Axis 判断人形机器人最缺数据，让20万人在浏览器里贡献470万条轨迹

人形机器人最缺什么？Axis Robotics 的判断是：算力、模型架构、硬件都不是最要紧的，数据才是。

传统做法依赖昂贵的实体机器人、专业操作员和受控实验室环境。任务花样少，时间成本也高。静态数据集不够用：模型越进步，失败案例越新，这些失败需要新数据去补，补完又发现新的边界。

Axis 把数据收集从实验室搬到网上，做成一个分布式、社区驱动的数据引擎。它的口号是“机器人智能不是由少数人构建，而是由所有人共同构建”。

入口是 Axis Hub。贡献者打开浏览器就能控制模拟机械臂。不需要实体机器人，不需要高性能 GPU，也不用装复杂的机器人软件。干的活包括拾取放置、堆叠、分类、开抽屉、摆弄物体。每一次交互生成一条机器人轨迹，验证、处理后转成训练数据。Axis 把这条路叫“模拟优先”——浏览器里收的轨迹先清洗、增强，再进入机器人学习流程。

Axis V2 加了一个人类门控的 DAgger 式后训练循环。模型先尝试任务，失败后由人接管纠正，纠正内容变成新训练数据，策略随之改进。V2 之后，Axis 已经收集超过500小时的人类门控纠正数据。后续研究显示，短而经过验证的纠正片段，比盲目模仿完整人类轨迹更能提升策略性能。

规模数字也在爬升。8月初，轨迹数超过300万条，贡献者超过12.3万。到8月底，注册用户超过20万，有效模拟轨迹470万条，轨迹数据约1.35万小时。在 Base 网络上，Axis 是排名前三的 DApp。

数据质量也有参照系。Axis Sim Dataset V1 有207个操作任务，5万多条人类遥操作轨迹，6万多个场景变体。模拟机械臂用的是 Franka Research 3。开源数据集下载超16万次，在 Hugging Face 上，它是下载量最大的开源模拟 Franka 操作数据集之一。用 Axis 数据对 π0.5 做持续预训练，LIBERO-Plus 上的性能从83.9%提到88.8%。此前 Axis 还演示过把这类策略部署到实体 Franka 机器人上。至于有没有第三方来验证数据质量，Axis 没有说。

贡献者按数量、任务难度、质量、多样性和推荐等因素拿积分。Axis 最近推出 Challenger Program，难任务放进专门区域，积分给到普通任务的2到3倍。贡献被记录、验证，并在链上发奖励。Axis 明确说积分不是代币，任何未来代币的猜想，官方确认前都只是猜想。换句话说，要把积分当收入来源的人，目前拿不到任何可兑现的承诺。

Axis 在搭五个环环相扣的层：任务生成、网络模拟、后训练、移动第一人称数据、数据到模型。2026年7月27日，它宣布完成1200万美元种子轮融资。Hack VC 领投，Nomad Capital、Pi Network Ventures、10K Ventures 和天使投资人跟投。钱要用来扩展分布式贡献者网络、程序化生成能力和物理 AI 数据基础设施。

Axis 还宣布了一批合作。对象包括 Booster Robotics、Manycore Tech、Feagine Robotics、Dexmal、Lotus Car、Geely Auto 和 SomaStacks。具体内容和有没有实际部署，没有公开细节。它的路线图指向更多机器人形态，更大的 DAgger/后训练数据集，更多第一人称真实世界数据。操作任务会更复杂，商业任务包和机器人伙伴继续扩容。数据-模型-数据的反馈循环则转得更紧。