مصاحبه با بنیان‌گذار Axis Robotics: داده‌های رباتیک به محبوب‌ترین موضوع سرمایه تبدیل شده‌اند، چگونه «فروشندگان بیل» طلا پیدا می‌کنند؟

نویسنده: Zen، PANews

در سال گذشته، داده‌های رباتیک/هوش مصنوعی فیزیکی به سرعت از یک بخش زیرساخت نسبتاً ناشناخته به یک عرصه جدید و رقابتی تبدیل شده است، با ورود سرمایه به این حوزه که به عنوان هوش تجسمی یا «فروشندگان بیل» شناخته می‌شود، با سرعتی شگفت‌انگیز.

این روند به‌ویژه در چین مشهود است. در نیمه اول سال 2026، 25 استارتاپ داده‌های هوش تجسمی چینی به‌طور جمعی بیش از 17 میلیارد یوان تأمین مالی دریافت کردند. در میان آن‌ها، Guanglun Intelligent امسال چندین دور تأمین مالی بزرگ را به اتمام رسانده است؛ شرکت داده‌ای Mifeng Technology، که توسط Zhiyuan Robotics پرورش یافته، نیز به سرعت پس از تأسیس صدها میلیون یوان جمع‌آوری کرد.

در بازارهای خارجی، تعدادی از استارتاپ‌ها که بر داده‌های آموزش ربات تمرکز دارند، شروع به ظهور کرده‌اند. XDOF در ماه ژوئن امسال اعلام کرد که 70 میلیون دلار تأمین مالی را به اتمام رسانده است؛ تا پایان ژوئیه، Axis Robotics یک دور اولیه 12 میلیون دلاری را با رهبری Hack VC به اتمام رساند.

Axis خود را به عنوان یک "موتور داده‌های هوش مصنوعی فیزیکی" معرفی می‌کند و در حال حاضر بر روی شبکه‌های مشارکت‌کننده توزیع‌شده و جمع‌آوری داده‌های شبیه‌سازی مبتنی بر وب به عنوان نقاط ورود کلیدی تمرکز دارد و در عین حال به گسترش به دیدگاه‌های اول شخص، آموزش مدل پس از آن و سایر اشکال داده ادامه می‌دهد. این شرکت تاکنون بیش از 2.2 میلیون نقطه داده مسیر ربات را از طریق عملیات از راه دور مرورگر جمع‌آوری کرده و مجموع مدت زمان داده‌ها به 28,000 ساعت رسیده است.

با این حال، با وجود ورود فراوان سرمایه، داده‌های رباتیک همچنان بازاری در حال تغییر و دور از تثبیت است. سوالات کلیدی هنوز در مرحله اکتشافی هستند، از اینکه تقاضای داده در نهایت به چه اندازه خواهد رسید، تا اینکه چگونه بین مسیرهای مختلف مانند ماشین‌های واقعی، شبیه‌سازی و دیدگاه‌های اول شخص انتخاب کنیم و اینکه آیا شرکت‌های داده می‌توانند مدل‌های تجاری پایدار تشکیل دهند.

با توجه به این مسائل و همچنین مدل تولید داده‌ای Axis، مسیر فنی و برنامه‌های توسعه آینده، PANews گفتگویی با کریس فنگ، بنیان‌گذار Axis Robotics انجام داد.

شکاف داده در عصر هوش مصنوعی فیزیکی

کریس از بدن ربات یا الگوریتم‌ها شروع نکرد، بلکه از طریق مشاوره، سرمایه‌گذاری و زیرساخت داده وارد عرصه داده‌های رباتیک شد.

آنچه واقعاً او را به ورود به حوزه رباتیک ترغیب کرد، شکاف داده‌ای عظیمی بود که در عصر هوش مصنوعی فیزیکی به وجود آمد.

"با توجه به GPT-3، آموزش آن به حدود 15 میلیون ساعت داده اینترنتی انسانی نیاز دارد،" کریس بیان کرد. دنیای فیزیکی که ربات‌ها باید پردازش کنند، به مراتب پیچیده‌تر از دنیای دیجیتال است و نیاز به توانایی‌های شناسایی و منطقی و همچنین درک فضا، اقدامات، وضعیت اشیاء و تغییراتی که پس از انجام اقدامات رخ می‌دهد، دارد.

بنابراین، اگر حوزه رباتیک بخواهد "لحظه GPT" خود را داشته باشد، داده‌های مورد نیاز می‌تواند به 100 میلیون ساعت یا حتی بیشتر برسد. علاوه بر تفاوت‌های واضح در مقیاس داده، داده‌های بنیادی برای هر دو حوزه کاملاً غیرقابل مقایسه است.

قبل از ظهور مدل‌های زبان بزرگ، اینترنت برای دهه‌ها توسعه یافته بود. صفحات وب مختلف، کتاب‌ها، فروم‌ها، مخازن کد و ثروتی از محتوای دیجیتال از طریق انباشت طولانی‌مدت یک منبع داده طبیعی را تشکیل دادند.

در مقابل، رفتار انسانی در دنیای واقعی فرآیند ثبت سیستماتیک مشابهی را تجربه نکرده است. مردم هر روز آشپزی می‌کنند، اقلام را سازماندهی می‌کنند و ابزارها را به کار می‌برند، اما این اقدامات به ندرت به‌طور مداوم ثبت می‌شوند، چه رسد به اینکه به‌طور گسترده به داده‌های استاندارد شده‌ای تبدیل شوند که بتوانند به‌طور مستقیم برای آموزش ربات استفاده شوند.

با توسعه فناوری‌هایی مانند مدل‌های VLA و مدل‌های جهانی، شرکت‌های مدل رباتیک به سمت تقاضای مستقیم برای چنین داده‌هایی تبدیل شده‌اند، در حالی که برخی از شرکت‌های بدنه ربات نیز به‌طور همزمان در حال ساخت قابلیت‌های مدل و داده هستند. در عین حال، اشکال ربات‌ها به سرعت در حال تنوع است، از ربات‌های انسان‌نما و بازوهای رباتیک تا دستگاه‌های تخصصی طراحی شده برای سناریوهای صنعتی و خدماتی، که به‌طور بیشتری تقاضای داده‌های متفاوتی را ایجاد می‌کند.

با ادامه گسترش مقیاس تقاضا، روش‌های تولید داده سنتی به سرعت محدودیت‌های خود را نشان می‌دهند.

شرکت‌های رباتیک اولیه معمولاً به عملیات از راه دور ماشین‌های واقعی متکی بودند، جایی که انسان‌ها به‌طور مستقیم ربات‌ها را کنترل می‌کردند تا وظایف را انجام دهند و مسیرهای حرکتی را ثبت می‌کردند. این نوع داده نزدیک‌ترین داده به ربات‌های واقعی است اما تولید آن کند، پرهزینه و محدود به تعداد ربات‌ها، مکان‌ها و اپراتورها است.

مهم‌تر از آن، دنیای واقعی بسیار پیچیده و متنوع است. اتکا به تعداد محدودی از ربات‌ها و سناریوهای جمع‌آوری در یک شرکت، پوشش محیط‌هایی که مدل‌ها ممکن است در آینده با آن‌ها مواجه شوند را دشوار می‌کند. اگر مدل‌های بنیادی برای ربات‌ها در نهایت به ده‌ها میلیون ساعت داده یا بیشتر نیاز داشته باشند، صرفاً افزایش تعداد ربات‌ها، مکان‌ها و اپراتورهای از راه دور به‌طور اقتصادی مؤثر نخواهد بود.

بنابراین، چگونه می‌توان به‌طور مداوم داده‌های کافی متنوعی تولید کرد که واقعاً عملکرد مدل را در هزینه‌های قابل کنترل و به‌صورت مقیاس‌پذیر بهبود بخشد، به یکی از مسائل اصلی صنعت داده‌های هوش مصنوعی فیزیکی تبدیل شده است و همچنین یک فرصت تجاری است که شرکت‌های داده رباتیک مستقل برای آن رقابت می‌کنند.

"هرم" داده‌های رباتیک: تعادل دقت، مقیاس و تعمیم

مسئله پیچیده دیگری که با داده‌های رباتیک وجود دارد این است که داده‌های ناشی از منابع مختلف تفاوت‌های قابل توجهی در اصالت، هزینه، مقیاس‌پذیری و قابلیت استفاده مجدد بین بدنه‌ها نشان می‌دهد.

کریس به‌طور تقریبی مسیرهای اصلی را به عملیات از راه دور ماشین واقعی، شبیه‌سازی و داده‌های دیدگاه اول شخص تقسیم می‌کند. اگر به درجه تطابق مستقیم بین داده‌ها و بدنه‌های ربات نگاه کنیم، می‌توان یک "هرم" تشکیل داد.

در بالای هرم، عملیات از راه دور ماشین واقعی قرار دارد.

اپراتورها به‌طور مستقیم ربات‌های واقعی را کنترل می‌کنند تا وظایفی مانند گرفتن، قرار دادن و حرکت را انجام دهند، در حالی که حسگرها به‌طور همزمان مفاصل ربات، اثرات انتهایی، سیگنال‌های بصری و حرکتی را ثبت می‌کنند. بزرگ‌ترین مزیت این نوع داده این است که داده‌های آموزشی خود از ربات‌های واقعی می‌آید و بنابراین اطلاعات فیزیکی کامل‌تری را با حداقل تفاوت از بدنه هدف ارائه می‌دهد.

با این حال، مسائل هزینه و مقیاس داده‌های ماشین واقعی نیز به‌طور برجسته‌ای وجود دارد. بر اساس داده‌های صنعتی، هزینه کلی یک ساعت داده عملیات از راه دور ماشین واقعی با کیفیت بالا می‌تواند به 200 دلار برسد. مهم‌تر از آن، این نوع داده معمولاً به‌طور قوی به بدنه‌های ربات خاصی وابسته است و قابلیت استفاده مجدد بین بدنه‌ها را محدود می‌کند. به‌عنوان مثال، مسیرهای حرکتی جمع‌آوری‌شده بر روی Unitree G1 نمی‌توانند به‌طور مستقیم به ربات‌های با اشکال مختلف تطبیق داده شوند.

در وسط هرم، داده‌های شبیه‌سازی قرار دارد.

شبیه‌سازی ربات سعی می‌کند اندازه، مفاصل، دامنه حرکتی و محیط وظیفه ربات‌های واقعی را در یک فضای مجازی به‌طور نزدیک به واقعیت شبیه‌سازی کند و به اپراتورها یا برنامه‌ها اجازه می‌دهد تا ربات‌های مجازی را برای انجام وظایف کنترل کنند. پلتفرم‌های شبیه‌سازی رایج مورد استفاده در تحقیق و توسعه ربات شامل Isaac Sim، MuJoCo و غیره هستند.

در مقایسه با دنیای واقعی، مزایای برجسته شبیه‌سازی مقیاس‌پذیری و قابلیت کنترل است. ساخت هزاران آشپزخانه، انبار یا کارخانه برای جمع‌آوری داده‌ها در دنیای واقعی غیرعملی است، اما در یک محیط مجازی، صحنه‌های مشابه می‌توانند به‌سرعت شبیه‌سازی و به‌طور موازی اجرا شوند. مسیرهای موجود نیز می‌توانند با تغییر پارامترهایی مانند نور، مواد، موقعیت دوربین، نوع اشیاء و چیدمان فضایی به محیط‌های مختلف گسترش یابند.

در عین حال، وضعیت‌های وظیفه در محیط شبیه‌سازی نیز به‌راحتی قابل خواندن و دقیق هستند. به‌عنوان مثال، اینکه آیا یک وظیفه انجام شده است، آیا یک بازوی رباتیک برخورد کرده است و چه موقعیتی یک شیء در نهایت اشغال می‌کند، می‌تواند به‌طور مستقیم از محیط به‌دست آید و اعتبارسنجی داده و فیلتر خودکار را آسان‌تر می‌کند.

با این حال، محدودیت‌های داده‌های شبیه‌سازی نیز واضح است: محیط‌های مجازی همیشه در تلاشند تا دنیای واقعی را به‌طور کامل شبیه‌سازی کنند. اصطکاک، تغییر شکل اشیاء، وضعیت‌های تماس، نویز حسگر و عوامل غیرقابل کنترل متعدد می‌توانند منجر به عملکرد خوب مدل‌ها در شبیه‌سازی شوند اما هنگام انتقال به ربات‌های واقعی، عملکرد آن‌ها کاهش یابد. چگونه این شکاف "شبیه‌سازی به واقعیت" را کاهش دهیم، یک مسئله اصلی در تحقیق رباتیک بوده است.

مسیر دیگری که در دو سال گذشته رشد قابل توجهی داشته، داده‌های دیدگاه اول شخص انسانی است که در پایین هرم قرار دارد.

این روش سعی می‌کند وابستگی به بدنه‌های ربات گران‌قیمت را کاهش دهد و از مشارکت‌کنندگان داده می‌خواهد که دوربین‌های سر، GoPro یا به‌طور مستقیم از تلفن‌های هوشمند برای ثبت رفتارهای واقعی مانند آشپزی، تا کردن لباس‌ها، سازماندهی اتاق‌ها و کار با ابزارها استفاده کنند.

منطق اساسی این است که اگر منطق بصری و حرکتی ربات‌های آینده به‌طور قابل توجهی مشابه انسان‌ها باشد، ثبت به‌طور گسترده "چگونه انسان‌ها با جهان تعامل می‌کنند" می‌تواند به‌طور نظری داده‌های بسیار غنی برای مدل‌های بنیادی ربات‌ها فراهم کند.

جذاب‌ترین جنبه داده‌های دیدگاه اول شخص، مقیاس بالقوه و تنوع محیطی آن است. در مقایسه با استقرار تعداد زیادی ربات برای عملیات از راه دور، داشتن افراد عادی برای ثبت رفتارها در سناریوهای واقعی مانند خانه‌ها، کارخانه‌ها و مراکز خرید هزینه‌های جمع‌آوری کمتری دارد و آستانه‌های مشارکت پایین‌تری دارد و پوشش انواع مختلفی از محیط‌ها را آسان‌تر می‌کند.

با این حال، کریس همچنین اشاره می‌کند که داده‌های اول شخص انسانی دارای عدم قطعیت قابل توجهی است: ارزش آموزشی آن عمدتاً به فرم بدنی آینده ربات‌ها بستگی دارد.

اگر ربات‌ها طراحی‌های غیرانسانی مانند شاسی‌های چرخ‌دار، بازوهای رباتیک یا گیره‌های تخصصی را اتخاذ کنند، ارزش انتقال مستقیم داده‌های عملیات انسانی در سطح عمل به‌طور قابل توجهی کاهش می‌یابد. حتی اگر ربات‌های انسان‌نما در آینده به جریان اصلی تبدیل شوند، اقدامات انسانی نمی‌توانند به‌طور مستقیم توسط ربات‌ها تکرار شوند؛ حرکات دست و بدن هنوز نیاز به تغییر مسیر عمل دارند تا به مسیرهایی تبدیل شوند که مفاصل و دستان ربات بتوانند اجرا کنند.

مسئله دیگری که اغلب نادیده گرفته می‌شود، دید بصری است. به‌طور ایده‌آل، داده‌های اول شخص باید به‌طور نزدیک به سطح چشم انسان باشد، اما دستگاه‌های جمع‌آوری مختلف ممکن است بر روی سر، سینه یا مکان‌های دیگر نصب شوند. تغییرات در دیدگاه می‌تواند روابط فضایی بین دست‌ها، اشیاء و دوربین‌ها را به‌طور قابل توجهی تغییر دهد و چالشی قابل توجه برای مدل‌های رباتی که نیاز به یادگیری فضای سه‌بعدی و روابط عملیاتی دارند، ایجاد کند.

بنابراین، به‌نظر کریس، داده‌های ماشین واقعی، شبیه‌سازی و اول شخص رابطه جایگزینی ساده‌ای ندارند. هر یک به مسائل مختلفی می‌پردازند: ماشین‌های واقعی دقت را تضمین می‌کنند، شبیه‌سازی مسئول مقیاس‌پذیری است و ویدیوهای انسانی تنوع در صحنه‌های دنیای واقعی را فراهم می‌کنند. سیستم داده‌های رباتیک آینده احتمالاً ترکیبی و مکمل از منابع داده مختلف خواهد بود.

علاوه بر این، تحقیقات اخیر شروع به کم‌رنگ کردن جستجوی تک‌بعدی "داده‌های بهینه" کرده‌اند. آخرین انتشار Dyna Robotics، Dyna-2، اثرات مقیاس را از داده‌های رفتار انسانی به قابلیت‌های ربات با تکیه بر بیش از 1 میلیون ساعت ویدیو اول شخص انسانی برای پیش‌آموزش مشاهده کرده است. تحقیقات Axis نیز نشان می‌دهد که مسیرهای شبیه‌سازی فیلتر شده و پردازش شده می‌توانند به‌طور مداوم عملکرد مدل را با گسترش مقیاس داده بهبود بخشند.

تبدیل شدن به تولیدکنندگان داده: ساخت یک موتور داده‌های هوش مصنوعی فیزیکی

در مقایسه با صرفاً جستجوی درجه بالای تطابق بین نقاط داده فردی و بدنه‌های هدف، مقیاس، تنوع و توانایی واقعی برای ترجمه به قابلیت‌های مدل به معیارهای مهمی تبدیل شده‌اند. بنابراین، برای شرکت‌های داده رباتیک دشوار است که به‌طور انحصاری با یک روش جمع‌آوری واحد به تقاضاهای به‌طور مداوم در حال تغییر مدل‌ها پاسخ دهند. این همچنین به یک سوال اصلی‌تر اشاره می‌کند: آیا شرکت‌های داده باید صرفاً جمع‌آوری و پردازش را طبق نیازهای مشتریان انجام دهند یا باید به‌طور عمیق‌تری در طراحی و تولید داده‌های مورد نیاز برای آموزش مدل‌ها درگیر شوند؟

Axis گزینه دوم را انتخاب کرده و خود را به عنوان "موتور داده‌های هوش مصنوعی فیزیکی" معرفی می‌کند. به‌نظر کریس، "برچسب‌گذاری داده" و "تولید داده" در یک سطح تجاری نیستند.

برچسب‌گذاری داده به داده‌های موجود مربوط می‌شود، جایی که مشتریان تصمیم می‌گیرند چه چیزی و چگونه برچسب‌گذاری کنند، در حالی که ارائه‌دهندگان خدمات مسئول اجرای آن طبق قوانین هستند. اما تولید داده نیاز به درگیری بیشتری دارد؛ شرکت‌های داده باید نه تنها داده‌ها را جمع‌آوری و پردازش کنند، بلکه باید در تعیین اینکه چه داده‌ای برای مدل کمبود دارد، طراحی وظایف حول اهداف آموزشی، سازماندهی جمع‌آوری و تنظیم دور بعدی داده‌ها بر اساس عملکرد مدل شرکت کنند.

به‌عنوان مثال، اگر یک مدل ربات نیاز به یادگیری عملیات آشپزخانه داشته باشد، شرکت داده باید به‌طور بیشتر ارزیابی کند که چه وظایفی را باید طراحی کند، چگونه اقدامات پایه‌ای مانند گرفتن، هل دادن، کشیدن، باز کردن و بستن را ترکیب کند، آیا اطلاعات عمیق‌تری نیاز است، چگونه دوربین‌ها را تنظیم کند و کدام موارد شکست ارزش تمرکز دارند.

کریس بیان کرد که همکاری تجاری Axis با مشتریانی مانند Booster Robotics و Qingtian Technology از تحویل ساده داده به "راه‌حل‌های تولید داده سفارشی حول اهداف آموزشی مدل" تکامل یافته است. به‌عنوان مثال، در همکاری با Booster Robotics، Axis یک مدل بنیادی خاص برای Booster T1 طراحی کرد که به ورودی بصری و فضای حرکتی آن سازگار است. این مدل از انتقال و تکرار سریع وظایف خاص با تعداد بسیار کمی نمونه پشتیبانی می‌کند و به‌طور قابل توجهی موانع و هزینه‌های سازگاری مهندسی را برای توسعه هوش تجسمی کاهش می‌دهد.

این نیز دلیلی است که Axis بر روی "موتور داده" تأکید می‌کند نه "کارخانه داده". به‌گفته کریس، مشتریان تجاری می‌توانند ابتدا سناریوهای هدف و نیازهای قابلیت را پیشنهاد دهند و سپس Axis وظایف را بر اساس این طراحی می‌کند و جمع‌آوری داده‌ها را از طریق یک شبکه مشارکت‌کننده توزیع‌شده به اتمام می‌رساند.

"علاوه بر تحویل داده به مشتریان، AXIS همچنین در حال انجام تحقیقات علمی در مورد اعتبارسنجی مجموعه داده و مدل است،" کریس اشاره کرد. مجموعه داده AXIS Franka که تیم Axis اوایل امسال منتشر کرد، یکی از بزرگ‌ترین مجموعه‌های داده‌های عملیاتی ربات بازمتن برای بازوی رباتی Franka Research 3 است که شامل 207 وظیفه متنوع دستکاری، بیش از 50,000 مسیر حرکتی انسانی و بیش از 60,000 نوع سناریوی وظیفه است.

در مرحله ارزیابی نتایج آموزشی، تیم تحقیقاتی از این مجموعه داده برای پیش‌آموزش مداوم مدل VLA پیشرفته π 0.5 استفاده کرد. نتایج آزمایش نشان داد که مدلی که با تصاویر داده AXIS-100% آموزش دیده است، در آزمون معیار robustness LIBERO-Plus عملکرد بسیار خوبی داشته و نرخ موفقیت کلی 88.8% را به‌دست آورده است.

کریس همچنین به تأثیر قابل توجه مجموعه داده AXIS Franka در بهبود توانایی مدل برای مقابله با اختلالات دنیای واقعی اشاره کرد: تحت چالش‌هایی مانند نویز حسگر و تغییرات زاویه دوربین، استحکام مدل به‌ترتیب 13.7% و 11.3% بهبود یافت. تحقیقات تأیید کرد که با افزایش تصویر مجموعه داده از 25% به 100%، توانایی تعمیم دستکاری مدل روند ثابتی را نشان داد و یک همبستگی مثبت بین مقیاس داده و توانایی تعمیم وظایف پایین‌دستی را نشان داد.

عدم شرط‌بندی بر روی یک فرم داده واحد، هدف‌گذاری برای تبدیل شدن به "هوش مصنوعی طوفانی رباتیک"

داده‌های رباتیک همچنان بازاری در حال تغییر است که هنوز الگوی ثابتی را تشکیل نداده است.

به‌تازگی، تمرکز صنعت به‌تدریج از عملیات از راه دور ماشین‌های واقعی به منابع داده‌ای مانند شبیه‌سازی و دیدگاه‌های اول شخص گسترش یافته است. با ورود مدل‌های بنیادی به مراحل عمیق‌تر آموزش پس از آن، نحوه جمع‌آوری وضعیت‌های شکست، فرآیندهای اصلاح خطا و مسیرهای بازیابی نیز به‌عنوان تقاضاهای داده جدید شروع به ظهور کرده است.

"اگر امروز بازار به داده‌های دیدگاه اول شخص بیشتر نیاز دارد، من فقط داده‌های دیدگاه اول شخص را تولید می‌کنم؛ اگر در شش ماه هیچ‌کس به آن نیاز نداشته باشد چه؟" بنابراین، کریس تمایل ندارد Axis را به عنوان شرکتی که فقط نوع خاصی از داده را تولید می‌کند، تعریف کند.

رویکرد او این است که قابلیت‌های زیرین نسبتاً پایدار را از روش‌های جمع‌آوری داده که به‌طور مداوم در حال تغییر هستند، جدا کند. بنیاد شامل زیرساخت‌هایی مانند شبکه‌های مشارکت‌کننده توزیع‌شده، مدیریت وظایف، اعتبارسنجی داده، پاک‌سازی، افزایش و خطوط پردازش است؛ لایه بالایی محصولات داده و روش‌های جمع‌آوری مختلف را بر اساس نیازهای مدل و مشتری متصل می‌کند.

در حال حاضر، Axis با جمع‌آوری داده‌های شبیه‌سازی مبتنی بر وب شروع کرده و به‌تدریج به داده‌های دیدگاه اول شخص و آموزش پس از مدل گسترش می‌یابد. کریس معرفی کرد که محصولات جدیدترین شامل جمع‌آوری داده‌های اصلاح خطا با هدف‌گذاری به سوگیری‌های مدل و وضعیت‌های شکست است و تیم در حال پیشبرد جمع‌آوری و پردازش داده‌ها برای روش‌های آموزش پس از مانند DAgger است و قصد دارد تا پایان سال اولین مجموعه داده بزرگ مقیاس Human-Gated DAgger را منتشر کند.

به‌نظر او، با ادامه تکرار مدل‌های رباتیک، ارزش شرکای داده نیز تغییر خواهد کرد. توانایی یک شرکت داده نباید تنها بر اساس اینکه چقدر داده می‌تواند یک‌باره تحویل دهد، اندازه‌گیری شود، بلکه باید بر اساس اینکه آیا می‌تواند به‌طور مداوم داده‌های با کیفیت بالا تولید کند، یک شبکه مشارکت‌کننده و ابزارهای پردازش داده را به‌طور مداوم حفظ کند و محتوای دور بعدی داده‌ها را به‌طور به‌موقع بر اساس عملکرد مدل تنظیم کند، اندازه‌گیری شود.

این رویکرد به‌نوعی از مسیرهای توسعه Scale AI و Surge AI الهام می‌گیرد و کریس به‌ویژه بر روی Surge AI تمرکز دارد. او امیدوار است که Axis در آینده به "هوش مصنوعی طوفانی رباتیک" تبدیل شود.

به‌نظر کریس، مزیت Surge AI نه تنها در داشتن مقدار زیادی منابع برچسب‌گذاری داده است، بلکه در این است که کسب‌وکار آن به‌طور مداوم با تغییرات در تقاضای مدل همگام است و از آموزش مدل‌های بزرگ به جنبه‌های جدیدی مانند محیط‌های آموزشی عامل هوشمند گسترش می‌یابد.

این توانایی که خود را به یک فرم داده خاص محدود نکند، بلکه به‌طور مداوم داده‌ها و ابزارهای ارائه شده را با تغییر روش‌های آموزشی مدل‌های هوش مصنوعی فیزیکی تنظیم کند، چیزی است که Axis واقعاً امیدوار است تکرار کند.

استفاده از بلاک‌چین برای مشوق‌های مشارکت و ردیابی داده‌ها

برخلاف سایر رقبای خود، Axis برچسب نسبتاً منحصر به فردی دارد—بلاک‌چین.

فرآیند تولید داده‌های رباتیک خود به بلاک‌چین نیازی ندارد؛ شبیه‌سازی هنوز در محیط‌های رباتیک سنتی عمل می‌کند و آموزش مدل هیچ تفاوتی با سایر شرکت‌های هوش مصنوعی ندارد. بلاک‌چین واقعاً نقش خود را عمدتاً پس از تولید داده ایفا می‌کند: Axis برای مسیرهای داده تأیید شده، شناسه‌های داده‌ای ایجاد می‌کند و روابط بین وظایف، داده‌ها و مشارکت‌کنندگان را در Base ثبت می‌کند.

کریس بیان کرد که فناوری بلاک‌چین عمدتاً به دو مسئله می‌پردازد.

اولین مسئله مشوق‌های مشارکت است. وقتی داده‌ها توسط کاربران توزیع‌شده در سطح جهانی تولید می‌شوند، کمیت و کیفیت داده‌های تکمیل‌شده توسط کاربران مختلف متفاوت است. پلتفرم نیاز دارد بداند چه کسی چه چیزی را مشارکت کرده و آیا داده‌ها واقعاً نیازها را برآورده می‌کنند. برای مشارکت‌کنندگان، هسته این است که چقدر انجام می‌دهند نیست، بلکه اینکه چه کسی داده‌های واقعاً مؤثری را ارائه می‌دهد.

دومین مسئله ردیابی منبع است. فرآیند آموزش مدل‌های هوش مصنوعی فعلی شبیه یک جعبه سیاه است. دنیای خارج معمولاً فقط مدل نهایی را می‌بیند اما دشوار است که بداند کدام داده به یک قابلیت خاص کمک کرده و چه کسی آن داده را تولید کرده است. اگر روابط بین وظایف، مسیرها و مشارکت‌کنندگان به‌طور مداوم ثبت شود، آنگاه وقتی یک قطعه داده در آینده توسط یک مشتری خریداری می‌شود، حداقل یک رکورد منبع نسبتاً کامل می‌تواند حفظ شود.

Axis قبلاً یک سیستم امتیاز برای ثبت و اندازه‌گیری مشارکت‌های کاربران راه‌اندازی کرده است. کریس همچنین اشاره کرد که اگر در آینده توکن‌ها صادر شوند، امتیازهای مشارکت ممکن است به‌عنوان پایه‌ای برای مشوق‌ها تبدیل شوند؛ اگر داده‌های یک مشارکت‌کننده در نهایت تجاری‌سازی شود، شرکت همچنین در نظر دارد به آن‌ها اجازه دهد در تقسیم درآمد شرکت کنند.

با این حال، این مکانیزم‌ها هنوز در مراحل طراحی و بهبود هستند. به‌جای اینکه ابتدا یک اقتصاد توکن بسازند و سپس سناریوهای کاربردی برای آن پیدا کنند، کریس بر این تأکید می‌کند که ابتدا باید مشخص شود بلاک‌چین چه مشکلات عملی را می‌تواند حل کند.

"هرگز احساس نکرده‌ام که یک شرکت رباتیک کریپتو هستم."

در تعریف او، Axis عمدتاً یک شرکت داده رباتیک است و اگر بلاک‌چین می‌تواند به حل مشوق‌های مشارکت و ردیابی منبع داده کمک کند، در آن زمینه‌ها استفاده خواهد شد؛ اگر نتواند ارزش واقعی ایجاد کند، نیازی به معرفی آن به‌خاطر روایت "کریپتو + هوش مصنوعی" نیست.

مرحله بعد: گسترش پوشش داده و ورود به لیست تأمین‌کنندگان شرکت‌های مدل پیشرو

برای توسعه در 6 تا 12 ماه آینده، نقشه راه Axis عمدتاً بر سه جهت تمرکز دارد: محصول، رشد جامعه و تجاری‌سازی.

از نظر محصول، Axis برنامه دارد تا به جمع‌آوری داده‌های دیدگاه اول شخص ادامه دهد و داده‌های UMI و داده‌های عملیات از راه دور برای وظایف عملیات موبایل اضافه کند و دامنه انواع داده‌ها و وظایف تحت پوشش پلتفرم را بیشتر گسترش دهد.

علاوه بر نقاط ورودی جمع‌آوری داده برای کاربران عادی، Axis همچنین برنامه دارد تا APIهای تولید وظیفه و ابزارهای پردازش داده را به مشتریان شرکتی و توسعه‌دهندگان ارائه دهد و برخی از قابلیت‌های تولید داده زیرساختی را بیشتر محصولی کند.

رشد جامعه نیز یکی دیگر از تمرکزهای کلیدی است. کریس بیان کرد که Axis امیدوار است در شش ماه آینده اندازه جامعه خود را سه برابر کند و به‌تدریج به بازارهای منطقه‌ای مختلف گسترش یابد. شرکت‌کنندگان دیگر محدود به مشارکت‌کنندگان داده عادی نخواهند بود بلکه همچنین به جذب بیشتر توسعه‌دهندگان، محققان و فعالان صنعت هدف‌گذاری خواهند کرد تا به‌تدریج پلتفرم را به یک اکوسیستم باز متمرکز بر تولید داده‌های هوش مصنوعی فیزیکی گسترش دهند.

از نظر تجاری‌سازی، Axis در برخی از حوزه‌های خاص مشتریان مرجع را به‌دست آورده است و داده‌های شبیه‌سازی و داده‌های دیدگاه اول شخص قبلاً سفارشات پرداختی تولید کرده‌اند. هدف شرکت برای شش ماه آینده افزایش درآمد سالانه تکراری (ARR) به بین 500,000 تا 1 میلیون دلار و ورود به لیست تأمین‌کنندگان شرکت‌های مدل ربات پیشرو است.

در مقایسه با ارقام درآمد خود، ورود به سیستم تأمین شرکت‌های مدل پیشرو ممکن است بهتر آزمایش کند که مدل فعلی Axis چگونه است.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.