آیا برنامه امتیاز Axis Robotics پس از تأمین مالی 12 میلیون دلاری در مرحله Seed ارزش مشارکت دارد؟

آیا چرخش داده‌های هوش مصنوعی فیزیکی Axis Robotics می‌تواند با Web3 به حرکت درآید؟

نویسنده: Grok

همکاری: AididiaoJP، Foresight News

در تاریخ 27 ژوئیه، Axis Robotics اعلام کرد که 12 میلیون دلار در مرحله تأمین مالی Seed به رهبری Hack VC تأمین کرده است و Nomad Capital، Pi Network Ventures و 10K Ventures نیز در این سرمایه‌گذاری مشارکت کرده‌اند. داده‌های PitchBook نشان می‌دهد که تیم این شرکت در حال حاضر حدود 11 نفر است و درآمدی نیز تولید کرده است. هدف این پروژه ایجاد زیرساخت داده‌های هوش مصنوعی فیزیکی است و نه مدل‌های خودساخته یا سخت‌افزار.

مسائل اصلی که حوزه رباتیک با آن مواجه است، کاملاً برعکس مدل‌های زبانی بزرگ (LLM) است. LLM می‌تواند حجم عظیمی از متون موجود در اینترنت را جذب کند، در حالی که در دنیای فیزیکی هیچ پایگاه داده‌ای برای خزیدن وجود ندارد. جمع‌آوری داده‌ها در آزمایشگاه نه تنها هزینه‌بر و کم‌کارآمد است، بلکه صحنه‌ها نیز بسیار یکنواخت هستند - یک بازوی مکانیکی تحت نور ثابت یک شیء را بارها و بارها می‌گیرد و داده‌های تولید شده به سختی می‌تواند به محیط‌های جدید تعمیم یابد. Axis Robotics سعی دارد به این سؤال پاسخ دهد: آیا می‌توان با هزینه‌ای به اندازه کافی پایین، محیط‌های متنوع و تعداد کافی از افراد، به طور مداوم مسیرهای تعامل رباتیک با کیفیت بالا تولید کرد؟

اظهارات عمومی بنیان‌گذار، کریس، نسبتاً مستقیم است: صنعت به یک سیستم تولید داده ترکیبی کارآمد و مقیاس‌پذیر نیاز دارد. شکل محصول Axis را می‌توان به عنوان یک «موتور داده ترکیبی» در نظر گرفت - با استفاده از کنترل از راه دور مرورگر، موانع جمع‌آوری را کاهش می‌دهد و با ابزارهای Web3، انگیزه‌ها و حقوق مشارکت‌کنندگان را حل می‌کند.

مکانیزم تولید داده: مرورگر به عنوان ورودی

موانع مشارکت به عمد به حداقل رسیده است. کاربران نیازی به هیچ سخت‌افزار رباتیکی ندارند و می‌توانند از طریق وب‌سایت، بازوی مکانیکی شبیه‌سازی شده را از راه دور کنترل کنند و وظایف پایه‌ای مانند گرفتن، جداسازی و باز کردن کشو را انجام دهند. هر جلسه یک مسیر کامل تولید می‌کند که شامل وضعیت مفاصل، وضعیت شیء، حرکات کنترل و متاداده‌های وظیفه است.

منبع تصویر

پس از پاک‌سازی و صاف کردن مسیرها در پس‌زمینه، آن‌ها به حوزه اجرای Isaac Sim وارد می‌شوند و تصادفی‌سازی می‌شوند - متغیرهایی مانند نور، بافت و پارامترهای فیزیکی به طور سیستماتیک تغییر می‌کنند و یک مسیر می‌تواند به تعداد زیادی نمونه آموزشی گسترش یابد که برای مدل VLA یا استراتژی‌های یادگیری تقلیدی استفاده می‌شود.

طبق اعلام رسمی، در حال حاضر بیش از 100,000 مشارکت‌کننده فعال در سطح جهانی وجود دارد و ظرفیت تولید ماهانه بیش از 1200 ساعت داده شبیه‌سازی و بیش از 20,000 ساعت داده واقعی اول شخص است. لازم به ذکر است که در اوایل ژوئیه، پنل Hub نشان داد که تعداد کاربران ثبت‌نامی حدود 65,000 نفر و مجموع مسیرها حدود 1.8 میلیون است و این دو داده از لحاظ معیار متفاوت هستند. کاهش فعالیت، نرخ مشارکت تکراری و توزیع کیفیت داده‌ها، شاخص‌های کلیدی برای ارزیابی پایداری ظرفیت تولید هستند.

نقش Web3: ابزار تخصیص و تأیید حقوق

این پروژه Web3 را به عنوان ابزاری برای حل مسائل تأیید حقوق و تخصیص معرفی می‌کند و نه صرفاً یک روایت توزیع توکن. پلتفرم‌های متمرکز نیز می‌توانند جمع‌آورندگان داده را استخدام کنند، اما نمی‌توانند به هر مشارکت‌کننده گواهی حقوق قابل تأیید و قابل ردیابی ارائه دهند و در نهایت یک رابطه خرید یک‌بار مصرف ایجاد می‌شود و ارتباط بین مشارکت‌کننده و پلتفرم به پایان می‌رسد.

راه‌حل Axis این است: در زنجیره Base برای هر مسیر تأیید شده یک Data ID منحصر به فرد تخصیص می‌دهد و آدرس کیف پول مشارکت‌کننده، زمان ارسال، امتیاز کیفیت و متاداده‌های وظیفه را در زنجیره ثبت می‌کند. مسیر کامل به دلیل حجم زیاد در زنجیره ذخیره نمی‌شود و ثبت در زنجیره به عنوان نقطه لنگر عمل می‌کند - توزیع درآمد آینده، مجوز استفاده یا وزن حاکمیتی می‌تواند از این نقطه لنگر ردیابی شود. بدین ترتیب، مشارکت از یک مفهوم عملیاتی مبهم به یک واقعیت قابل تأیید در زنجیره تبدیل می‌شود.

فرآیند ارزیابی شامل چندین سطح است: بررسی کامل بودن فرمت، تعیین موفقیت بر اساس قوانین، و ارزیابی منطقی رفتار توسط مدل‌های زبان بصری. برخی از مسیرها همچنین باید از طریق ارزیابی همتایان تأیید شوند. امتیاز کیفیت کلی به طور مستقیم با وزن پاداش مرتبط است - پاداش پایه برای وظایف با دشواری بالاتر یا انتخاب شده بیشتر است و پس از ضرب در ضریب کیفیت، پاداش نهایی محاسبه می‌شود، نه صرفاً بر اساس تعداد وظایف. تلاش‌های ناموفق بارگذاری نمی‌شوند و مجازات نمی‌شوند و مسیرهای زباله و تقریباً تکراری فیلتر می‌شوند. این طراحی از نظر مکانیزمی انتظار بازدهی کمتری برای تقلب در داده‌ها را به همراه دارد.

منبع تصویر

در حال حاضر، انگیزه‌ها از مدل ترکیبی استفاده می‌کنند: امتیازهای POINTS، تقسیم درآمد بالقوه از بسته‌های وظیفه سفارشی خریداری شده توسط شرکت‌ها و همچنین پاداش‌های توکن که بر اساس کیفیت و دشواری توزیع می‌شوند. امتیازهای POINTS در حال حاضر فعال هستند، اما توکن رسمی هنوز منتشر نشده است و مقامات اعلام کرده‌اند که اقتصاد توکن هنوز در حال توسعه است. علاوه بر این، Axis در شبکه BitRobot یک زیرشبکه اختصاصی راه‌اندازی کرده است و مشارکت‌کنندگان می‌توانند به طور همزمان از دو طرف انگیزه دریافت کنند.

آزمایش‌های جامعه و تأیید علمی

در ژانویه 2026، Axis یک وظیفه اجتماعی به نام «گل رز شاهزاده» را راه‌اندازی کرد که در آن کاربران از راه دور بازوی مکانیکی را برای آبیاری کنترل کردند و در مدت 5 روز بیش از 10,000 مسیر معتبر جمع‌آوری کردند. استراتژی‌های آموزش‌دیده از این طریق به بازوی مکانیکی واقعی Franka منتقل شدند و آبیاری خودکار را انجام دادند. در فوریه، مقیاس به 27 وظیفه گسترش یافت و حدود 18,000 نفر شرکت کردند و در مدت 5 روز نزدیک به 100,000 مسیر معتبر را ارائه کردند. این دو آزمایش یک مسیر را تأیید کردند: داده‌های اجتماعی در سطح مرورگر می‌توانند به اجرای فیزیکی بسته شوند و امتیاز کیفیت و ثبت در زنجیره، رفتارهای عملیاتی را برای اولین بار قابل ردیابی می‌کند.

در سمت علمی، مقاله arXiv یک مرجع پایه ارائه می‌دهد: مجموعه داده AXIS شامل 207 وظیفه و حدود 50,100 مسیر است. پس از پیش‌آموزش مداوم بر روی مدل π0.5، نرخ موفقیت کلی LIBERO-Plus به میزان 5.8 درصد افزایش یافته است؛ در RoboCasa365 با حجم مشابه، مزیت نسبت به پایه 37.3 درصد است. تنوع در ابعاد چیدمان، نویز حسگر و اختلال دوربین منافع مثبتی به همراه دارد. عملکرد داده‌ها چندان برجسته نیست، اما برای مجموعه داده‌های اولیه، مسیر درستی را نشان می‌دهد.

در سطح تجاری، Axis به بسته‌های وظیفه به عنوان شکل اصلی تحویل خود تمرکز می‌کند و آن‌ها را بر اساس صحنه، مهارت‌های اتمی، میزان تصادفی‌سازی درون وظیفه و مجموع مسیرها بسته‌بندی و به فروش می‌رساند. شرکای افشا شده شامل Booster Robotics، Manycore Tech، Dexmal، Lotus و Geely Auto هستند. این شرکت اعلام کرده است که درآمد خرید شرکت‌ها به مشارکت‌کنندگان بازمی‌گردد و یک چرخه واقعی از نیازهای محرک POINTS و توزیع توکن‌های آینده را تشکیل می‌دهد. در حال حاضر، نسبت تقسیم، مبلغ قرارداد و جزئیات بازپرداخت به طور عمومی اعلام نشده است و این بخش هنوز در مرحله تعهد است و نیاز به پیگیری مداوم دارد.

موقعیت Axis به زیرساخت توزیع‌شده نزدیک‌تر است: با استفاده از مقیاس جامعه برای به دست آوردن تنوع و انعطاف‌پذیری هزینه، با قضاوت انسانی در زمینه کیفیت و با ثبت در زنجیره برای حل شفافیت نسبت. مسئله اصلی این است که آیا بسته‌های وظیفه می‌توانند به درآمدهای پایدار و مداوم تبدیل شوند - اگر خریدهای مداوم شرکت‌ها وجود نداشته باشد، طراحی انگیزشی فوق با خطر معلق مواجه خواهد شد.

پیشینه تیم

مدیرعامل کریس فنگ پیش از این COO Chainbase بوده و دارای سابقه مشاوره و سرمایه‌گذاری خطرپذیر است. اعضای اصلی تیم از دانشگاه‌های برکلی، CMU، Georgia Tech، Nanyang Tech و دانشگاه جیاو تونگ شانگهای آمده‌اند که شامل افرادی با تجربه در رشد محصولات مصرفی در مقیاس بزرگ هستند. زمینه‌های تلاقی هماهنگی در زنجیره و داده‌های رباتیک قابل توجه است، اما اطلاعات عمومی هنوز محدود است.

شایان ذکر است که یکی از اعضای اصلی پروژه، خانم کریستین (@0xsexybanana) در حال حاضر به عنوان مشارکت‌کننده به طور عمیق در Axis Robotics مشارکت دارد و در مکان‌هایی مانند Space رسمی به عنوان CMO ظاهر می‌شود و مسئول رشد جامعه و ارتباطات خارجی است. طرف‌های اکوسیستم مانند Base APAC نیز او را به عنوان هم‌بنیان‌گذار معرفی کرده‌اند.

ریتم توکن و تحولات اخیر

تا زمان انتشار این خبر، Axis هنوز توکن بومی خود را منتشر نکرده است و مجموع عرضه، نسبت‌های تخصیص و جدول زمان‌بندی آزادسازی اعلام نشده است. اسناد رسمی نشان می‌دهد که اقتصاد توکن هنوز در حال توسعه است و به وضوح بیان کرده است که اولویت بر تأیید مدل‌های محصول و درآمد است و توکن به عنوان تقویت‌کننده‌ای برای آینده در نظر گرفته می‌شود. Data ID در زنجیره آماده است و اخیراً درخواست‌های POINTS از مشارکت‌کنندگان خواسته است تا قبل از زمان مشخص، امضاهای مسیر را تکمیل کنند که می‌تواند به عنوان مدرکی برای توزیع آینده توکن‌ها در نظر گرفته شود.

جهت‌های طراحی بالقوه توکن شامل: حامل پاداش‌های وزنی کیفیت، واسطه تبادل خدمات اکوسیستم (آزادسازی وظایف سفارشی، لوله‌های داده، تقویت‌های پیشرفته و غیره)، استیکینگ برای آزادسازی سطوح بالاتر و وظایف اولویت‌دار، و همچنین وزن حاکمیتی است. TGE در مرحله «فراتر از 2026» برنامه‌ریزی شده است و ریتم آن محافظه‌کارانه است و فشارهای سفته‌بازی کوتاه‌مدت را کاهش می‌دهد، اما انتظارات بلندمدت مشارکت‌کنندگان به شدت به سرعت تجاری‌سازی آینده وابسته است.

علاوه بر این، Axis Robotics در ماه مه 2026 برنامه‌ای به نام Content Creator Program را از طریق KaitoAI Studio راه‌اندازی کرده است و از خالقان دعوت می‌کند تا محتواهایی در مورد هوش مصنوعی فیزیکی تولید کنند و پاداش دریافت کنند. با توجه به تأمین مالی اخیر در مرحله Seed و احیای توافق داده‌ها با X، جامعه انتظار دارد که دو طرف ممکن است دوباره برای راه‌اندازی برنامه خالقان همکاری کنند (که ممکن است شامل انگیزه‌های ذهنی و توکن باشد)، جزئیات دقیق هنوز باید توسط مقامات تأیید شود.

منبع تصویر

خلاصه

امتیازهای POINTS و مکانیزم وزنی کیفیت در حال اجرا هستند، اما اگر سرعت بازگشت پول قانونی از رشد مقیاس مشارکت عقب بماند، ارزش درک شده POINTS با نوسانات مواجه خواهد شد و ممکن است منجر به از دست رفتن مشارکت‌کنندگان با کیفیت بالا شود. ثبت در زنجیره شفافیت نسبت را حل کرده است، اما معیارهای امتیازدهی و قوانین توزیع درآمد داده‌ها هنوز تحت کنترل پلتفرم است - این یک نقطه متمرکز عمومی در پروتکل‌های داده Web3 است.

به طور کلی، Axis Web3 را به عنوان ابزاری برای حل مسائل تأیید حقوق و تخصیص می‌بیند. ارزش بلندمدت زیرساخت داده‌ها در نهایت به تأیید نیازهای تجاری واقعی بستگی دارد. نقاط کلیدی نظارتی آینده شامل: پیشرفت واقعی در قراردادها و بازپرداخت‌های بسته‌های وظیفه، ریتم انتقال POINTS به توکن و اینکه آیا داده‌های وزنی کیفیت می‌توانند به طور مداوم عملکرد مدل‌های پایین‌دستی را بهبود بخشند. اینکه آیا چرخش داده‌ها ممکن است، در نهایت به خریداران داده بستگی دارد.