Axis Robotics привлекла $12 млн seed-раунда от Hack VC, Nomad Capital и Pi Network на развитие «компендиумного дата-движка» — платформы, где люди удалённо обучают роботов через симуляцию и сбор реальных данных.
Платформа уже объединяет более 100 000 контрибьюторов по всему миру, ежемесячно генерируя 1 200 часов симуляционных и 20 000 часов реальных данных для обучения физического ИИ.
Партнёры Axis — Booster Robotics, Manicore Tech и Geely Auto — указывают на коммерческий спрос: узким местом робототехники становится не «железо», а данные для обучения.
LLM масштабируются на триллионах токенов из интернета. Роботам таких данных неоткуда взять. Они не могут учиться по текстам — им нужны физические взаимодействия: как взять предмет, как повернуть запястье, как скорректировать хватку при скользкой поверхности. Каждое такое движение — это данные, которых в открытом доступе практически нет. Разница между LLM и физическим ИИ — не в сложности архитектуры, а в доступности данных для обучения.
Axis Robotics называет это «узким местом физического ИИ» и предлагает компендиумный подход: платформа, где люди в разных странах через браузер или мобильное приложение управляют симуляциями роботов, показывая им правильные траектории движений. Накопленные данные затем используются для обучения моделей — и чем больше данных, тем лучше становятся роботы, которые генерируют ещё больше данных.
«Физический ИИ требует миллиардов человеко-физических моторных траекторий, — говорит основатель компании Крис Фэн. — Конкурентоспособность здесь зависит не от модели, а от того, как быстро ты можешь накапливать и улучшать данные. Тот, кто контролирует данные, контролирует физический ИИ. Это гонка за данными, а не за алгоритмами».
Axis Robotics — компендиумный дата-движок
100 000+ контрибьюторов · 1 200 ч симуляции · 20 000 ч реальных данных в месяц · Источник: The Block, июль 2026
Три барьера физического ИИ
В отличие от языковых моделей, обучение роботов сталкивается с тремя фундаментальными проблемами. Первая — дефицит данных: нет архива интернета с моторными командами и тактильными ощущениями. Вторая — проблема генерализации: модель, обученная на данных одного робота, не работает на другом «железе». Третья — фрагментация: каждый производитель использует свою механику, свои сенсоры и свою кинематику.
Axis решает все три через единую платформу. Контрибьюторы через браузер управляют симуляторами, генерируя эталонные траектории. Эти данные проходят автоматическую очистку и разметку, после чего используются для дообучения моделей. Результат замыкает цикл: улучшенная модель точнее управляет роботом, который собирает более качественные данные.
«Наш симуляционный датасет Sim Dataset V1 повысил общую успешность выполнения задач на 12,9 процентных пункта относительно базовой линии Pi0.5 на бенчмарке LIBERO-Plus».— Axis Robotics, технический отчёт
Оба датасета будут доступны партнёрам платформы для коммерческого использования. Компания уже анонсировала Sim Dataset V2 на сентябрь и DAgger Dataset на ноябрь 2026 года.
Откуда $12 млн и кто инвесторы
Раунд возглавил Hack VC — фонд, который обычно фокусируется на криптоинфраструктуре, но в последнее время всё чаще заходит в физический ИИ. Среди участников — Nomad Capital, Pi Network Ventures и 10K Ventures. Сумма скромная по меркам робототехники (Figure AI привлёк $1,9 млрд, Skild AI — $1,4 млрд), но показательная: $12 млн в seed — это ставка на инфраструктурный слой, а не на очередной стартап-робота.
«Самый приземлённый вывод здесь — что $12 млн seed-раунд скромен по сравнению с капиталоёмкими роботизированными предприятиями прошлого десятилетия, но он сигнализирует о стратегическом повороте к инфраструктуре данных как отдельному слою», — отмечает AI Market Watch.
Рынок физического ИИ упирается не в мощность моделей, а в наличие качественных обучающих данных. Компании вроде Axis Robotics создают слой инфраструктуры, который может стать таким же критичным, как AWS для веба или Hugging Face для NLP.
Рынок инфраструктуры данных для физического ИИ только формируется. Помимо Axis, в этом же направлении работают Enigma (привлёк $71 млн seed в тот же день) и Physical Intelligence ($1,4 млрд). Все они исходят из одного тезиса: bottleneck современной робототехники — не в мощностях инференса и не в качестве моторов, а в том, что роботам не на чём учиться.
Клиенты и партнёры
Axis уже работает с Booster Robotics, Manicore Tech, Pigeon Robotics, Dexmal, Lotus и Geely Auto. Это не случайные имена: Booster Robotics — китайский производитель человекоподобных роботов, Manicore — промышленная автоматика, Geely — один из крупнейших автопроизводителей Китая, который активно роботизирует производство.
Такая клиентская база подтверждает, что проблема данных для обучения роботов — не гипотетическая, а операционная. Промышленные заказчики готовы платить за качественные датасеты уже сейчас, а не через пять лет.
Что дальше
Компания планирует расширять глобальную сеть контрибьюторов и наращивать возможности процедурной генерации. Основатель Крис Фэн видит будущее, где Axis станет «критическим дата-движком, питающим физический ИИ» — по сути, стандартом де-факто для сбора и разметки робототехнических данных.
Первый тест — Sim Dataset V2 в сентябре. Если он покажет улучшение, сопоставимое с V1, тезис о компендиумном подходе получит сильное подтверждение. Рынок будет следить за этим релизом: от его результатов зависит, пойдут ли крупные производители роботов к Axis или построят собственные дата-пайплайны.
Релиз Sim Dataset V2 в сентябре 2026 — покажет, улучшается ли качество данных при масштабировании платформы.
Новые партнёрства с западными робототехническими стартапами — индикатор выхода за пределы азиатского рынка.
Следующий раунд финансирования: если Axis пойдёт за Series A в течение 12 месяцев, это подтвердит спрос на инфраструктурный слой данных.
Что будет с рынком данных для роботов через год?
Вероятность: 65% — спрос на обучающие данные для роботов растёт быстрее предложения, и инфраструктурные игроки вроде Axis, Enigma и Physical Intelligence формируют новый подсектор.
✅ Аргументы за
Крупные производители (Geely, Tesla) уже инвестируют в пайплайны данных (data pipelines) для роботов, а не только в «железо».
Критерии подтверждения: Axis закрывает Series A >$40 млн в 2027, хотя бы один конкурент выходит на тот же рынок.
❌ Аргументы против
Пионеры вроде Physical Intelligence уже строят собственные замкнутые пайплайны данных (closed-loop data pipelines), не нуждаясь в сторонних платформах.
Критерии опровержения: Крупный производитель роботов строит собственный data engine вместо использования стороннего.
Сценарии развития
🟢 Оптимистичный сценарий (30%)
Последствия: Рынок инфраструктуры данных формируется вокруг 2–3 платформ, и Axis — одна из них.
🟡 Базовый сценарий (50%)
Последствия: Рынок данных для роботов фрагментирован, единого стандарта не возникает.
🔴 Пессимистичный сценарий (20%)
Последствия: Стартап продаётся крупному производителю или закрывается.
