuerpos.

Chris clasifica las principales rutas actuales en operación remota de máquinas reales, simulación y datos de perspectiva en primera persona. Si se observa el grado de coincidencia directa entre los datos y el cuerpo del robot, se puede formar una "pirámide".

En la parte superior de la pirámide se encuentra la operación remota de máquinas reales.

Los operadores controlan directamente robots reales para completar tareas como agarrar, colocar y mover, mientras que los sensores registran simultáneamente las señales de articulaciones, actuadores finales, visión y movimiento del robot. La mayor ventaja de estos datos es que su entrenamiento proviene de robots reales, por lo que la información física es la más completa y la diferencia con el cuerpo objetivo es la más pequeña.

Sin embargo, los problemas de costo y escala de los datos de máquinas reales también son prominentes. Según datos de la industria, el costo total de datos de operación remota de alta calidad puede alcanzar los 200 dólares por hora. Más importante aún, estos datos suelen estar altamente vinculados a un robot específico, lo que limita su capacidad de reutilización entre diferentes cuerpos. Por ejemplo, las trayectorias de acción recopiladas en el Unitree G1 no pueden adaptarse directamente a robots de diferentes formas.

En el medio de la pirámide se encuentran los datos de simulación.

La simulación de robots implica reproducir en un espacio virtual las dimensiones, articulaciones, rangos de movimiento y entornos de tareas de robots reales, y luego permitir que los operadores o programas controlen robots virtuales para completar tareas. Las plataformas de simulación comúnmente utilizadas en la investigación y desarrollo de robots incluyen Isaac Sim, MuJoCo, entre otras.

En comparación con el mundo real, la ventaja destacada de la simulación es la escalabilidad y el control. En la realidad, no es posible construir miles de cocinas, almacenes o fábricas para recopilar datos, pero en un entorno virtual, los escenarios similares pueden ser copiados y ejecutados en paralelo rápidamente. Las trayectorias existentes también pueden ampliarse a más entornos diferentes al cambiar parámetros como iluminación, materiales, posición de la cámara, tipo de objetos y disposición del espacio.

Al mismo tiempo, el estado de las tareas en el entorno de simulación también es más fácil de leer con precisión. Por ejemplo, si la tarea se ha completado, si el brazo mecánico ha colisionado y en qué posición se encuentra el objeto final, se pueden obtener directamente del entorno, lo que facilita la validación de datos y la selección automática.

Sin embargo, las limitaciones de los datos de simulación también son claras: el entorno virtual siempre tiene dificultades para reproducir completamente el mundo real. La fricción, la deformación de objetos, el estado de contacto, el ruido de los sensores y una gran cantidad de factores incontrolables pueden hacer que un modelo funcione bien en simulación, pero su rendimiento disminuya al trasladarse a un robot real. Cómo reducir esta brecha de "simulación a realidad" también ha sido uno de los problemas centrales en la investigación de robots.

Otra ruta que ha ganado impulso en los últimos dos años es la de los datos de perspectiva en primera persona, que se encuentra en la base de la pirámide.

Este método intenta reducir la dependencia de los costosos cuerpos de robots, permitiendo que los contribuyentes de datos usen cámaras en la cabeza, GoPros o incluso teléfonos móviles para registrar comportamientos reales como cocinar, doblar ropa, organizar habitaciones y operar herramientas.

Su lógica básica es que, si la lógica visual y de movimiento de los robots en el futuro es similar a la de los humanos, entonces registrar a gran escala "cómo los humanos interactúan con el mundo" podría proporcionar datos extremadamente ricos para el modelo base de los robots.

Los datos de perspectiva en primera persona son atractivos principalmente por su potencial de escala y diversidad ambiental. En comparación con el despliegue de numerosos robots para la operación remota, permitir que personas comunes registren comportamientos en escenarios reales como hogares, fábricas y centros comerciales tiene un costo de recolección y un umbral de participación mucho más bajos, y es más fácil cubrir una gran variedad de entornos diferentes.

Sin embargo, Chris también señala que los datos de perspectiva en primera persona presentan una gran incertidumbre: su valor de entrenamiento depende en gran medida de la forma del cuerpo del robot en el futuro.

Si los robots adoptan diseños no humanoides como chasis con ruedas, brazos mecánicos o pinzas especializadas, el valor de transferencia directa de los datos de operación humana en el nivel de acción disminuirá notablemente. Incluso si los robots humanoides se convierten en la norma en el futuro, las acciones humanas no pueden ser copiadas directamente por los robots; los movimientos de las manos y el cuerpo aún necesitan ser redirigidos y convertidos en trayectorias que los articulaciones y manos mecánicas del robot puedan ejecutar.

Otro problema que a menudo se pasa por alto es el ángulo visual. Idealmente, los datos de perspectiva en primera persona deberían estar lo más cerca posible de la posición visual humana, pero diferentes dispositivos de recolección pueden estar instalados en la cabeza, el pecho o en otras posiciones. Y el cambio en el ángulo de visión puede alterar significativamente la relación espacial entre las manos, los objetos y la cámara; estas diferencias representan un gran desafío para los modelos de robots que necesitan aprender sobre el espacio tridimensional y las relaciones operativas.

Por lo tanto, en la opinión de Chris, no existe una relación de sustitución simple entre los datos de máquinas reales, simulación y perspectiva en primera persona. Cada uno aborda diferentes problemas: las máquinas reales garantizan la precisión, la simulación se encarga de ampliar la escala, y los videos humanos proporcionan diversidad de escenarios del mundo real. El futuro del sistema de datos de robots probablemente será una combinación y complementariedad entre diferentes fuentes de datos.

Además, algunas investigaciones recientes también han comenzado a debilitar la búsqueda única de "datos óptimos". Dyna Robotics lanzó recientemente el Dyna-2, que solo se basa en más de un millón de horas de video de perspectiva en primera persona para el preentrenamiento, y ha observado efectos de escala en la transferencia de datos de comportamiento humano a capacidades robóticas. La investigación de Axis también ha demostrado que las trayectorias de simulación filtradas y procesadas también pueden seguir mejorando el rendimiento del modelo a medida que se amplía la escala de datos.

Ser productores de datos, construir un motor de datos de IA física

En lugar de simplemente buscar una alta coincidencia entre un solo dato y el cuerpo objetivo, la escala, la diversidad y la capacidad de realmente traducirse en capacidades del modelo se están convirtiendo en indicadores importantes. Por lo tanto, las empresas de datos de robots tienen dificultades para satisfacer las cambiantes necesidades del modelo solo con un único método de recolección. Esto también apunta a una pregunta más central: ¿deberían las empresas de datos simplemente completar la recolección y el procesamiento según los requisitos del cliente, o deberían participar más profundamente en el diseño y producción de los datos necesarios para el entrenamiento del modelo?

Axis ha optado por la segunda opción y se ha posicionado como un "motor de datos de IA física". En la opinión de Chris, "la anotación de datos" y "la producción de datos" no son el mismo nivel de negocio.

La anotación de datos se enfrenta a datos ya existentes, donde el cliente decide qué y cómo etiquetar, mientras que el proveedor de servicios se encarga de ejecutar según las reglas; la producción de datos requiere un paso más allá, donde la empresa de datos no solo debe completar la recolección y el procesamiento, sino también participar en la evaluación de qué datos faltan en el modelo, diseñar tareas en torno a los objetivos de entrenamiento, organizar la recolección y ajustar los datos de la siguiente ronda según el rendimiento del modelo.

Por ejemplo, si un modelo de robot necesita aprender operaciones en la cocina, la empresa de datos debe determinar qué tareas diseñar, cómo combinar acciones básicas como agarrar, empujar, tirar, abrir y cerrar, si se necesita información profunda, cómo se deben colocar las cámaras y qué casos de fallo son dignos de ser recolectados.

Chris indica que la colaboración comercial de Axis con clientes como Booster Robotics y Qingyu Technology ha evolucionado de una simple entrega de datos a "soluciones de producción de datos personalizadas en torno a los objetivos de entrenamiento del modelo". Por ejemplo, en la colaboración con Booster Robotics, Axis diseñó un modelo base (Foundation Models) adaptado específicamente para el Booster T1, que se ajusta a su entrada visual y espacio de acción. Este modelo permite una rápida transferencia e iteración de tareas específicas con muy pocas muestras, reduciendo significativamente la barrera de entrada y el costo de adaptación en el desarrollo de inteligencia corporal.

Esta es también la razón por la que Axis enfatiza "motor de datos" en lugar de "fábrica de datos". Según la descripción de Chris, los clientes comerciales pueden primero presentar sus escenarios objetivos y necesidades de capacidad, y Axis diseña tareas basadas en eso, completando la recolección de datos a través de una red de contribuyentes distribuida.

"Además de entregar datos a los clientes, AXIS también está realizando investigaciones académicas sobre conjuntos de datos y validación de modelos". Chris menciona que el conjunto de datos AXIS Franka, lanzado por el equipo de Axis en la primera mitad del año, es uno de los conjuntos de datos de operaciones robóticas de código abierto más grandes para el brazo robótico Franka Research 3, que incluye 207 tareas de manipulación diversas, más de 50,000 trayectorias de demostración humana y más de 60,000 variantes de escenarios de tareas.

En la fase de evaluación de resultados de entrenamiento, el equipo de investigación utilizó este conjunto de datos para realizar un preentrenamiento continuo en el modelo VLA más avanzado π 0.5. Los resultados experimentales mostraron que el modelo entrenado con el 100% de los datos de AXIS tuvo un rendimiento sobresaliente en la prueba de robustez LIBERO-Plus, alcanzando una tasa de éxito general del 88.8%.

Chris también señala el efecto significativo del conjunto de datos AXIS Franka en la mejora de la capacidad del modelo para enfrentar interferencias del mundo real: bajo desafíos como el ruido del sensor y el desplazamiento del ángulo de la cámara, la robustez del modelo mejoró en un 13.7% y un 11.3%, respectivamente. Su investigación confirma que a medida que la instantánea del conjunto de datos crece del 25% al 100%, la capacidad de generalización de la manipulación del modelo muestra una tendencia de expansión estable, demostrando una relación de expansión positiva entre la escala de datos y la capacidad de generalización de las tareas posteriores.

No Apostar por una Sola Forma de Datos, Queriendo Ser el "Surge AI" del Campo de los Robots

Los datos robóticos siguen siendo un mercado en rápida evolución, que aún no ha formado un paradigma estable.

En el último tiempo, el enfoque de la industria ha pasado de la operación remota de máquinas reales a la simulación y fuentes de datos de primera persona. A medida que los modelos base entran en una fase de post-entrenamiento más profunda, la recolección de estados de fallo, procesos de corrección de errores y trayectorias de recuperación también ha comenzado a convertirse en una nueva necesidad de datos.

"Si hoy el mercado necesita datos de primera persona, solo haré datos de primera persona; ¿qué pasa si en seis meses ya no los necesitan?" Por lo tanto, Chris no quiere definir a Axis como una empresa que solo produce un tipo de datos.

Su idea es separar las capacidades subyacentes relativamente estables de los métodos de recolección de datos en constante cambio. La base está compuesta por una red de contribuyentes distribuida, gestión de tareas, validación de datos, limpieza, mejora y líneas de procesamiento; la parte superior se conecta a diferentes productos de datos y métodos de recolección según las necesidades del modelo y del cliente.

Actualmente, Axis ha comenzado a recolectar datos de simulación desde la web y está ampliando gradualmente hacia datos de primera persona y post-entrenamiento de modelos. Chris informa que el último producto ha añadido la recolección de datos de corrección de errores para sesgos del modelo y estados de fallo, y el equipo está avanzando en la recolección y procesamiento de datos de post-entrenamiento como DAgger, con planes de lanzar el primer conjunto de datos de post-entrenamiento a gran escala de Human-Gated DAgger antes de fin de año.

En su opinión, a medida que los modelos robóticos continúan iterando, el valor de los socios de datos también cambiará. La capacidad de una empresa de datos no solo debe medirse por cuántos datos puede entregar en una ocasión, sino también por su capacidad para producir datos de alta calidad de manera constante, si tiene una red de contribuyentes y herramientas de procesamiento de datos que funcionen de manera continua, y si puede ajustar el contenido y la estructura de la siguiente ronda de datos según el rendimiento del modelo.

Esta idea se basa en cierta medida en las trayectorias de desarrollo de Scale AI y Surge AI, siendo Chris especialmente atento a Surge AI. Espera que Axis pueda convertirse en el "Surge AI" del campo de los robots en el futuro.

Para Chris, la ventaja de Surge AI no radica solo en tener una gran cantidad de recursos de anotación de datos, sino en que su negocio siempre sigue de cerca los cambios en las necesidades del modelo, extendiéndose desde el post-entrenamiento de grandes modelos hasta nuevos segmentos como entornos de entrenamiento de agentes.

No atarse a una sola forma de datos, sino ajustar continuamente los datos y herramientas proporcionados a medida que cambian los métodos de entrenamiento de los modelos de IA física, es la verdadera capacidad que Axis espera replicar.

Uso de Blockchain para Incentivos de Contribución y Seguimiento de Datos

A diferencia de otros competidores, Axis tiene una etiqueta relativamente especial: la blockchain.

El proceso de producción de datos robóticos en sí no necesita blockchain; la simulación aún opera en un entorno robótico tradicional, y el entrenamiento de modelos no es diferente al de otras empresas de IA. La blockchain realmente juega un papel importante principalmente después de que se generan los datos: Axis establece una ID de datos para las trayectorias de datos verificadas y registra la relación entre tareas, datos y contribuyentes en la Base.

Chris señala que la tecnología blockchain aborda principalmente dos problemas.

Primero, los incentivos de contribución. Cuando los datos son producidos por usuarios distribuidos globalmente, la cantidad y calidad de los datos completados por diferentes usuarios varían. La plataforma necesita saber quién contribuyó con qué y si esos datos realmente cumplen con los requisitos. Para los contribuyentes, lo esencial no es cuánto producen, sino quién proporciona datos realmente efectivos.

En segundo lugar, el seguimiento de la fuente. El proceso de entrenamiento de modelos de IA actuales es muy parecido a una caja negra. El exterior generalmente solo ve el modelo final, pero es difícil saber de dónde proviene una capacidad específica y quién produjo esos datos. Si la relación entre tareas, trayectorias y contribuyentes puede ser registrada de manera continua, entonces cuando un cliente adquiera un dato, al menos se puede conservar un registro de origen relativamente completo.

Axis ya ha implementado un sistema de puntos para registrar y medir las contribuciones de los usuarios. Chris también menciona que si en el futuro se emiten tokens, los puntos de contribución podrían convertirse en la base para incentivos; si los datos de un contribuyente se comercializan, la empresa también considera permitirle participar en la división de ingresos.

Sin embargo, estos mecanismos aún están en fase de diseño y perfeccionamiento. En lugar de construir primero una economía de tokens y luego buscar escenarios de aplicación, Chris enfatiza la necesidad de determinar primero qué problemas reales puede resolver la blockchain.

"Nunca he sentido que sea una empresa de robots criptográficos."

En su definición, Axis es primero una empresa de datos robóticos; si la blockchain puede ayudar a resolver incentivos de contribución y seguimiento de fuentes de datos, se utilizará en esos aspectos; si no puede generar valor real, no hay necesidad de introducirla solo por la narrativa de "Crypto+AI".

Próxima Etapa: Ampliar la Cobertura de Datos y Entrar en la Lista de Proveedores de Modelos Principales

En cuanto al desarrollo en los próximos 6 a 12 meses, la hoja de ruta de Axis se centra principalmente en tres direcciones: productos, crecimiento de la comunidad y comercialización.

En el ámbito de productos, Axis planea continuar ampliando la escala de recolección de datos de primera persona y añadir datos UMI y datos de operación remota para tareas de operación móvil, ampliando aún más los tipos de datos y el rango de tareas cubiertos por la plataforma.

Además de la entrada de recolección de datos para usuarios comunes, Axis también planea ofrecer API de generación de tareas y herramientas de procesamiento de datos a clientes empresariales y desarrolladores, productizando parte de la capacidad de producción de datos subyacente.

El crecimiento de la comunidad es otro enfoque clave. Chris indica que Axis espera triplicar el tamaño de la comunidad en los próximos seis meses y expandirse a diferentes mercados regionales. Los participantes ya no se limitarán a contribuyentes de datos comunes, sino que se espera atraer a más desarrolladores, investigadores y profesionales de la industria, expandiendo gradualmente la plataforma hacia un ecosistema abierto en torno a la producción de datos de IA física.

En cuanto a la comercialización, Axis ya ha conseguido clientes de referencia en algunos segmentos, y los datos de simulación y de primera persona ya han generado pedidos de pago. En los próximos seis meses, la empresa se ha fijado el objetivo de aumentar sus ingresos recurrentes anuales (ARR) a entre 500,000 y 1,000,000 de dólares, y entrar en la lista de proveedores de empresas de modelos robóticos líderes.

En comparación con el número de ingresos en sí, entrar en el sistema de proveedores de empresas de modelos líderes puede ser una mejor manera de evaluar el modelo actual de Axis.

Este contenido se ofrece únicamente con fines informativos generales y no constituye asesoramiento financiero, de inversión, legal ni fiscal. Cualquier evento, recompensa, promoción en línea o información relacionada que se mencione en el presente documento no debe considerarse como una recomendación, solicitud o invitación a comprar, vender, tradear o de negociar de otra manera con cualquier criptoactivo. Los criptoactivos son sumamente volátiles y pueden provocar pérdidas. La disponibilidad de los servicios, productos y eventos relacionados de WEEX puede variar según la región. Tienes la responsabilidad de asegurarte de que tu participación esté de acuerdo con las leyes y regulaciones locales vigentes.