Интервью с основателем Axis Robotics: Данные о роботах становятся новым фаворитом капитала, как «продавцы экскаваторов» могут заработать деньги?

В первой половине 2026 года 25 китайских стартапов, занимающихся разработкой решений на основе искусственного интеллекта, привлекли в общей сложности более 17 миллиардов юаней инвестиций. Физический ИИ быстро превращается из относительно скрытого инфраструктурного компонента в новую, крайне конкурентную сферу.

Автор: Зен, PANews

За последний год робототехника и физический искусственный интеллект стремительно превратились из относительно скрытого компонента инфраструктуры в новую, крайне конкурентную сферу, в которую с поразительной скоростью вливаются инвестиции, получившую прозвище «продавец лопат» воплощенного интеллекта.

Эта тенденция к потеплению особенно заметна в Китае. Только за первую половину 2026 года 25 китайских стартапов, занимающихся разработкой интеллектуальных решений на основе данных, привлекли в общей сложности более 17 миллиардов юаней инвестиций. Среди них Lightwheel Intelligence завершила несколько раундов крупного финансирования в течение года; а Mifeng Technology, компания, занимающаяся обработкой данных и созданная при поддержке Zhiyuan Robotics, также быстро привлекла сотни миллионов юаней после своего основания.

На зарубежных рынках также начали появляться стартапы, специализирующиеся на данных для обучения роботов. Компания XDOF объявила о завершении раунда финансирования в размере 70 миллионов долларов в июне этого года; в конце июля компания Axis Robotics завершила посевной раунд финансирования в размере 12 миллионов долларов, возглавляемый Hack VC.

Компания Axis позиционирует себя как «движок для обработки физических данных в области искусственного интеллекта», в настоящее время фокусируясь на распределенных сетях участников и сборе данных с помощью веб-моделирования в качестве ключевых точек входа, и продолжает расширять охват таких форматов данных, как данные от первого лица и данные после обучения модели. Уже собрано более 2,2 миллионов точек данных о траекториях движения роботов с помощью удаленного управления через браузер, что составляет в общей сложности 28 000 часов сбора данных.

Однако, несмотря на значительные капиталовложения, рынок данных в области робототехники остается быстро развивающимся и далеким от четко определенного сектором. Многие ключевые вопросы остаются без ответа: от окончательных масштабов спроса на данные до выбора между различными подходами, такими как анализ реальных устройств, моделирование и взгляд от первого лица, а также о том, смогут ли компании, работающие с данными, разработать устойчивые бизнес-модели.

PANews побеседовал с Крисом Фенгом, основателем Axis Robotics, об этих вопросах, а также о собственной модели обработки данных Axis, технологической дорожной карте и планах дальнейшего развития.

Пробел в данных в эпоху физического искусственного интеллекта

Крис начал свою карьеру не с робототехники или алгоритмов, а в сферу робототехники пришел через консалтинг, инвестиции и инфраструктуру данных.

Что действительно убедило его заняться робототехникой, так это огромный пробел в данных, возникший после наступления эры физического искусственного интеллекта.

«Используя GPT-3 в качестве эталона, для его обучения требуется приблизительно 15 миллионов часов данных, полученных от людей в интернете», — сказал Крис. «Физический мир, с которым приходится иметь дело роботам, гораздо сложнее цифрового мира. Им необходимы не только навыки распознавания и логического мышления, но и понимание пространства, движения, состояний объектов и того, какие изменения произойдут после движения».

Следовательно, если робототехника хочет пережить свой собственный «момент GPT», необходимый объем данных может достигать 100 миллионов часов или даже больше. Помимо существенной разницы в масштабе данных, основы обработки данных в этих двух областях совершенно несопоставимы.

Интернет развивался на протяжении десятилетий до появления больших языковых моделей. Различные веб-страницы, книги, форумы, библиотеки кода и огромное количество цифрового контента накапливались в течение длительного времени, образуя естественный ресурс данных.

Однако поведение человека в реальном мире не подвергалось подобной систематической регистрации. Люди готовят еду, сортируют предметы и используют инструменты каждый день, но эти действия редко регистрируются непрерывно, не говоря уже о преобразовании в больших масштабах в стандартизированные данные, которые можно было бы напрямую использовать для обучения роботов.

С развитием таких технологий, как модели VLA и модели окружающего мира, компании, занимающиеся моделированием роботов, стали наиболее прямыми потребителями данных такого типа, и некоторые компании, производящие роботизированные тела, одновременно развивают возможности моделирования и обработки данных. В то же время, сами формы роботов также быстро дифференцируются: от человекоподобных роботов и роботизированных манипуляторов до специализированного оборудования, предназначенного для промышленного и сервисного применения. Различные модели и тела еще больше обусловили дифференцированные требования к данным.

По мере роста спроса быстро выявляются ограничения традиционных методов получения данных.

Первые компании, занимавшиеся робототехникой, обычно полагались на дистанционное управление реальными роботами, когда люди напрямую управляли роботами для выполнения задач, а затем записывали траектории их движения. Этот тип данных был наиболее близок к данным, получаемым от реальных роботов, но его получение было медленным, дорогостоящим и ограничивалось количеством роботов, доступным пространством и численностью персонала, осуществляющего управление.

Что еще более важно, реальный мир чрезвычайно сложен и многообразен, и трудно охватить все условия, с которыми модель может столкнуться в будущем, полагаясь исключительно на ограниченное количество роботов и сценариев сбора данных внутри предприятия. Если базовой модели робота в конечном итоге потребуются десятки миллионов часов или даже больше данных, трудно добиться экономически эффективного линейного масштабирования просто за счет непрерывного добавления роботов, производственных площадок и удаленных операторов.

Таким образом, вопрос о том, как непрерывно получать достаточно разнообразные данные, способные действительно улучшить производительность модели при контролируемых затратах и масштабируемости, стал одной из ключевых проблем, стоящих перед индустрией данных в области физического ИИ, а также представляет собой бизнес-возможность, за которую борются независимые компании, занимающиеся данными в области робототехники.

«Пирамида» данных о роботах: компромиссы между точностью, масштабируемостью и обобщаемостью.

Данные, полученные от роботов, представляют собой еще более сложную проблему: данные из разных источников значительно различаются по достоверности, стоимости, масштабируемости и возможностям повторного использования в рамках различных объектов.

Крис условно делит основные существующие подходы на дистанционное управление реальной машиной, моделирование и данные, полученные от первого лица человека. Если рассматривать степень прямого соответствия между данными и самим роботом, то можно приблизительно сформировать «пирамиду».

На вершине пирамиды находится сам пульт дистанционного управления.

Оператор напрямую управляет реальным роботом для выполнения таких задач, как захват, размещение и перемещение, в то время как датчики одновременно записывают сигналы от суставов, концевых захватов, системы зрения и движения робота. Главное преимущество такого типа данных заключается в том, что сами обучающие данные получены от реальных роботов, что обеспечивает наиболее полную физическую информацию и минимизирует расхождения между данными и целевым роботом.

Однако стоимость и масштаб данных, полученных от реальных машин, также являются существенными проблемами. Согласно отраслевым данным, общая стоимость одного часа высококачественных данных о дистанционном управлении реальными машинами может достигать 200 долларов. Что еще важнее, этот тип данных обычно тесно связан с конкретным корпусом робота, что ограничивает возможности его повторного использования с другими устройствами. Например, траектории движения, собранные на Unitree G1, не могут быть напрямую адаптированы к роботам различной формы.

В центре пирамиды находятся смоделированные данные.

Моделирование роботов максимально точно воспроизводит в виртуальном пространстве размеры, суставы, диапазон движений и рабочую среду реального робота, позволяя оператору или программе управлять виртуальным роботом для выполнения задач. К числу распространенных платформ моделирования в исследованиях и разработках роботов относятся Isaac Sim и MuJoCo.

По сравнению с реальным миром, ключевыми преимуществами моделирования являются масштабируемость и управляемость. В реальности невозможно многократно строить тысячи кухонь, складов или заводов только для сбора данных, но в виртуальной среде подобные сцены можно быстро воспроизводить и запускать параллельно. Существующие траектории также можно расширить на множество различных сред, изменяя такие параметры, как освещение, материалы, положение камеры, типы объектов и пространственная компоновка.

В то же время, статус задачи в смоделированной среде легче точно считывать. Например, информацию о завершении задачи, о столкновении роботизированной руки и конечном положении объекта можно получить непосредственно из окружающей среды, что упрощает проверку данных и автоматическую фильтрацию.

Однако ограничения данных моделирования также очевидны: виртуальные среды никогда не смогут полностью воспроизвести реальный мир. Трение, деформация объектов, состояния контакта, шум датчиков и большое количество неконтролируемых факторов могут привести к тому, что модель будет хорошо работать в симуляции, но ее производительность снизится при переносе на реального робота. Как преодолеть этот разрыв между моделированием и реальностью всегда было одной из ключевых проблем в исследованиях в области робототехники.

Еще один подход, получивший значительное распространение за последние два года, — это сбор данных от первого лица, то есть с точки зрения человека, находящегося в самом низу пирамиды.

Эти методы направлены на снижение зависимости от дорогостоящих роботизированных тел за счет того, что участники сбора данных носят на голове камеры, GoPro или просто используют свои телефоны для записи реальных действий, таких как приготовление пищи, складывание одежды, уборка комнат и работа с инструментами.

Основная логика заключается в том, что если зрительные и двигательные навыки будущих роботов будут очень похожи на человеческие, то масштабная запись того, «как люди взаимодействуют с миром», теоретически может предоставить чрезвычайно ценные данные для базовой модели роботов.

Наиболее привлекательным аспектом данных, полученных от первого лица, является их потенциальный масштаб и разнообразие окружающей среды. По сравнению с развертыванием большого количества роботов для дистанционного управления, предоставление возможности обычным людям записывать свое поведение в реальных условиях, таких как дома, заводы и торговые центры, является более экономически выгодным и имеет более низкий порог входа, что упрощает охват широкого спектра разнообразных сред.

Однако Крис также отметил, что существует большая неопределенность в отношении данных, полученных от первого лица человеком: их обучающая ценность во многом зависит от будущей физической формы робота.

Если роботы будут использовать негуманоидные конструкции, такие как колесные шасси, роботизированные манипуляторы и специализированные захваты, прямая передача данных о движении человека значительно снизится. Даже если человекоподобные роботы станут широко распространены в будущем, движения человека не смогут быть напрямую скопированы роботами; движения рук и тела по-прежнему необходимо будет перенаправлять и преобразовывать в траектории, которые могут быть выполнены шарнирами и манипуляторами робота.

Ещё один часто упускаемый из виду аспект — визуальная перспектива. В идеале данные от первого лица должны максимально точно соответствовать положению человека, но различные устройства сбора данных могут быть установлены на голове, груди или в других местах. Изменения перспективы значительно меняют пространственные отношения между рукой, объектами и камерой, что представляет собой серьёзную проблему для моделей роботов, которым необходимо изучать трёхмерное пространство и манипулировать объектами.

Поэтому, по мнению Криса, видеоматериалы с живыми актерами, симуляции и данные от первого лица не являются взаимозаменяемыми. Каждый из них решает разные задачи: видеоматериалы с живыми актерами обеспечивают точность, симуляции решают проблему масштабирования, а видеоматериалы, созданные человеком, обеспечивают разнообразие реальных сцен. Будущее роботизированных систем обработки данных, скорее всего, будет представлять собой сочетание и взаимодополняемость различных источников данных.

Кроме того, в последних исследованиях начали снижаться акценты исключительно на поиске «оптимальных данных». Новейшая модель Dyna-2 от Dyna Robotics, обученная исключительно на более чем 1 миллионе часов видеозаписей с участием людей, показала эффект масштаба при переносе данных о поведении человека на возможности робота. Исследования Axis также демонстрируют, что отфильтрованные и обработанные траектории моделирования могут постоянно улучшать производительность модели по мере увеличения объема данных.

Станьте производителем данных и создайте систему обработки данных для физического искусственного интеллекта.

По сравнению с простым стремлением к высокой степени соответствия между отдельной точкой данных и целевой онтологией, масштаб, разнообразие и способность действительно трансформироваться в возможности модели становятся важными показателями. Поэтому компаниям, занимающимся сбором данных для робототехники, трудно удовлетворить постоянно меняющиеся потребности моделей, полагаясь исключительно на один метод сбора данных. Это также указывает на более фундаментальный вопрос: должны ли компании, занимающиеся сбором и обработкой данных, просто выполнять сбор и обработку данных в соответствии с требованиями клиента, или им следует более глубоко участвовать в проектировании и производстве данных, необходимых для обучения модели?

Компания Axis выбрала второй вариант, позиционируя себя как «движок для обработки физических данных в рамках искусственного интеллекта». По мнению Криса, «аннотирование данных» и «производство данных» — это разные виды бизнеса.

Аннотирование данных занимается уже имеющимися данными. Клиенты решают, что и как аннотировать, а поставщики услуг отвечают за выполнение работы в соответствии с установленными правилами. Производство данных, с другой стороны, требует более тщательного подхода. Компаниям, работающим с данными, необходимо не только осуществлять сбор и обработку данных, но и участвовать в определении недостающих данных для модели, разработке задач и организации сбора данных в соответствии с целями обучения, а затем корректировать следующий этап сбора данных на основе производительности модели.

Например, если роботу необходимо научиться работать на кухне, компания, занимающаяся сбором данных, должна дополнительно определить, какие задачи следует спроектировать, как комбинировать основные действия, такие как захват, толкание, тяга, открытие и закрытие, требуется ли подробная информация, как расположить камеры и какие случаи отказов стоит собирать.

Крис заявил, что деловое сотрудничество Axis с такими клиентами, как Booster Robotics и Qingyu Technology, эволюционировало от простой передачи данных к «индивидуальным решениям по созданию данных, ориентированным на цели обучения моделей». Например, в рамках сотрудничества с Booster Robotics компания Axis разработала специальные базовые модели для робота Booster T1, глубоко адаптированные к его визуальному вводу и пространству движений. Такой подход обеспечивает быструю передачу и итерацию конкретных задач с минимальным размером выборки, что значительно снижает барьер для входа и затраты на адаптацию инженерных решений для разработки воплощенного интеллекта.

Именно поэтому Axis делает акцент на «механизме обработки данных», а не на «фабрике данных». По словам Криса, бизнес-клиенты сначала могут предложить свои целевые сценарии и требования к возможностям, а Axis затем разрабатывает соответствующие задачи и осуществляет сбор данных через распределенную сеть участников.

«Помимо предоставления данных клиентам, AXIS также проводит академические исследования наборов данных и проверки моделей», — сказал Крис. Набор данных AXIS Franka, выпущенный командой Axis в первой половине года, является одним из крупнейших открытых наборов данных для манипуляций роботами, включающим роботизированную руку Franka Research 3, содержащим 207 различных задач манипуляции, более 50 000 траекторий демонстрации человеком и более 60 000 вариантов сценариев задач.

В ходе оценки результатов обучения исследовательская группа непрерывно предварительно обучала современную модель VLA π 0.5, используя этот набор данных. Экспериментальные результаты показывают, что модель, обученная с использованием снимка данных AXIS-100%, демонстрирует превосходные результаты на бенчмарке устойчивости LIBERO-Plus, достигнув общего показателя успешности 88,8%.

Крис также заявил, что набор данных AXIS Franka значительно повышает устойчивость модели к реальным помехам: устойчивость модели улучшилась на 13,7% и 11,3% соответственно при таких проблемах, как шум датчика и смещение ракурса камеры. Его исследование подтверждает, что по мере увеличения размера набора данных с 25% до 100% способность модели к обобщению при манипулировании данными демонстрирует стабильную тенденцию к расширению, показывая положительную взаимосвязь между размером данных и способностью к обобщению при решении последующих задач.

Вместо того чтобы делать ставку на один-единственный формат данных, они стремятся стать «лидером в области искусственного интеллекта в робототехнике».

Рынок данных в области робототехники остается быстро меняющимся и еще не сформировал стабильную парадигму.

За последнее время внимание отрасли постепенно сместилось от дистанционного управления реальными устройствами к таким источникам данных, как моделирование и перспектива от первого лица. По мере того, как базовая модель переходит в более глубокую фазу после обучения, сбор данных о состояниях сбоев, процессах исправления ошибок и траекториях восстановления также стал новым требованием к данным.

«Если сегодня рынку нужны данные, полученные от первого лица, я буду предоставлять только такие данные; а что, если через шесть месяцев они перестанут быть нужны людям?» Поэтому Крис не желает определять Axis как компанию, которая производит только определенный тип данных.

Его подход заключается в разделении относительно стабильных базовых возможностей от постоянно развивающихся методов сбора данных. Базовый уровень состоит из инфраструктуры, такой как распределенная сеть участников, управление задачами, проверка данных, очистка, улучшение и обработка данных; верхний уровень подключается к различным продуктам данных и методам сбора в зависимости от модели и потребностей клиента.

В настоящее время Axis начала с веб-ориентированного сбора данных для моделирования и постепенно расширяет его до данных с точки зрения первого лица и моделей после обучения. Крис объяснил, что в последнюю версию продукта добавлен сбор данных для коррекции ошибок, связанных со смещением модели и состояниями отказа, и команда продвигает сбор и обработку данных после обучения, таких как DAgger, планируя выпустить первый крупномасштабный набор данных DAgger после обучения с участием человека до конца года.

По его мнению, по мере дальнейшего совершенствования моделей роботов будет меняться и ценность партнеров по обработке данных. Оценка возможностей компании, работающей с данными, должна основываться не только на объеме данных, которые она может предоставить за один раз, но и на ее способности стабильно производить высококачественные данные, наличии постоянно функционирующей сети участников и инструментов обработки данных, а также на ее способности оперативно корректировать содержание и структуру следующего потока данных в зависимости от производительности модели.

Этот подход отчасти вдохновлён разработками Scale AI и Surge AI, причём Крис особенно сосредоточен на Surge AI. Он надеется, что в будущем Axis станет «Surge AI в области робототехники».

По мнению Криса, преимущество Surge AI заключается не только в наличии большого объема ресурсов для аннотирования данных, но и в том, что компания постоянно идет в ногу с изменениями в требованиях к моделям, начиная от масштабной постобработки моделей и заканчивая новыми аспектами, такими как среды обучения агентов.

Именно эта способность — не привязываться к определенному формату данных, а постоянно корректировать предоставляемые данные и инструменты по мере изменения методов обучения моделей физического ИИ — является той самой возможностью, которую Axis действительно надеется воспроизвести.

Использование блокчейна для поощрения за участие и отслеживания данных.

В отличие от своих конкурентов, Axis использует относительно уникальное название — блокчейн.

Сам процесс производства данных для роботов не требует использования блокчейна; моделирование по-прежнему проводится в традиционных средах для роботов, а обучение моделей ничем не отличается от обучения моделей в других компаниях, занимающихся искусственным интеллектом. Блокчейн действительно играет роль в первую очередь после генерации данных: Axis создаст идентификаторы данных для проверенных траекторий данных и зафиксирует взаимосвязи между задачами, данными и участниками в базе данных Base.

Крис заявил, что технология блокчейн в первую очередь решает две проблемы.

Во-первых, существует стимул к внесению вклада. Когда данные создаются пользователями, распределенными по всему миру, количество и качество данных, предоставляемых разными пользователями, различаются. Платформе необходимо знать, кто и какой вклад внес, и соответствуют ли эти данные требованиям. Для участников основной акцент делается не на объеме их работы, а на том, кто предоставляет действительно эффективные данные.

Во-вторых, существует проблема отслеживания источников. Текущий процесс обучения моделей ИИ во многом представляет собой «черный ящик». Посторонние обычно видят только конечную модель, но трудно точно определить, из каких данных получена та или иная функция или кто эти данные создал. Если бы взаимосвязи между задачами, траекториями и участниками можно было непрерывно регистрировать, то при покупке клиентом данных в будущем, по крайней мере, можно было бы сохранить относительно полную запись об источнике.

Компания Axis уже запустила систему баллов для учета и оценки вклада пользователей. Крис также упомянул, что если в будущем будут выпущены токены, баллы за вклад могут стать стимулом; если данные участников в конечном итоге будут коммерциализированы, компания также рассматривает возможность предоставления им права участвовать в распределении доходов в будущем.

Однако эти механизмы все еще находятся на стадии проектирования и доработки. Вместо того чтобы сначала создавать токен-экономику, а затем искать для нее сценарии применения, Крис подчеркивает необходимость сначала определить, какие практические проблемы блокчейн действительно может решить.

«Я никогда не считал себя компанией, занимающейся криптоботами».

По его определению, Axis — это прежде всего компания, занимающаяся робототехникой и обработкой данных. Если блокчейн может помочь решить проблемы стимулирования вклада и отслеживания источников данных, то он будет использоваться в этих областях; если же он не может генерировать реальную ценность, то нет необходимости внедрять его в качестве дополнительного шага в концепции «Крипто + ИИ».

Следующий этап: расширение охвата данных и добавление списка поставщиков ведущих компаний-разработчиков моделей.

В течение следующих 6-12 месяцев дорожная карта Axis сосредоточена в первую очередь на трех областях: продукт, развитие сообщества и монетизация.

На уровне продукта Axis планирует продолжить расширение масштабов сбора данных от первого лица, а также добавить данные UMI и данные телеуправления для задач мобильного управления, тем самым еще больше расширив типы данных и область применения платформы.

Помимо портала сбора данных для обычных пользователей, Axis также планирует предоставлять API для генерации задач и инструменты обработки данных корпоративным клиентам и разработчикам, что позволит еще больше расширить функциональность некоторых базовых возможностей по обработке данных.

Еще одним ключевым направлением является развитие сообщества. Крис заявил, что Axis надеется утроить размер своего сообщества в течение следующих шести месяцев и расширить свое присутствие на различных региональных рынках. Участники больше не будут ограничиваться обычными поставщиками данных, а будут стремиться привлечь больше разработчиков, исследователей и специалистов отрасли, постепенно расширяя платформу в открытую экосистему, ориентированную на производство данных для физического ИИ.

В плане коммерциализации Axis уже привлекла ключевых клиентов на нескольких нишевых рынках, а ее данные моделирования и данные с видом от первого лица уже принесли платные заказы. Компания стремится увеличить свой годовой доход (ARR) до 500 000–1 миллиона долларов в течение следующих шести месяцев и стать поставщиком для ведущих компаний, занимающихся разработкой моделей робототехники.

По сравнению с самими показателями выручки, выход на рынок ведущих компаний, занимающихся разработкой моделей, может стать лучшей проверкой текущей бизнес-модели Axis.