Entretien avec le fondateur d'Axis Robotics : les données robotiques, nouvel eldorado du capital, comment les « vendeurs de pelles » font fortune ?

Auteur : Zen, PANews

Au cours de l'année écoulée, les données pour robots/IA physique sont passées d'une infrastructure obscure à une arène ultra-compétitive, attirant des capitaux massifs vers ce domaine de l'intelligence incarnée, surnommé les « vendeurs de pelles ».

Cette tendance est particulièrement marquée en Chine. Au premier semestre 2026, 25 startups chinoises spécialisées ont levé plus de 17 milliards de yuans. Parmi elles, Guanglun Intelligent a multiplié les levées de fonds, et Mifeng Technology, incubée par Zhiyuan Robotics, a rapidement levé des centaines de millions.

À l'international, des startups axées sur les données d'entraînement robotique émergent. XDOF a annoncé 70 millions de dollars de financement en juin ; fin juillet, Axis Robotics a bouclé un tour de table de 12 millions de dollars mené par Hack VC.

Axis se définit comme un « moteur de données pour IA physique », se concentrant sur les réseaux de contributeurs distribués et la collecte de données de simulation web, tout en s'étendant aux perspectives à la première personne et au post-entraînement. Elle a déjà collecté plus de 2,2 millions de trajectoires robotiques via téléopération par navigateur, totalisant 28 000 heures de données.

Malgré l'afflux de capitaux, le marché reste instable. Des questions clés subsistent : quelle sera la demande réelle, quel chemin choisir entre machines réelles, simulation et perspectives à la première personne, et comment créer des modèles économiques durables ?

Pour répondre à ces enjeux, PANews a interrogé Chris Feng, fondateur d'Axis Robotics.

Le fossé des données à l'ère de l'IA physique

Chris n'a pas débuté par la robotique ou les algorithmes, mais par le conseil, l'investissement et l'infrastructure de données.

Ce qui l'a poussé vers la robotique, c'est le fossé massif de données apparu avec l'IA physique.

« Pour GPT-3, l'entraînement a nécessité environ 15 millions d'heures de données internet humaines », explique Chris. Le monde physique est bien plus complexe que le monde numérique, exigeant non seulement reconnaissance et logique, mais aussi compréhension de l'espace, des actions et des états des objets.

Si la robotique doit connaître son « moment GPT », les besoins pourraient atteindre 100 millions d'heures. Contrairement aux modèles de langage qui ont bénéficié de décennies de contenu web, le comportement humain dans le monde réel n'a jamais été systématiquement enregistré pour l'entraînement robotique.

Avec le développement des modèles VLA et des modèles mondiaux, les entreprises de robotique deviennent les principaux demandeurs de ces données. La diversification des formes de robots, des humanoïdes aux bras robotisés, accentue ces besoins différenciés.

Les méthodes traditionnelles, basées sur la téléopération de machines réelles, atteignent leurs limites : lentes, coûteuses et difficiles à mettre à l'échelle.

La question centrale pour l'industrie est donc de produire des données diversifiées, à coût contrôlé et de manière évolutive.

La « pyramide » des données robotiques : équilibrer précision, échelle et généralisation

Chris classe les approches en trois catégories : téléopération, simulation et données à la première personne.

Au sommet, la téléopération de machines réelles offre la plus haute précision, mais son coût (environ 200 $ par heure) et son manque de réutilisabilité inter-robots sont des freins majeurs.

Au milieu, la simulation (Isaac Sim, MuJoCo) permet une mise à l'échelle et une contrôlabilité exceptionnelles. Cependant, le fossé « simulation-réalité » reste un défi majeur.

À la base, les données à la première personne (vidéos filmées par des humains) offrent une diversité inégalée à moindre coût. Toutefois, leur valeur dépend de la morphologie future des robots et nécessite des redirections d'actions complexes.

Pour Chris, ces sources sont complémentaires. La recherche récente montre que la combinaison de ces données permet d'améliorer les performances des modèles.

Devenir producteurs de données : construire un moteur pour l'IA physique

Axis se positionne comme un « moteur de données », allant au-delà de l'annotation simple pour participer à la conception des tâches d'entraînement.

En collaborant avec des clients comme Booster Robotics, Axis crée des solutions sur mesure qui adaptent les modèles aux entrées visuelles et à l'espace d'action spécifiques, réduisant ainsi les barrières à l'entrée.

Axis publie également des jeux de données open-source, comme le dataset AXIS Franka, qui a prouvé son efficacité dans l'amélioration de la robustesse des modèles VLA face aux perturbations réelles.

Les résultats confirment une corrélation positive entre l'échelle des données et la capacité de généralisation des tâches.

Ne pas parier sur une seule forme de données, viser à être le « Surge AI de la robotique »

Le marché évolue rapidement. Chris refuse de limiter Axis à une seule méthode de collecte.

L'infrastructure d'Axis repose sur des pipelines de validation et de traitement stables, tandis que la couche supérieure s'adapte aux besoins changeants des clients. L'équipe travaille sur des méthodes de post-entraînement comme DAgger.

L'objectif est de devenir le « Surge AI de la robotique », en suivant l'évolution des besoins des modèles, du post-entraînement aux environnements d'agents intelligents.

La valeur d'un partenaire de données réside dans sa capacité à maintenir un réseau de contributeurs et à ajuster ses outils en temps réel.

Utiliser la blockchain pour les incitations et la traçabilité

Axis utilise la blockchain sur le réseau Base pour enregistrer les identifiants des trajectoires et les relations entre tâches, données et contributeurs.

La technologie répond à deux besoins : inciter les contributeurs mondiaux et assurer la traçabilité des sources, rendant le processus d'entraînement moins opaque.

Chris souligne toutefois : « Je n'ai jamais eu l'impression d'être une entreprise crypto. » La blockchain n'est utilisée que si elle apporte une valeur réelle, sans forcer un récit « Crypto+IA ».

Axis envisage un système de points et un partage de revenus futur pour les contributeurs dont les données sont commercialisées.

Prochaine étape : élargir la couverture et intégrer les fournisseurs des leaders

Pour les 6 à 12 prochains mois, Axis se concentre sur l'expansion de la collecte de données, le développement d'outils API pour les développeurs et l'augmentation de son revenu récurrent annuel (ARR) vers 1 million de dollars.

L'objectif ultime est d'intégrer la liste des fournisseurs des entreprises leaders en modèles robotiques, validant ainsi la pertinence de leur modèle économique.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.