Pi Network 跨界布局物理 AI：Axis Robotics 是什么？1200 万融资背后的硬核野心

总部位于旧金山的初创公司 Axis Robotics (@axisrobotics) 正通过网页仿真和移动端 App 的方式，众包采集机器人的训练数据，并将经过验证的贡献实时记录在 Base 区块链上。

7 月 27 日，Axis 宣布完成了由顶级加密风投 Hack VC (@hack_vc) 领投的 1200 万美元种子轮融资。参与方包括 Nomad Capital、Pi Network 旗下的风投臂膀 Pi Network Ventures (@PiCoreTeam)、10K Ventures 以及多位知名天使投资者。

对于 Pi Network 的观察者而言，这笔交易延续了项目方在非纯加密领域的战略延展。Pi 生态拥有 1 亿美元规模的风投基金，在 2025 年参与了 Pantera Capital 领投的 AI 项目 OpenMind 2000 万美元融资后，如今第二次公开下注于机器人和 AI 基础设施 Stack。结合此前对 CiDi Games 的战略投资，Pi Network Ventures 显然正在将眼光放宽至 Web3 之外的硬科技领域。

Axis Robotics 是什么？

Axis Robotics 成立于 2025 年，总部位于旧金山，将自己定位为“加速物理 AI（Physical AI）发展的复合数据引擎”。

虽然在融资时团队规模仅约 11 人，但其技术背景极为深厚：核心研发人员涵盖来自加州大学伯克利分校（UC Berkeley）、卡内基梅隆大学（CMU）、佐治亚理工学院、新加坡南洋理工大学（NTU）和上海交通大学（SJTU）的 AI 与机器人专家，搭配曾打造过超 3000 万用户产品的增长运营官。

创始人 Chris Feng (@chris_anm01) 曾任 Chainbase 的首席运营官（COO），拥有贝恩咨询（Bain & Company）及风险投资领域的研究背景。

核心痛点：机器人的“数据饥渴”

Axis 成立的核心逻辑在于解决物理 AI 的数据短缺问题。大语言模型（LLM）有互联网数十年积攒的文本数据可供训练，但机器人却没有这样的“数字遗产”。在真实物理世界中感知并行动的机器，面临着 Axis 所总结的三大壁垒：

1. 数据极度匮乏

2. 泛化能力断层（Generalization Gap）

3. 躯体碎片化（Embodiment Fragmentation）——即在特定机器人躯体上采集的数据，极难无缝迁移至另一种形态的机器人上。

数据引擎如何运作？

为了破解数据瓶颈，Axis 构建了一个包含人机协同闭环（Human-in-the-loop）的四大核心模块：

1. Task Gen Engine（任务生成引擎）： 通过随机化物体、布局、视觉环境和机器人类型，程序化生成多样的机器人任务。

2. 基于浏览器的远程操作（Browser-based teleoperation）： 贡献者无需购买昂贵的硬件，仅需通过网页即可远程操控虚拟机器人，产生运动轨迹。官方称其采集吞吐量可达传统实验室采集的 10 倍。

3. Ego Capture App（第一视角采集应用）： 一款移动端 App，利用实时手部姿势追踪，收集来自全球劳动力的第一视角真实世界动作数据。

4. 处理流水线（Processing Pipeline）： 自动清洗、域随机化（Domain Randomization）和语言标注，将原始贡献转化为可直接用于模型训练的高质数据集。

“仿真优先（Simulation First）”的技术路径

用户在网页端通过遥控操控仿真机械臂完成“抓取与放置”等任务；运动轨迹随后在 IsaacSim 等高保真物理渲染后端进行清洗与扩增，最终用于训练视觉-语言-动作（VLA）模型和模仿学习策略，并迁移至实体机器人上。

每当模型发生错误，人类的纠错数据会直接喂给下一轮训练——Axis 将这一过程定义为“复合智能（Compounding Intelligence）”，而非静态的数据堆砌。

底层区块链激励与验证层

在底层技术栈中，已被系统接收的动作轨迹会获得唯一的 Data ID 并记录在 Base 链上，确保数据所有权与来源可溯源。同时包裹在 Train-to-Earn（训练即赚） 的激励模型中。

Axis 于 2026 年 3 月在 Base 上发布了主线产品。早期的测试项目“小王子的玫瑰”在 3 天内收集了超 1 万条有效轨迹，并成功训练出一个能让实体 Franka 机械臂自主完成浇花任务的策略，验证了“Sim-to-Real（仿真到现实）”的可行性。随后的 Beta 版产品在 10 天内吸引了超 2 万名用户，在 47 种任务类型中合成了约 18 万条轨迹。凭借这一表现，Axis 入选了 Base Batches 003 决赛并进入 Base Founders Residency Batch 002。

Axis 获得了哪些市场突破与数据验证？

根据融资披露的数据， Axis 在成立短期内积累了可观的运营指标：

• 全球贡献者网络： 拥有超过 10 万名活跃贡献者，平均每天提交 3 至 4 次数据。

• 数据生成吞吐量： 每月可产生超 1,200 小时的仿真数据以及 20,000+ 小时的第一视角真实数据。

• 数据资产沉淀： 平台上已积累 90+ 任务类别、2,000+ 数字资产以及 200,000+ 条经过验证的轨迹。

行业基准测试表现

在性能测试中，将 Physical Intelligence 开发的 π0.5 机器人模型（注：虽然符号相同，但该模型与 Pi Network 无关）在 Axis 的 Sim Dataset V1 上进行预训练后，其在基准 LIBERO-Plus 上的整体成功率提升了 4.9 个百分点。在相同数据量的对比下，它击败了 RoboCasa365 基线 31.3 个百分点，在场景布局泛化、传感器噪声鲁棒性及机器人姿态适应力上展现出显著优势。

商业化落地

商业化方面，Axis 向机器人硬件厂商、物理 AI 模型公司及工业自动化巨头出售定制化的“任务包（Task Packages）”。目前披露的合作与客户名单包括：

• 汽车及工业巨头： 路特斯 (Lotus Cars)、吉利汽车 (Geely Auto)。

• 机器人及 AI 创新企业： Booster Robotics、酷家乐（Manycore Tech）、Feagine Robotics、Dexmal、SomaStacks 等。

未来路线图与战略意义

依靠本轮 1200 万美元融资，Axis 计划进一步扩展程序化生成能力，并将贡献者网络延伸至更多新地区，同时冲刺短期内 100 万美元以上的 ARR（年度可循环收入） 目标。

在数据集发布方面，官方已规划了明确的节奏：

• Sim Dataset V2（已于 9 月规划）

• DAgger Post-training 数据集（计划于 11 月推出）

创始人 Chris Feng 认为，物理 AI 时代的竞争本质上是数据的积累速度竞赛。他在融资声明中指出：“物理 AI 的爆发，需要数十亿条‘人-物理世界’交互的运动轨迹。”

对于 Pi Network 而言，投资 Axis Robotics 不仅是对“AI + 区块链”黄金赛道的提前卡位，更展现了其利用庞大全球社区反哺硬科技生态的野心。未来，Pi 庞大的去中心化用户群能否成为 Axis 乃至整个物理 AI 赛道的分布式数据供给层，将是这一投资最值得期待的看点。