Nach 12 Millionen Dollar Seed-Finanzierung: Ist das Belohnungsprogramm von Axis Robotics eine Teilnahme wert?

Kann der Datenflywheel von Axis Robotics durch Web3 in Schwung kommen?

Verfasst von: Grok

Unterstützung: AididiaoJP, Foresight News

Am 27. Juli gab Axis Robotics bekannt, dass sie eine Seed-Finanzierungsrunde in Höhe von 12 Millionen Dollar abgeschlossen haben, angeführt von Hack VC, mit Beteiligungen von Nomad Capital, Pi Network Ventures, 10K Ventures und anderen. Laut PitchBook-Daten hat das Team derzeit etwa 11 Mitglieder und bereits Einnahmen erzielt. Das Projekt positioniert sich als Dateninfrastruktur für physische KI, nicht als selbstentwickeltes Modell oder Hardware.

Die zentralen Herausforderungen im Robotikbereich stehen im krassen Gegensatz zu denen der großen Sprachmodelle (LLM). Während LLMs auf die riesigen Textmengen im Internet zugreifen können, gibt es in der physischen Welt keine vorgefertigte Datenbank, die durchforstet werden kann. Die Datensammlung im Labor ist nicht nur kostspielig und ineffizient, sondern auch stark einseitig – ein und derselbe Roboterarm greift unter konstanten Lichtverhältnissen immer wieder dasselbe Objekt, was die Datenverallgemeinerung auf neue Umgebungen erschwert. Axis Robotics versucht, eine Frage zu beantworten: Ist es möglich, mit ausreichend niedrigen Kosten, einer ausreichend vielfältigen Umgebung und genügend Menschen kontinuierlich qualitativ hochwertige Roboterinteraktionsbahnen zu produzieren?

Die öffentliche Aussage des Gründers Chris ist relativ direkt: Der Branche fehlt ein effizientes, skalierbares hybrides Datenerzeugungssystem. Das Produkt von Axis kann als eine „komplexe Datenmaschine“ verstanden werden – sie senken die Einstiegshürden für die Datensammlung durch Fernsteuerung über den Browser und nutzen Web3-Tools, um Anreize und Rechte der Beitragenden zu regeln.

Datenproduktionsmechanismus: Der Browser als Zugang

Die Teilnahmehürden wurden absichtlich sehr niedrig gehalten. Nutzer benötigen keine Roboterhardware und können über eine Webseite einen simulierten Roboterarm fernsteuern, um grundlegende Aufgaben wie Greifen, Sortieren und Schubladenöffnen zu erledigen. Jede Sitzung generiert eine vollständige Bahn, die Gelenkzustände, Objektpositionen, Steueraktionen und Metadaten der Aufgabe umfasst.

Bildquelle

Der Hintergrund reinigt und glättet die Bahnen, bevor sie in Isaac Sim zur Ausführungsdomäne randomisiert werden – Lichtverhältnisse, Texturen, physikalische Parameter und andere Variablen werden systematisch verändert, sodass eine einzelne Bahn in eine Vielzahl von Trainingsbeispielen umgewandelt werden kann, die für VLA-Modelle oder Imitationslernanwendungen verwendet werden.

Offiziellen Angaben zufolge gibt es derzeit weltweit über 100.000 aktive Beitragende, die monatlich über 1.200 Stunden an Simulationsdaten und über 20.000 Stunden an echten First-Person-Daten produzieren. Es ist zu beachten, dass Anfang Juli das Hub-Panel etwa 65.000 registrierte Nutzer und insgesamt etwa 1,8 Millionen Bahnen anzeigte, was zu unterschiedlichen Datenquellen führt. Die Abnahme der Aktivität, die Wiederholungsbeteiligungsrate und die Verteilung der Datenqualität sind entscheidende Indikatoren zur Beurteilung der Nachhaltigkeit der Produktionskapazität.

Die Rolle von Web3: Werkzeuge zur Verteilung und Rechenschaftspflicht

Das Projekt positioniert Web3 als Werkzeug zur Lösung von Rechenschafts- und Verteilungsproblemen, nicht nur als Erzählung zur Token-Emission. Zentralisierte Plattformen können ebenfalls Datensammler anheuern, haben jedoch Schwierigkeiten, jedem Beitragenden nachweisbare und nachvollziehbare Rechte zu gewähren, was letztendlich zu einer einmaligen Kaufbeziehung führt, die die Verbindung zwischen Beitragenden und Plattform beendet.

Die Lösung von Axis besteht darin, jeder bewerteten Bahn eine einzigartige Data ID auf der Base-Chain zuzuweisen, wobei die Wallet-Adresse des Beitragenden, die Einreichzeit, die Qualitätsbewertung und die Metadaten der Aufgabe auf der Chain aufgezeichnet werden. Vollständige Bahnen werden aufgrund ihrer Größe außerhalb der Chain gespeichert, während die Aufzeichnungen auf der Chain als Anker dienen – zukünftige Ertragsverteilungen, Nutzungsrechte oder Governance-Gewichte können entlang dieses Ankers zurückverfolgt werden. Der Beitrag wird somit von einem vagen betrieblichen Konzept zu einem überprüfbaren Fakt auf der Chain.

Der Bewertungsprozess umfasst mehrere Ebenen: Überprüfung der Formatvollständigkeit, regelbasierte Erfolgsbestimmung und Beurteilung der Verhaltensangemessenheit durch visuelle Sprachmodelle, wobei einige Bahnen auch einer Peer-Review unterzogen werden müssen. Die Gesamtqualitätsbewertung ist direkt mit dem Belohnungsgewicht verknüpft – schwierigere oder ausgewählte Aufgaben erhalten höhere Grundbelohnungen, die mit einem Qualitätsmultiplikator multipliziert werden, um die endgültige Anreizsumme zu ermitteln, anstatt einfach nach der Anzahl der Aufgaben zu bezahlen. Fehlgeschlagene Versuche werden nicht hochgeladen und nicht bestraft, während fehlerhafte und nahezu identische Bahnen herausgefiltert werden. Dieses Design senkt auf mechanischer Ebene die erwarteten Erträge aus der Manipulation von Daten.

Bildquelle

Derzeit wird ein hybrides Anreizmodell verwendet: POINTS-Punkte, potenzielle Fiat-Umsätze aus unternehmensspezifischen Aufgabenpaketen und zukünftige Token-Belohnungen, die nach Qualität und Schwierigkeit verteilt werden. POINTS sind bereits aktiv, das offizielle Token wurde jedoch noch nicht ausgegeben; die offizielle Erklärung besagt, dass die Token-Ökonomie noch in Entwicklung ist. Darüber hinaus betreibt Axis ein spezielles Subnetz im BitRobot-Netzwerk, in dem Beitragende gleichzeitig bilaterale Anreize erhalten können.

Gemeinschaftsexperimente und akademische Validierung

Im Januar 2026 startete Axis eine Gemeinschaftsaufgabe namens „Die Rose des kleinen Prinzen“, bei der Nutzer den Roboterarm aus der Ferne steuern, um Bewässerungsaktionen durchzuführen, und innerhalb von 5 Tagen über 10.000 gültige Bahnen sammelten. Die daraus trainierte Strategie wurde auf einem echten Franka-Roboterarm implementiert, um autonom zu bewässern. Im Februar wurde der Umfang auf 27 Aufgaben ausgeweitet, an denen etwa 18.000 Personen teilnahmen und innerhalb von 5 Tagen fast 100.000 gültige Bahnen beitrugen. Beide Experimente bestätigten einen Weg: Gemeinschaftsdaten auf Browser-Ebene können in physische Ausführungen geschlossen werden, und die Qualitätsbewertung sowie die Aufzeichnungen auf der Chain machen die Handlungen erstmals nachvollziehbar.

Auf akademischer Seite bietet eine arXiv-Publikation einen Referenzrahmen: Das AXIS-Datenset umfasst 207 Aufgaben und etwa 50.100 Bahnen. Nach kontinuierlichem Pre-Training auf dem π0.5-Modell stieg die Gesamt-Erfolgsquote von LIBERO-Plus um 5,8 Prozentpunkte; im Vergleich zur baseline auf dem volumenangepassten RoboCasa365 betrug der Vorteil 37,3%. Die Vielfalt brachte in Bezug auf Layout, Sensorrauschen und Kamerastörungen positive Erträge. Die Datenleistung ist nicht herausragend, aber für ein frühes Datenset in die richtige Richtung.

Auf kommerzieller Ebene liefert Axis Aufgabenpakete als zentrale Lieferform, die nach Szenario, atomaren Fähigkeiten, Zufälligkeit innerhalb der Aufgaben und Gesamtzahl der Bahnen gebündelt verkauft werden. Zu den bereits bekannt gegebenen Partnern gehören Booster Robotics, Manycore Tech, Dexmal, Lotus, Geely Auto und andere. Das Unternehmen gibt an, dass die Einnahmen aus Unternehmenskäufen an die Beitragenden zurückfließen werden, um einen echten bedarfsgetriebenen Kreislauf für die Verteilung von POINTS und zukünftigen Token zu schaffen. Derzeit sind die Verteilungssätze, Vertragsbeträge und spezifischen Rückflüsse nicht öffentlich, dieser Teil befindet sich noch in der Verpflichtungsphase und muss weiter verfolgt werden.

Axis positioniert sich näher an der verteilten Infrastruktur: Sie tauschen Gemeinschaftsgröße gegen Vielfalt und Kostentransparenz, nutzen menschliche Urteile zur Qualitätsbewertung und lösen die Transparenz der Attribution durch Aufzeichnungen auf der Chain. Die zentrale Frage ist, ob die Aufgabenpakete in stabile, regelmäßige Einnahmen umgewandelt werden können – ohne kontinuierliche Unternehmenskäufe könnte das oben genannte Anreizdesign einem Risiko der Unsicherheit ausgesetzt sein.

Hintergrund des Teams

Der CEO Chris Feng war zuvor COO von Chainbase und hat einen Hintergrund in Beratung und VC. Die Kernmitglieder des Teams stammen von Institutionen wie Berkeley, CMU, Georgia Tech, Nanyang Technological University und Shanghai Jiao Tong University, darunter Personen mit Erfahrung im Wachstum von großflächigen Verbrauchermärkten. Die Schnittstelle zwischen On-Chain-Koordination und Roboterdaten ist bemerkenswert, aber die öffentlichen Informationen sind nach wie vor begrenzt.

Es ist erwähnenswert, dass eines der Kernmitglieder des Projekts, Christine (@0xsexybanana), derzeit als Beitragende tief in Axis Robotics involviert ist und in offiziellen Räumen wie Space als CMO auftritt, verantwortlich für das Wachstum der Gemeinschaft und die externe Kommunikation. Ökosystempartner wie Base APAC haben sie ebenfalls als Mitgründerin bezeichnet.

Token-Rhythmus und aktuelle Entwicklungen

Zum Zeitpunkt der Veröffentlichung hat Axis noch kein natives Token ausgegeben, die Gesamtversorgung, Verteilungssätze und der Zeitplan für die Freigabe wurden nicht bekannt gegeben. Offizielle Dokumente zeigen, dass die Token-Ökonomie noch in Entwicklung ist und klarstellen, dass zunächst das Produkt- und Einkommensmodell validiert werden soll, wobei Token als nachfolgender Verstärker dienen. Die On-Chain Data IDs sind bereits eingerichtet, und kürzlich wurde von POINTS eine Momentaufnahme gefordert, die die Beitragenden auffordert, die Bahnen vor einem bestimmten Zeitpunkt zu signieren, was als nachverfolgbare Beweisführung für die zukünftige Tokenverteilung angesehen werden kann.

Potenzielle Designrichtungen für Token umfassen: qualitätsgewichtete Belohnungsträger, Austauschmittel für Ökosystemdienste (Freischaltung von maßgeschneiderten Aufgaben, Datenpipelines, erweiterte Funktionen usw.), Staking zur Freischaltung höherer Ebenen und bevorzugter Aufgaben sowie Governance-Gewichte. TGE ist für die Phase „Beyond 2026“ geplant, mit einem konservativen Rhythmus, der den kurzfristigen Spekulationsdruck verringert, aber die langfristigen Erwartungen der Beitragenden stark von der Geschwindigkeit der künftigen kommerziellen Umsetzung abhängt.

Darüber hinaus hat Axis Robotics im Mai 2026 das Content Creator Program über KaitoAI Studio gestartet, um Kreative einzuladen, Inhalte rund um Physical AI zu erstellen und Belohnungen zu erhalten. Nach der kürzlichen Abschluss der Seed-Finanzierung und der Wiederherstellung des Datenprotokolls mit X gibt es in der Gemeinschaft gewisse Erwartungen an eine mögliche erneute Zusammenarbeit zwischen beiden Seiten zur Einführung eines Kreatorenprogramms (möglicherweise mit mindshare und Token-Anreizen), wobei die genauen Details noch von der offiziellen Bestätigung abhängen.

Bildquelle

Zusammenfassung

POINTS und das qualitätsgewichtete Mechanismus sind bereits in Betrieb, aber wenn die Geschwindigkeit des Fiat-Rückflusses hinter dem Wachstum der Beitragenden zurückbleibt, wird der wahrgenommene Wert von POINTS schwanken, was möglicherweise zu einem Verlust hochwertiger Teilnehmer führt. Die Aufzeichnungen auf der Chain lösen die Transparenz der Attribution, aber die Festlegung der Bewertungsstandards und die Regeln zur Verteilung der Dateneinnahmen liegen weiterhin in der Kontrolle der Plattform – dies ist ein zentralisierter Punkt, der in den Web3-Datenprotokollen allgemein vorkommt.

Insgesamt betrachtet nutzt Axis Web3 als praktisches Werkzeug zur Lösung von Rechenschafts- und Verteilungsproblemen. Der langfristige Wert der Dateninfrastruktur hängt letztendlich von der Validierung des echten kommerziellen Bedarfs ab. Zukünftige Schlüsselbeobachtungspunkte umfassen: den tatsächlichen Fortschritt bei der Vertragsunterzeichnung und Rückflüssen von Aufgabenpaketen, den Rhythmus des Übergangs von POINTS zu Token sowie die Fähigkeit der qualitätsgewichteten Daten, die Leistung der nachgelagerten Modelle kontinuierlich zu verbessern. Ob der Flywheel in Bewegung kommt, wird letztendlich von den Käufern der Daten entschieden.