今やAIについて語るとき、上下流については皆さんもう熟知している。ストレージを売買する時は光モジュール、材料、設備を見ることを知っており、計算能力を売買する時はNVIDIA、電力、放熱を見ることを知っている。

しかし、ロボットと言えば、ほとんどの人の認識は春節晩会で数歩歩ける人型ロボットに留まっており、かっこいいと思うだけで、それ以外にロボットの上下流には何があるのか、ロボット業界の「紫蘇の葉」とは何か、ほとんどの人は説明できない。

実はロボット産業にも独自のサプライチェーンがあり、ますます細分化された分野に分化している。ハードウェアを開発する人もいれば、モデルを開発する人もいるが、一般の人にはほとんど気づかれず、ロボットの能力の上限に影響を与えるかもしれない要素がある：データだ。より正確に言えば、ロボットに「手を動かす経験」を生産するデータである。

大規模モデルの台頭には非常にシンプルな前提がある：インターネット上にはすでに膨大なテキスト、画像、コード、動画が蓄積されている。モデル企業は当初、これらのデータをどう取り込むか、どう計算能力を拡張するか、どうより大きなモデルを訓練するかを解決する必要があった。

ロボットは違う。

ロボットには自然なインターネットコーパスがない。ロボットの制御学習に直接使用できる軌跡には、通常、観察、動作、ロボットの状態が含まれる；タスクによっては、物体の状態、接触情報、成功条件、タスクの意味論、制御周波数も含まれる場合がある。実際の収集は遅く、高価で、危険であり、特定のロボットに高度に依存している。

そして、これこそがAxis Roboticsが誕生した背景である。7月27日、このPhysical AIデータエンジン企業は、Hack VCが主導し、Nomad Capital、Pi Network Ventures、10K Venturesおよび複数のエンジェル投資家が参加した1200万ドルのシードラウンド資金調達の完了を発表した。この資金が賭けているのは、また別のロボット製造チームではなく、ロボットに「経験」を供給することに特化したチームである。

このような背景の中、律動BlockBeatsはAxis Roboticsの創業者Chrisにインタビューを行った。Chrisは投資およびコンサルティング業界で豊富な経験を持つ。

データビジネスからロボットデータのギャップへ

BlockBeatsの質問：Axisを立ち上げる前、あなたの主な起業およびキャリア経験は何ですか？どのようにしてロボット、Physical AI、ロボットデータという方向に触れるようになったのですか？起業の機会があると気づいた具体的なきっかけはありましたか？

Chris：Axis を立ち上げる前の前回の起業経験から、すでに大きな気づきを得ていました。データは派手ではないけれど、しばしば天井を決める変数であり、企業が最終的にどこまで高く飛べるかを左右するのだと。

2024年の初めは、私にとってかなり重要な転換点でした。当時は人工知能が非常に熱く、誰もがモデル、パラメータ、計算能力について語っていましたが、私はますます業界が「モデル駆動」から「データ駆動」へと移行していると感じるようになりました。モデルはもちろん重要ですが、モデルが前進し続けられるかどうかを決めるのは、結局のところデータなのです。

私を本当に刺激したのは、Surge AI という会社でした。2020年に設立され、わずか4年で収益が10億ドルを超え、Scale AI よりも勢いがあり、しかもほとんど資金調達をしていませんでした。当時ずっと考えていたのは、なぜデータを扱う会社がこれほど速く成長できるのか、私たちはインテリジェント時代におけるデータの価値を過小評価しているのではないか、ということでした。

その頃、私は南洋理工大学、バークレー、NVIDIA の友人たちとも頻繁に話し、学界や産業の最前線で起きている変化を聞いていました。皆が次第に明確なコンセンサスを形成していきました。モデルの反復は速いが、データは基盤であり、最も難しく、最も標準化されておらず、最も見落とされがちな層なのだと。大規模言語モデルの事前学習から事後学習、そしてエージェントが登場した後の高品質データへの需要に至るまで、データは重要でなくなるどころか、むしろますます複雑になっているのです。

そこで私は考え始めました。Physical AI も同じ道を辿るのではないかと。物理世界はテキスト世界よりもはるかに複雑です。実環境の変化、センサーノイズ、さまざまなロングテール操作、人それぞれの使用習慣が、データ需要を何倍にも拡大させます。Physical AI が必要とするデータ量、そして事後学習でエラーを修正するためのシナリオは、今日の人工知能の100倍以上になるかもしれません。

しかし当時、「Physical AI のデータを誰がやっているのか」と尋ねても、すぐに名前が挙がる企業はほとんどありませんでした。将来、時価総額1000億ドル規模の企業が生まれる可能性がある分野なのに、まだ真のマインドシェアを獲得したプレイヤーがいないのです。起業家にとって、このシグナルは明確でした。全力を注ぐ価値があると。

そこで2025年の夏から、私はNTUやUCBの友人たちと体系的に技術ロードマップとプロダクト形態について議論し始め、Axis Robotics もその段階で本格的に始動しました。

BlockBeats の質問：外部がロボット業界について語るとき、まずハードウェアとモデルに注目します。しかし、なぜ Axis チームは、データこそが Physical AI のこのラウンドでスケール展開を最も制限する可能性がある「紫蘇の葉」だと考えるのでしょうか？

Chris：これはとても良い質問です。大規模モデルの発展から得られる直接的な示唆は、ある技術路線が検証された後、次の段階の能力向上は、しばしばデータ、計算能力、モデル規模の共同拡大によってもたらされるということです。GPT-1からGPT-3まで、大規模な事前学習が明確な能力の飛躍をもたらすことを私たちは見てきました。

しかし、ロボット業界はまだもっと早い段階にあります。今日のハードウェアとアルゴリズムはすでにかなり速いペースで進んでおり、さまざまなロボットアームや人型ロボットが次々と登場しています。モデルの路線も徐々に収束しつつあり、例えばVLAは視覚、言語、ロボットの動作を接続し、世界モデルは動作が発生した後に環境がどう変化するかを学習し、WAMはさらに将来の状態予測と動作生成を組み合わせています。これらの方向性はすべて誰かが取り組んでいます。

問題は、ロボットが単に実験室でデモをするだけでなく、実際の環境でも本当に働けるようにすること、つまり言語モデルがかつて「GPT-1の瞬間」と呼んだような飛躍に近づくには、桁違いに多くの実世界でのインタラクションデータが必要だということです。

たとえて言うなら、今日のロボットは教科書でしか泳ぎを学んだことがない人のようなもので、理論はすべて理解しているが、まだ水に入ったことがありません。本当に泳げるようにするには、さまざまなプール、さまざまな水温、さまざまな波の中で繰り返し練習させる必要があります。この「水に入った経験」がデータなのです。

しかし、現在の公開データの規模はまだ非常に小さいです。

Open X-Embodimentは代表的なオープンデータセットの一つで、21の機関、22種類のロボット、100万以上の軌跡を統合していますが、聞こえは多いものの、インターネットレベルのデータ量と比べると、端数にも及びません。他の公開データセットの多くは、まだ数百時間のレベルにとどまっています。

したがって、私たちは現在ロボットの基盤モデルを制約しているのは、必ずしもモデル構造そのものではなく、データの規模と多様性がはるかに追いついていないことだと考えています。十分なクロスシーン、クロスインダストリーの実データがなければ、どんなに優れたモデルやハードウェアでも実験室の中をぐるぐる回るだけです。データはこの段階では付加価値ではなく、Physical AIが転換点を越えられるかどうかを決定する重要な変数なのです。

BlockBeatsの質問：最もシンプルで、最も率直で、最も回りくどくない方法で、一般の人にAxisが何をする会社かを教えてもらえますか？

Chris：最も率直に言えば、Axisはロボットが「実践経験」を継続的に積み重ねるのを支援しているのです。

ロボットを、入社したばかりのインターンだと考えてください。頭は悪くないけれど、何も経験したことがありません。一人前になるには、操作マニュアルを見せるだけでは不十分で、実際に手を動かして、失敗して、誰かに修正され、もう一度やり直す、という反復練習が必要です。私たちがやっているのは、こうした経験を体系的に生産することです。

トレーニング前の準備、タスク設計、シミュレーション練習から、実世界でのデータ収集、データクリーニング、モデルトレーニング後の修正と継続的な最適化まで、全工程を一貫して構築しました。また、ウェブ版のシミュレーションプラットフォームとモバイル版の収集ツールも開発し、一般の人々も参加できるようにしました。自宅で服をたたんだり、机を整理したりといった日常動作が、ロボットの学習素材になります。

一言でまとめると、AxisはPhysical AIにトレーニングデータを継続的に供給し、同時に修正も続けるデータエンジンであり、ロボットがより速く学び、より少ないミスで済むようにするものです。

「実践経験」をロボットのトレーニング燃料に変える

BlockBeatsの質問：現在の具身知能におけるデータギャップに対して、最終的な解決策は何だと考えますか？第一視点データ、遠隔操作データ、シミュレーションデータのうち、どれが優れていますか？

Chris：今日の業界最大の課題は、データ規模、シナリオの多様性、実世界との物理的整合性という3つの要素を同時に達成することが難しい点です。いわゆる実世界との物理的整合性とは、データ内の動作パターンが実世界と一致している必要があるということで、仮想環境でうまく練習できても、実際のロボットに移すと「ぎこちなくなる」ようではいけません。

例え話をしましょう。シミュレーション遠隔操作データは、教習所のシミュレーターで運転練習をするようなものです。ハードルが低く、実際の車は不要で、世界中の人々がウェブ経由で仮想ロボットを遠隔操作し、大量のトレーニングデータを生成できます。さらに、ロボットの形態、物体、シナリオ、タスクをランダムに組み合わせることで、多様性をすぐに広げられます。欠点も明らかです。シミュレーターがどれだけ優れていても、実際の道路状況とは異なります。現実の凹凸、突発的な状況、不規則な路面は、シミュレーターでは完全に再現できません。モデルが仮想環境で学習しても、実際のロボットではうまくいかない可能性があります。これが「仮想と現実のギャップ」と呼ばれるものです。

第一視点の実人データは、ベテランドライバーにドライブレコーダーを取り付けるようなものです。一般の人々がスマートフォンを使って自宅やオフィスで実際の操作を収集でき、映像には視覚情報と言語情報が含まれているため、モデルが人間の作業方法を理解するのに役立ちます。ただし、欠点は映像にロボットの正確な関節データが含まれていないため、細かい動作のトレーニングに直接使用するには不十分な点です。

実機遠隔操作データは、実際に路上で運転練習をするようなものです。軌跡精度が最も高く、最も現実の物理的インタラクションに近いものです。特に、モデル自身の操作が失敗した後に人間が介入して修正した軌跡は、モデル改善にとって特に価値があります。しかし、コストも最も高く、実機と人手が必要で、生産能力に限界があり、無限に展開することはできません。

Axis が実際に展開しているスタイル

したがって、答えはどちらが優れているかではなく、3種類のデータがそれぞれの役割を果たすことです。シミュレーションは量を拡大し、一人称視点はモデルが現実世界の常識を理解するのを助け、実機遠隔操作は精度のキャリブレーションとクローズドループのエラー修正を行います。3種類のデータを同じシステムに統合して初めて、このギャップを本当に埋めることが可能になります。

これが、私たちが「ハイブリッドデータソース、双方向クローズドループエンジン」を構築する理由でもあります。私たちはシミュレーション遠隔操作データと一人称視点の実人データを二輪供給として使用し、さらにHuman-Gated DAggerを組み合わせています。そのアプローチは非常に直接的です。モデルが失敗した後に人間が介入して修正し、その修正結果をトレーニングに戻します。これにより、データは収集、クリーニング、拡張を経て、統一された視覚・言語・動作モデルのトレーニングに入り、さらに仮想・実機展開、失敗フィードバックの還流、データ補完へと進み、自己駆動する循環が形成されます。

BlockBeats の質問：Axis は当初なぜシミュレーションデータから始めたのですか？現在は一人称視点データの展開を始めていますが、これは戦略的方向性の変化ですか？

Chris：これは同じデータ戦略の拡張です。Physical AI は必ずデータ駆動型であり、データの核心指標は量ではなく多様性です。多様性が汎化能力とロバスト性を決定するからです。私たちが最初にシミュレーションを選んだのは、それが制御可能で再現可能であり、評価も容易だからです。タスクを設計し、シーンやロボットの形態を調整でき、収集後にはリプレイ、検証、トレーニング、テストも可能です。それはまるで「ワールドモデル」のようなもので、現実世界の仮想化です。

一人称視点データは、現実世界の広がりを補完できます。最近のDreamDojoを含む研究により、業界は大規模な一人称視点ビデオが人間の行動や世界の法則を学習する上での可能性をさらに認識しました。この種のデータは、人がどのように道具を使い、物体を扱い、タスクを完了するかを記録しており、これらの行動は異なる国、業界、生活シーンに分散しているため、少数の研究室ではカバーするのが困難です。

シミュレーションデータは少数のプラットフォームで集中生産しやすい一方、一人称視点データは本質的に分散しており、世界中の貢献者の共同参加が必要です。NVIDIAやDeepMindなどのトップモデル企業がこの種のデータへの需要を高めるにつれて、一人称視点データをグローバルに継続的に取得、処理、検証できるかどうかが重要な能力になります。

さらに重要なのは、Axisにとって、貢献者ネットワーク、タスク配布、データ処理と検証パイプラインは再利用可能であることです。シミュレーションから一人称視点データへの拡張は、方向転換ではなく、より完全なロボットデータインフラを構築することです。

BlockBeatsの質問：Axisにおける具身知能データの収集、加工、トレーニングのプロセス全体を説明していただけますか？

Chris：Axisでは、データ収集と処理は断片的に分離されているわけではなく、プロセス全体がエンドツーエンドのクローズドループです。最近リリースしたAxis V2は、私たちにとって重要なアップグレードでした。以前のAxisはどちらかというと一方向のデータ収集ステーションでしたが、現在はタスク生成、データ収集、モデルトレーニング、評価最適化をすべて一つのシステムに統合しています。

最初のステップは問題作成です。シミュレーション環境で、アルゴリズムを使ってロボット本体、対象物体、位置、視覚条件などの変数を組み合わせます。例えば、10種類の動作、10種類の物体、10種類の配置方法を組み合わせると、タスクの多様性は指数関数的に急速に拡大します。

2番目のステップは問題解決です。世界中の貢献者は、シンプルなウェブページやモバイル端末のインターフェースを通じてシミュレーションタスクを完了でき、モバイル端末の一人称視点アプリを使って現実世界の操作プロセスを収集することもできます。

3番目のステップは採点と加工で、これが最も核心的な部分です。生データにはしばしば揺れ、無効な動作、不自然な操作が含まれているため、まずクリーニング、スムージング、リサンプリングを行います。その後、RoboVerseを活用して同じデータを異なるシミュレーション環境間で転送し、まず軽量なウェブ端末で収集したシミュレーションデータをIsaac Simに移行してリプレイとデータ拡張を行います。リプレイしながらシーンのマテリアル、照明、カメラアングル、物理パラメータを変更します。同じレシピで異なる鍋、異なる火加減、異なる食材を使って作り直すようなもので、1つの生データから多くのトレーニングサンプルを拡張できます。

加工後も、そのまま大規模モデルに投入するわけではなく、成功条件チェック、異常フィルタリング、フォーマット統一を経てからモデルトレーニングに入ります。1ラウンドのトレーニングが完了すると、モデルをシミュレーションおよび評価環境でタスクを実行させ、どのシーンや状態で失敗しやすいかを観察し、その弱点を新しいターゲット収集タスクに変換します。

モデルがまず自主的にタスクを実行し、正しい経路から逸脱すると、貢献者が引き継いで是正アクションを提供します。これらの修正データは再びトレーニングに投入され、モデルが元々対応できなかった状況を徐々に学習できるようになります。このフライホイールが回り続けることで、データ、モデル、ロボットの能力が一体となって向上していきます。

つまり、V2の意義は単に機能が増えたことではなく、Axisを「データを収集するだけの存在」から「モデルを賢くするための完全なシステム」へと変えたことにあります。

BlockBeatsの質問：Axisは最近Dataset V1をリリースしましたが、このデータセットが重要な理由と、具体的に何を証明したのでしょうか？

Chris：Dataset V1で最も重要な点は、単にデータの量を増やしたことではなく、次のことを初めて検証したことです：多数の一般貢献者によるシミュレーション操作が、タスク設計、成功チェック、フィルタリング、スムージング、データ拡張を経ることで、ロボットの事前学習に有用なシグナルとなり得るということです。

V1には207の操作タスク、5万以上の軌跡、6万以上のタスクおよびシーン変種が含まれています。公開されたLIBERO-Plus評価では、完全なAXISデータで継続事前学習を行った後、π0.5の総合成功率は83.9から88.8に向上し、4.9ポイント上昇しました。同じデータ量のRoboCasa対照群は57.5でした。これは少なくとも、この評価条件下では、モデルの向上が単純なデータ数の多さだけでなく、タスク、シーン、視点、および摂動条件の多様性に依存することを示しています。

今年はDataset V2をリリースし、規模をさらに拡大し、より多くのロボット形態、タスク、シーンをカバーする予定です。

BlockBeatsの質問：Axisはどのようにしてデータに価値があるかどうかを判断するのでしょうか？評価基準はどのようなものがありますか？

Chris：私たちは単にデータが「取得されたかどうか」だけを見るのではなく、連続していくつかの質問をします：それはクリーンか、新しいものを提供しているか、実世界で役立つか、そしてモデルの真の弱点を補っているかどうかです。

第一関門は使えるかどうかです。操作は完了しましたか？途中でフリーズや切断はありませんでしたか？アクションのリプレイは再現できますか？デバイスのラグ、操作のドリフト、物体が貫通するといった物理法則に反する状況はありませんでしたか？また、このデータで軽量モデルをトレーニングして迅速なヘルスチェックを行います。この関門を通過できないデータはトレーニングプールに入りません。

第二関は、新しい情報があるかどうかを見る。ロボットが最も嫌うのは、すでに解ける問題を繰り返し解くことだ。私たちはこの軌跡のシーン、物体、インタラクション方法が、既存データとどれだけ異なるかを確認する。珍しいシーンレイアウト、特殊なマテリアル、まれな操作方式が現れれば、価値が高い。大量の繰り返しの「掴んで置く」ももちろん役立つが、基数を補う程度だ。本当に重点的に投資すべきは、複数の物体が互いに遮り合い、連続した複数ステップを要する複合タスクだ。このようなデータこそ、モデルに応用を効かせることを学ばせられる。

第三関は、シミュレーションから現実へ移行できるかを見る。シミュレーションデータは多ければ多いほど良いわけではなく、鍵となるのは現実世界の変化を考慮に入れているかだ。照明が変わっても大丈夫か？マテリアルが変わったら？摩擦係数が違ったら？カメラの角度が傾いたら？これらの変動が十分に撹拌されていれば、モデルは実機に載せたときに「光を見て死ぬ」ことが起こりにくい。もしシミュレーションデータが常に同じ理想的な条件下で発生するなら、それは基礎的な事前学習の土台素材にしかならず、現実世界への移行価値は限定的だ。

最後に、長期的な反復への貢献を見る。モデルが実機で失敗し、人間が介入して修正した短い軌跡は、特に価値が高い——それはモデルがどこができないかを正確に教えてくれる。新しいタスクや新しい機種がもたらす全新の軌跡も同様で、モデルの能力境界を急速に拡大するのに役立つ。逆に、単純なタスクでモデルがすでに安定して解けるなら、似たデータを積み重ねても収益は逓減する。

だから、良いデータとは単に「形式が正しい」だけではない。それはクリーンで、新規性があり、現実世界に落とし込め、さらにモデルの進歩を推進できるものでなければならない。私たちは限られた収集リソースを、本当にロボットを賢くできるデータに使いたいと考えている。

BlockBeats 質問：Axis はロボット企業なのに、なぜブロックチェーン技術が必要なのですか？Axis は Base チェーンを選びましたが、具体的な理由を教えていただけますか？

Chris：これは非常に鋭く、そして重要な質問です。私たちのロジックはシンプルです。Axis はまず Physical AI のデータボトルネックを解決しようとしており、それを解決するには世界中の多くの一般貢献者の参加が必要です。ブロックチェーン技術は主役ではなく、トレーサビリティ、検証、インセンティブ、分配を行うための効率的な基盤ツールのようなものです。

大規模言語モデルの時代において、トレーニングデータは大部分が「ブラックボックス」です。データがどこから来たのか、どう処理されたのか、貢献者の価値がどう確認されるのか、外部からは見えにくい。しかし Physical AI はロボットの現実世界での動作に直接関わり、データ品質は安全性に影響するため、このブラックボックスを単純に受け入れることはできません。

私たちが Physical AI のデータ生産プロセスの一部を Base 上に置くのは、この取り組みをより透明にしたいからです。Base はイーサリアム上に構築された低コストのブロックチェーンネットワークです。具体的には、タスク番号、データ軌跡番号、ユーザー番号、およびそれらの間の関連付けがすべて記録されます。これにより、すべての動作軌跡とすべての貢献者を追跡・監査でき、対応するインセンティブも受け取れます。

さらに、私たちはコミュニティのカバレッジが広く、参加ハードルが低いネットワークを必要としています。Base のコミュニティは非常にグローバルであり、Base チェーンは使用コストが低く、取引確認も速いため、貢献の記録やインセンティブの付与にも便利です。

さらに重要なのは、私たちが報酬を与えるのは単なる数量ではなく、高品質な貢献だということです。ロボットモデルにとって、ゴミデータは役に立たないだけでなく、有害でさえあり得ます。私たちは二層のスコアリングとポイントシステムを通じて、あるデータがモデルに本当に役立ったかどうかを判断します。貢献が良いほど、スコアが高く、報酬も多くなります。Base チェーンの効率性と低コストは、このような高頻度・微小インセンティブのグローバルな協力ニーズに完璧に適合しています。

ロボットデータのクローズドループに誰が対価を払うのか

BlockBeats 質問：Axis の現在の商業化の道筋はどのようなものですか？ロボットデータ収集、モデルトレーニング、実際の展開に関して、主にどのような製品やサービスを顧客に提供していますか？既存の顧客はこのモデルに対してどのようなフィードバックを寄せていますか？

Chris：私たちの商業化の道筋は比較的明確で、中核は3つのタイプの顧客にサービスを提供し、それぞれの問題に応じてエンドツーエンドのソリューションを提供することです。

第一のタイプは、ロボットハードウェアおよび具身知能企業です。例えば、Booster Robotics、Feagine Robotics、AgiBot などです。彼らは自社のハードウェアを持っていますが、操作能力を補完するために、よりカスタマイズされたデータと直接展開可能なモデルを必要とすることがよくあります。私たちはタスク設計から始めて、データ収集、モデルトレーニング、展開を支援し、下流の顧客向けにデータソリューションも提供します。

第二のタイプは、視覚・言語・動作モデルや世界モデルを開発するモデル企業です。例えば、Manycore Tech や SomaStacks などです。世界モデルの役割は、機械学習に環境がどのように変化するかを理解させることです。彼らは汎用モデルをトレーニングするために大量の高品質な操作データを必要としており、私たちは高品質なタスクセットとデータセットを提供し、共同トレーニングも行えます。

第三のタイプは、垂直業界の企業です。例えば、ロータス（Lotus）や吉利汽車（Geely）などです。彼らが関心を持つのはモデルがどれだけ先進的かではなく、ロボットを実際に生産ラインにどう組み込むかです。そのため、私たちは機械学習手法に基づくエンドツーエンドの自動化ソリューションを提供しています。

私たちはシステム能力を重視しているため、納品は単なるデータのパッケージではありません。顧客が何を必要としているのか、社内の能力の限界がどこにあるのかに応じて、柔軟に調整できます。データを提供するだけでなく、データに基づくソリューションも一緒に納品することが可能です。これにより、顧客にサービスを提供する競争力が高まるだけでなく、顧客の効率化と品質向上をより直接的に支援できます。

BlockBeats 質問：Axis のパートナーや顧客にはどのような企業がありますか？異なる顧客が Axis に来たとき、彼らのニーズは一般的にどのようなものですか？

Chris：先ほど言及した数種類の企業は、すべて当社の代表的な顧客です。彼らは表面的には「データが不足している」と言いますが、実際に不足しているものはそれぞれ異なります。

例えば、あるハードウェアメーカーが、非常に優れたロボットアームを開発したとします。しかし、顧客の現場に到着すると、照明が変わったり、物品の配置が変わったりするだけで、ロボットは正確に掴めなくなります。彼らが Axis に来るのは、実際には「どうすればロボットがより多くの環境で安定して動作できるか」を解決したいからです。

私たちが提供するのは、雑然としたビデオではなく、多次元の多様性生成、クリーニング、意味的アノテーションを経た構造化データです。必要に応じて、ポリシーのトレーニングも直接支援します。最終的に納品する成果は、彼らのハードウェアが非構造化環境でより安定し、汎化能力を高めることです。

BlockBeats 質問：プラットフォームのローンチから現在まで、まだ公開されていない実際の運用データを共有していただけますか？例えば、有効な登録貢献者数、タスク発行数、累計トラジェクトリ、高品質ユーザーのアクティビティと貢献状況などです。

Chris：プラットフォームはローンチから15週間で、累計登録貢献者は8万人を超えました。この数字は、ボットアカウントなどの無効なアドレスを除外した、実際に有効なデータです。プリトレーニング用の機械学習タスクを合計1600件発行し、累計で200万件以上のデータトラジェクトリを収集しました。これは約3500時間の高品質データに相当します。

しかし、私たちがより重視しているのは、ユーザーの質と粘着性です。現在、高品質な貢献者は約2万人で、全体の約30%を占めています。過去30日間で、このユーザー層のうち7800人がアクティブでした。過去7日間では5300人がアクティブで、週次アクティブと月次アクティブの比率は68%に達しています。彼らは過去30日間で68万件、過去7日間で16万件のトラジェクトリをそれぞれ貢献しました。

このアクティビティと参加の深さから、「トレーニングが貢献であり、貢献がインセンティブを得られる」というモデルに対するユーザーの関心が見て取れます。また、当社のコミュニティが、比較的成熟した安定したロボットインテリジェンス貢献者ネットワークを形成しつつあることも示しています。

四、業界の真の転換点とAxisの位置

BlockBeatsの質問：過去2年間、人型ロボット、VLA、Physical AIなどが注目されていますが、大多数の一般ユーザーはまだ実際にロボットを使っていません。ロボットが大規模に普及するまでには、あとどれくらいかかると思いますか？真の転換点は何でしょうか。ハードウェアコストの低下、モデル能力の飛躍、それともデータインフラの成熟ですか？

Chris：私たちは、真の転換点はデータインフラの成熟だと考えています。

ハードウェアコストはすでに急速に低下しています。中国のサプライチェーンの強みにより、ロボットの製造コストはもはや手の届かない壁ではありません。しかし、なぜ一般ユーザーはまだ大規模にロボットを使っていないのでしょうか？核心的な理由は、ロボットがまだ十分に賢くないからです。ロボットは現実世界の物理法則や人間の意図について、十分な常識的理解を欠いています。

これは、低コストの車を持っていてエンジンも良いが、免許がなくて道路を走ったことがないのと同じです。ハードウェアとアルゴリズムだけでは、十分な「路上経験」がなければ、車はうまく運転できません。今日ウェブページを取得するように、低コストで大規模に物理世界のインタラクションデータを取得し、それをモデルが消化できる栄養に変えることができて初めて、ロボットは真に爆発的に普及します。

私たちはこの転換点がますます近づいていると感じており、Axisがやりたいのはそれをさらに前進させることです。

BlockBeatsの質問：ロボット業界では、大規模モデル企業と完成機メーカーが将来、自社でデータを構築する可能性があります。こうしたデータ自社構築チームや、Axisの現在の同業他社に対して、Axisの長期的な堀（モート）は何でしょうか？貢献者ネットワーク、タスク生成能力、データ品質管理、顧客シナリオ、それともクローズドループトレーニング効果ですか？

Chris：これは非常に重要で、現実的な問題です。大規模モデル企業と完成機メーカーは将来、必ず自社でデータチームを構築するでしょう。これは業界発展の必然的な結果です。しかし、本当の競争は、誰が自分でデータを収集できるかではなく、誰がクロスシナリオでスケーラブルで、継続的に最適化できるデータインフラを構築できるかです。

短期的には、皆がデータのカバレッジと多様性を競います。中期的には、データをモデル能力に変換する効率を競います。長期的には、誰が本当に顧客のスマート生産システムに組み込まれ、簡単に置き換えられない一環になれるかを競います。

Axisの堀は、貢献者ネットワーク、収集効率、データ処理能力といった単一のポイントだけではありません。単一の能力はコピーされる可能性があります。私たちが重視するのは、これらの能力を絶えず強化されるクローズドループに結びつけ、徐々に顧客のトレーニングプロセスに組み込んでいくことです。

顧客にとって、Axisへの接続は軽量であるべきで、複雑なライセンスは不要で、迅速にタスクを公開し、データを取得できる。しかし、顧客が当社のシミュレーション資産体系、分散型収集ネットワーク、モデル誤差修正クローズドループを使い始めると、双方のトレーニングプロセスは徐々に結合していく。当社を切り替えるということは、顧客が単にデータベンダーを変えるだけでなく、シミュレーション基盤を再構築し、貢献者ネットワーク、データ処理パイプライン、ポストトレーニング修正プロセスを再構築することを意味する。当社の堀は閉鎖性ではなく、この構造的な埋め込みにある。

また、当社はモデルとともに進化する能力を特に重視している。単にデータを販売するだけなら、いつでも代替される可能性がある。しかし、モデルの弱点を継続的に発見し、的を絞ったタスクを設計し、ポストトレーニング用の修正データを提供し、実際に顧客の成功率とロバスト性向上を支援できれば、当社はモデル最適化のクローズドループの一部となる。その時、当社と顧客の関係は単なるサプライヤーとバイヤーではなく、共同ビルダーのようなものになる。

今後18か月間、業界は大規模で高カバレッジのデータを必要とし、量と多様性が依然として核心となる。その後3年間は、業界は特定領域・特定シナリオの専門データをより必要とする可能性がある。当社が本当に蓄積したい資産は特定の種類のデータではなく、プログラマブルなタスク生成システム、スケジュール可能な分散型貢献ネットワーク、継続的に最適化されるトレーニングクローズドループである。これは横方向に他の業界へ拡張でき、縦方向にも垂直領域へ深く入り込める。

一言でまとめると、短期は規模で競い、中期は効率で競い、長期は埋め込みで競う。Axisの目標は、Physical AIのスマート生産体系の一部となることであり、容易に代替されるデータベンダーではない。

BlockBeatsの質問：資金調達後の6〜12か月で、Axisの最も重要なタスクと目標は何ですか？データ規模の拡大を続け、より多くの実ロボットタスクを検証することですか、それともより多くの有料顧客を獲得することですか？1年後に振り返ったとき、外界にどのようなキーワードでAxisを表現してほしいですか？

Chris：今後6〜12か月で、当社は製品、エコシステム、商業化を同時に推進する。

製品面では、V2は当社を単方向収集プラットフォームから完全なトレーニングクローズドループへと進化させた。次にやるべきことは、このシステムを実際に稼働させ、規模を拡大することだ。9月には一人称視点データ収集パイプラインをさらに展開し、現在すでに数万時間のデータを蓄積しており、北米の最先端モデルラボと需要について協議中だ。10月前後にはデータセットのV2バージョンをリリースする予定で、より多くのロボット形態と原子能力をカバーする。年末までに、初の大規模Human-Gated DAggerポストトレーニングデータセットをリリースする。

エコシステム面では、グローバルネットワークの拡大を継続し、ラテンアメリカおよびヨーロッパ市場に参入します。今後6〜12か月で、ファーストパーソンビューデータの安定した日産能力を500時間以上に維持し、シミュレーションデータの日産能力を50時間以上に引き上げ、DAgger後訓練データの生産能力を段階的に拡大することを目指しています。

商業化面では、年末までに2〜3件の新規有料パイロットプロジェクトを完了し、来年初頭には基盤モデル企業の優先サプライヤーリストに選定されることを目標としています。

1年後に振り返ったとき、皆さんがAxisを「規模、多様性、クローズドループ」という3つの言葉で表現してくれることを期待しています。規模とは、業界レベルのデータ供給を継続的に提供できること。多様性とは、現実世界の複雑さを真にカバーしていること。クローズドループとは、データを生成するだけでなく、モデルの弱点に基づいて継続的に最適化できることです。

さらに重要なのは、業界がAxisについて「ロボットモデルの進化を加速させるシステム」と語ってくれることです。私たちが解決するのは、単なるデータ量の問題ではなく、モデル進化の効率性の問題です。顧客がAxisを導入した後、モデルの反復が速くなり、成功率が高まり、シナリオカバレッジが広がれば、それが私たちの価値です。

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia