Mit Einblicken von Axis Robotics

Im Jahr 2026 lernte die Künstliche-Intelligenz-Branche, das Rechenproblem zu lösen. GPUs werden immer leichter zugänglich, Modelle sind günstiger für Inferenzläufe, und die Cloud-Infrastruktur wächst weiter. Aber die nächste Welle von KI, Robotik und Physical AI hat ein völlig anderes Problem. Am Ende geht es um Daten, die in dem benötigten Umfang schlicht nicht existieren.

Kein Internet für Roboter

LLMs sind aus einer Grundlage entstanden, die bereits vorhanden war. Jahrzehnte an Texten im Internet, Billionen von Tokens, die nahezu jedes Wissensgebiet der menschlichen Welt abdecken. Mit diesem Korpus im Rücken bestand der Fortschritt vor allem darin, Rechenleistung zu skalieren und Architekturen zu verbessern.

Robotik hat so eine Grundlage nicht. Die physische Welt hat keinen Suchindex, und es gibt kein „Internet für robotische Interaktionen“, auf dem man ein Modell trainieren könnte.

Das gesamte Datenvolumen, das heute für das Training von Robotern verfügbar ist, ist ein winziger Bruchteil der Textkorpora, auf denen moderne Sprachmodelle trainiert werden. Das erzeugt auf jeder Ebene einen Mangel an grundlegenden Daten.

Robotics’ fehlender GPT-1-Moment

Der Weg von Sprachmodellen ist aufschlussreich, denn bei jedem Schritt wurde eine neue Einschränkung entfernt. GPT-2 wurde auf ungefähr 10 Milliarden Tokens trainiert – etwa 500.000 Stunden Lesezeit im menschlichen Tempo.

Genau da tauchte zum ersten Mal ein emergentes Modellverhalten auf. GPT-3 wurde auf ungefähr 300 Milliarden Tokens trainiert – etwa 15 Millionen Stunden – und ohne dieses Volumen gäbe es kein ChatGPT und nichts von dem, was danach kam.

Robotics hatte diesen Moment noch nicht. Die Modellarchitekturen nähern sich einander, die Algorithmen reifen, aber die Daten selbst sind nach wie vor unruhig. Welche Vortrainierungsverteilung ist die richtige? Wie ist das Verhältnis von Simulation, realer Welt und ego-zentrischen Daten? Dazu gibt es einfach keinen Konsens über die Datenstruktur.

Wenn 15 Millionen Stunden Text GPT-3 hervorgebracht haben, dann könnte ein wirklich allgemeingültiges Modell physischer Intelligenz in der Größenordnung von etwa 100 Millionen Stunden an Daten über menschliche Manipulation von Objekten benötigen.

Heute hat die Branche grob 2.000 Stunden – den besten öffentlich verfügbaren Datensatz: Open X-Embodiment. Eine ähnliche Lücke gibt es in der Szenario-Vielfalt und bei der Anzahl beherrschter atomarer Fähigkeiten.

Warum sich Sammlung nicht skaliert

Rechenleistung, Hardware und Algorithmen für physische Intelligenz sind bereits bereit. Was wirklich fehlt, sind Daten – und dafür gibt es drei strukturelle Gründe.

• Die reale Datenerhebung wird durch Hardware ausgebremst. Spezialisierte Aufbauten, Sicherheitssysteme und ein einzig ausgebildeter Operator pro Roboter. Das begrenzt sowohl das Volumen als auch die Abdeckung und macht „foundation-model scale“ strukturell unerreichbar.

• Manuelle Datenerhebung kann nicht die Vielfalt erzeugen, die benötigt wird. Generalisierung erfordert eine kumulierende Vielfalt über Objekte, Szenen, Roboter-Implementierungen und Kamerawinkel hinweg – das können manuell kuratierte Datensätze schlicht nicht liefern.

• Modelle, die nur auf Expertendemonstrationen trainiert wurden, sind blind für ihre eigenen Fehler. Die Policy sieht nur die Zustände, die der Experte besucht hat – das bedeutet, dass genau dort, wo sie am schwächsten ist, am wenigsten Trainingsdaten vorhanden sind. Fehler sammeln sich über den gesamten Aufgabenhorizont an.

Jede dieser Einschränkungen zeigt in dieselbe Richtung. Was gebraucht wird, ist nicht ein noch fortschrittlicheres Modell, sondern ein grundlegend anderes Regime zur Erzeugung von Daten.

Humanoide laufen auf Daten

2026 wurde zum Höhepunkt des Investitionsinteresses an humanoiden Robotern. Milliarden Dollar flossen in Hardware, in Modelle und in die Produktionskapazität der wichtigsten Akteure der Branche. Doch all dieses Kapital läuft auf denselben Engpass zu: Geld löst die Fragen zu Hardware und Rechenleistung – aber wo bekommt man Millionen Stunden Daten über reale Manipulation von Objekten her?

Das macht das Datenproblem genau zu dem Faktor, der derzeit eine ganze Branche mit Investitionen in Milliardenhöhe ausbremst. Je schneller die Ambitionen wachsen, Humanoide unter realen Bedingungen einzusetzen, desto schneller wächst auch der Mangel an Daten. Jede neue Roboter-Implementierung, jede neue Umgebung und jede neue Fähigkeit erfordert ihren eigenen Anteil an Trainingsdaten.

Axis Robotics: kumulierende Datenmaschine

Die meisten Robotik-Datenpipelines sind einseitig. Daten sammeln, Modell trainieren, ausliefern, von vorn. Axis ist als geschlossener Kreislauf gebaut: Jede Beitragsleistung verbessert die nächste Policy, und jede verbesserte Policy bestimmt, welche Daten als Nächstes erhoben werden. Daten hören auf, nur eine einmalige Ausgabe zu sein, und werden zu einem Asset, das an Wert gewinnt.

Der Zyklus besteht aus fünf Schritten: die Generierung von Task und Szene, das Erheben von Verhalten über Teleoperation in der Simulation und das Erfassen realer Interaktionen, das Verarbeiten und Bereinigen von Trajektorien, das Trainieren und Ausrollen der Policy auf realen und simulierten Flotten.

Am Ende geht es darum, Signale darüber zu sammeln, an welchen Stellen die Policy noch Fehler macht. Diese Signale bestimmen, welche Tasks sich in der nächsten Runde öffnen, und der Zyklus wiederholt sich mit schwierigeren und wertvolleren Daten.

Drei Plattformprodukte decken den gesamten Zyklus ab:

• Web-Simulationsdatenplattform: eine browserbasierte Simulation ohne Installation und ohne Hardwareanforderungen. Teilnehmende steuern den Roboter per Teleoperation und erzeugen Demonstrationen sowie korrigieren das Verhalten eines bereits trainierten Modells. Die Durchsatzrate erreicht heute bereits 10.000 gültige Trajektorien pro Stunde;

• Mobile Ego-zentrische App: eine mobile App zum Erfassen von Daten aus der Ich-Perspektive über Hand-Pose-Tracking, ohne spezielles Equipment. Start im September 2026 mit dem Ziel von 10.000+ gültigen Datensunden pro Monat;

• Data-to-Model-Pipeline: eine einheitliche Verarbeitungs-Pipeline, die Rohdaten bereinigt, durch Domain-Randomization erweitert und annotiert – und daraus Daten macht, die für das Modelltraining bereit sind.

Das wichtigste empirische Ergebnis: Durch fortgesetztes Vortraining des Physical-Intelligence-Modells π0.5 auf dem Axis-Datensatz stieg die Erfolgsrate auf dem LIBERO-Plus-Benchmark von 83,9% auf 88,8%, und es wurde das Ergebnis einer volumen-angepassten Kontrollgruppe von RoboCasa365 um 31,3 Prozentpunkte übertroffen. Der Gewinn skaliert mit dem Volumen der Axis-Daten – das weist auf die Kohärenz des Signals aus dem Crowdsourcing hin, statt auf zufälliges Rauschen.

Stand Ende August 2026 hat die Plattform mehr als 150.000 globale Beiträger übertroffen und über 3,7 Millionen Trajektorien über 4.000+ veröffentlichte Tasks gesammelt.

Unter den Partnern von Axis: Robotik-Hardwarehersteller AgiBot, Booster Robotics, Unitree und Deep Robotics, außerdem Foundation-Model-Labs wie Manycore Tech sowie industrielle Kunden wie Geely Auto und Lotus Cars. Sie nutzen die Plattform, um Automatisierung für Sortieraufgaben und andere Produktions-Tasks zu trainieren.

Krypto als Infrastruktur

Wenn man ein System wie dieses für eine globale, standardmäßig permissionslose Community von Mitwirkenden öffnet, entsteht eine Frage, die die Datenmaschine selbst nicht beantworten kann: Wie macht man Beiträge, die rauschen, an manchen Stellen suboptimal sind und potenziell auch in böser Absicht erfolgen, zu einem verlässlichen Trainingsdatensatz – und zwar so, dass man gleichzeitig korrekt dokumentiert, wer genau was produziert hat.

Axis beantwortet das mit einem zweistufigen Evaluationssystem. Das Scoring-System bewertet jede einzelne Trajektorie, während das Point-System den Ruf eines Beiträgers über die Zeit hinweg aggregiert – basierend auf Volumen, Aufgabenschwierigkeit, Qualität und Vielfalt der Beiträge.

Jede akzeptierte Trajektorie wird auf der Base Network On-Chain mit einer eindeutigen Data-ID signiert – und verknüpft so die Wallet des Mitwirkenden, einen Zeitstempel, den Qualitätswert und eine Task-Referenz zu einem permanenten, manipulationssicheren Datensatz. Krypto ist hier Infrastruktur für Proverienz, Transparenz und Koordination bei der Produktion von Physical AI.

Neben Base hat das Projekt außerdem Integrationen mit BitRobot Network im Solana-Ökosystem sowie mit Pi Network, während die Proverienz-Architektur selbst unabhängig davon gleich bleibt, welches Netzwerk verwendet wird.

Erkenntnisse aus Axis Robotics

Wir haben das Axis-Robotics-Team nach den Mechaniken gefragt, die hinter dem Skalieren einer Crowdsourced-Datenmaschine stehen: wie sich die Qualität hält, wenn die Plattform wächst, wie sie entscheiden, was als Nächstes gesammelt werden soll, und was „foundation-model scale“ für sie konkret bedeuten würde.

F: Wie stellen Sie die Datenqualität sicher, wenn die Beiträgerbasis so schnell weiter wächst?

Von Tag eins an haben wir ein vollständiges dreistufiges System zur Qualitätsprüfung und -kontrolle aufgebaut – zusammen mit einer passenden automatisierten Pipeline zur Datenverarbeitung. Dadurch wird unsere Qualitätskontrolle nicht nennenswert belastet, wenn die Beiträgerbasis wächst.

Konkret sind die drei Ebenen der Qualitätsprüfung:

Ebene 1:Echtzeitvalidierung bei Einreichung. Wenn ein Nutzer Daten einreicht, nutzt das System einen Erfolgsschecker, um sofort zu prüfen, ob die Aufgabe wirklich abgeschlossen wurde und ob der resultierende Zustand konsistent ist. Offensichtlich anomale Einreichungen werden herausgefiltert, etwa unnatürliche Bewegungen, Betriebsfehler oder beschädigte Dateien.

Ebene 2:Backend-Trajektorien-Wiedergabe. Das Backend spielt die gesamte Trajektorie erneut ab – mithilfe eines Cross-Simulator-Replay-Mechanismus, um zu verifizieren, ob beim Lösen der Aufgabe Skripting, Cheat-Tools oder andere nicht-menschliche Eingriffe beteiligt waren. Zusätzlich werden die Datenqualität und Stabilität der Trajektorie selbst weiter geprüft.

Ebene 3:Validierung der Policy auf Batch-Ebene. Jede Datencharge wird genutzt, um schnell eine leichte Policy zu trainieren, und die Performance der Policy wird verwendet, um die Wirksamkeit und Lernbarkeit dieser Charge zu validieren.

Sobald alle drei Validierungsebenen abgeschlossen sind, behält das System die gültigen Daten und vergibt einen Qualitätswert. Anschließend können Nutzer die entsprechende Daten-Trajektorie On-Chain registrieren. So wird sichergestellt, dass jedes Stück gültiger Daten eine langfristige, nachverfolgbare und verifizierbare Proverienz dokumentiert.

F: Wie entscheiden Sie, welche Roboter-Implementierungen und Szenarien Sie priorisiert hinzufügen, um die Task-Generierungsmaschine zu erweitern?

Wir bestimmen die Priorität entlang dreier Hauptdimensionen: Allgemeingültigkeit, Vielfalt und die spezifischen Bedürfnisse unserer Partner.

Erstens eine ausreichend hohe Allgemeingültigkeit. Wir priorisieren die Roboter-Implementierungen und Szenarien mit der breitesten Abdeckung und der weitest verbreiteten Nutzung in der gesamten Branche. Auf der Seite der Implementierungen priorisieren wir beispielsweise typische Einarm-Formen wie den Franka Arm sowie Zweiarm-Formen wie Open Arm. Die Plattform unterstützt derzeit mehr als zehn gängige Robot-Assets und deckt dabei Einarm-, Zweiarm-, rollende Zweiarm- und andere Typen ab. Auf der Szenario-Seite haben wir systematisch alles von Haushalts- bis hin zu Industriesettings abgedeckt und sichergestellt, dass alle gängigen Top-Level-Szenarien unterstützt werden.

Zweitens eine ausreichend reiche Vielfalt. Wir verfolgen kontinuierlich aktuelle akademische Forschung an der Front und die Nachfrage aus der Industrie, um zu erkennen, welche Szenarien, Objekttypen und atomaren Fähigkeiten in der aktuellen Modellentwicklung am dringendsten fehlen, und erweitern und füllen diese Lücken dann schnell. Unser Ziel ist, dass Axis zur Datenplattform mit klarem Vorteil bei beiden Punkten wird: Vielfalt und Abdeckung – mit differenziertem Mehrwert insbesondere bei Aufgaben im Long-Tail-Bereich, bei Edge-Case-Szenarien und bei komplexen Interaktionsfähigkeiten.

Drittens die spezifischen Bedürfnisse unserer Partner. Wir priorisieren außerdem Implementierungen und Szenarien auf Basis der realen Bedürfnisse unserer Partner. Für Partner wie Booster Robotics, Feagine Robotics und andere Hardware- und Implementierungs-Kooperationspartner priorisieren wir die Anpassung an deren Roboter-Implementierungen sowie maßgeschneiderte Datenerhebung und Aufgaben entlang ihrer visuellen Eingaben, Aktionsräume und Ziele für das Modelltraining.

Es lohnt sich zu betonen, dass wir dank der Natur der Simulation selbst – zusammen mit der großen Asset-Bibliothek, die wir intern aufgebaut haben – sehr effizient auf neue Roboter-Implementierungen, Objekt-Assets, Szenen-Umgebungen und atomare Fähigkeiten ausweiten können. Das gibt Axis eine starke Flexibilität und Skalierbarkeit in der Datenproduktion, sodass wir schnell sowohl auf gemeinsame Branchenbedürfnisse als auch auf kundenspezifische Anforderungen reagieren können.

F: Was würde Sie tatsächlich davon überzeugen, dass die Datenmaschine „foundation-model scale“ erreicht hat?

Ob eine Datenmaschine wirklich „foundation-model scale“ erreicht hat, hängt nicht nur davon ab, dass man reines Rohdatenvolumen anhäuft – obwohl Volumen selbst weiterhin sehr stark ins Gewicht fällt.

Auf der Ego-Daten-Seite braucht man zum Beispiel zuerst einen Vorrat von mindestens 1M Stunden OTS-Daten, die Hunderte von Subkategorien abdecken; auf der Simulationsdaten-Seite braucht man Millionen validierte, effektive Trajektorien. Das ist die Basis-Skalierung, die für das Training von Foundation Models nötig ist.

Aber darüber hinaus ist die kritischere Frage, ob die Plattform als Ganzes sich weiterentwickeln kann: ob sie sich fortlaufend iterieren, erweitern und selbst verstärken kann, wenn sich die Grenzen der Modellfähigkeit, die Forschungsrichtungen und die Bedürfnisse der Industrie verschieben.

Eine echte Datenmaschine im „foundation-model“-Maßstab sollte proaktive Forschungsinfrastruktur sein – nicht ein passives System zur Datenproduktion, das nur auf eingehende Aufträge reagiert. Sie muss Forschung oder kommerzielle Ziele schnell und automatisch in strukturierte Tasks übersetzen und Daten im Maßstab über viele Roboter-Implementierungen, Szenarien und Task-Plattformen generieren können. Gleichzeitig muss sie die Ergebnisse des Modelltrainings nutzen, um die Wirksamkeit und den Wert dieser Daten rückwärts zu validieren – und so eine kontinuierliche Closed-Loop-Schleife aus Datenproduktion, Modelltraining, Capability-Evaluation und Task-Iteration bilden.

Letztlich sollte eine Datenmaschine im „foundation-model“-Maßstab nachweisen können, dass sie kontinuierlich qualitativ hochwertige, hoch diverse und breit abdeckende Daten zu geringen Grenzkosten liefern kann. So treibt sie sowohl Modelle als auch Roboter-Implementierungen dazu, ihren Intelligenzgrad stetig zu verbessern und in echten, nicht geskripteten Umgebungen robustere Verhaltensweisen und Generalisierung zu zeigen.

Was sich durch alle drei Antworten zieht, ist: Axis betrachtet Skalierung selbst als ein Engineering-Problem – nicht nur als Zielzahl. Qualität wird durch geschichtete, automatisierte Prüfungen erzwungen, statt durch manuelle Reviews, und die Messlatte für „Foundation-Model-Scale“ ist eine sich selbst verstärkende Schleife.

Notizen vom CEO von Cicada Market Maker

Wir sind zurück zu Cicadas CEO und Mitgründer Maxim Moris gegangen, um seine Einschätzung zu Physical AI speziell zu hören: ob die Erzählung trägt und wo er der Ansicht nach ein Token darin tatsächlich hingehört.

F: Was bringt Physical AI und Robotikdaten auf die Agenda von Cicada?

Ganz ehrlich: Zuerst und vor allem geht es um die nächste Erzählung, der dann Listings und Volumen folgen – und wir arbeiten mit Liquidität, nicht mit Robotern. Darunter steckt ein echtes Problem: Sprachmodelle haben Billionen von Tokens, Robotik hat Tausende Stunden physischer Interaktion, und diese Daten kann man nicht einfach scrapen – sie müssen von Hand produziert werden.

Danach kommt die Frage, die mich mehr interessiert als die eigentliche Erzählung: Datenerhebung ist ein normales Geschäft, aber warum braucht sie dafür überhaupt ein eigenes Token? Die ehrliche Antwort der meisten Projekte lautet derzeit: „Also gibt es ein Token.“

F: Handelt es sich dabei um eine nachhaltige Erzählung – oder um denselben Hype-Zyklus?

Der Bedarf an Daten ist dauerhaft, Tokens, die auf diesem Bedarf basieren, nicht – und das sind zwei unterschiedliche Geschichten. Der Käufer hier ist ein Lab, das saubere Rechte, Proverienz und reproduzierbare Qualität braucht; es zahlt Fiat im Rahmen eines Vertrags und wird nicht den Kurs eines Tickers auf der Bilanz von jemandem festhalten.

Die DePIN-Mechanik scheitert hier ebenfalls, weil ein Roboter ein Kapitalasset mit einem Operator ist – nicht ein inaktiver WLAN-Router. Und wenn man Auszahlungen nach Emissionen für Volumen bemisst, entsteht Spam statt Daten, was den Datensatz vergiftet, hi Helium. Also wird die Erzählung den Zyklus überdauern – und 90% der Tokens, die darauf basieren, werden das nicht.

F: Was passiert mit der Kategorie in einem Jahr?

Physische KI bleibt ein Begriff für Pitchdecks und Sektor-Indizes, während tatsächlich gehandelt wird, was in den Subsegmenten steckt: VLA-Modelle, Datenerhebung, Simulation, Hardware, Flottenbetrieb.

Krypto hat objektiv einen Platz in einer schmalen Schicht dieser Liste: Maschinen-Zahlungen und Identität – sobald es genug Roboter gibt, die sich gegenseitig bezahlen; das passiert nicht 2027, und es erfordert auch kein separates Token für jeden Datensatz.

Alles andere sind gewöhnliche Unternehmen, die ein Token als Finanzierungs- und Marketingkanal brauchen – nicht als Teil des Produkts. Ich bin nicht gegen so etwas. Ich nenne es nur lieber beim Namen.

Mxims Antworten ziehen eine klare Linie: Die Nachfrage hinter Physical-AI-Daten ist real, aber in seiner Sicht ist das ein Argument dafür, dass es ein normales Geschäft bleiben sollte.

Fazit

Physical AI geht den Weg zurück, den Sprachmodelle bereits gegangen sind. Der Unterschied ist: Bei Sprachmodellen existierte diese Skalierung bereits in Form von Text im Internet, während es sie bei Robotik immer noch erst zu sammeln gilt.

Projekte wie Axis Robotics setzen darauf, dass dieser Prozess denselben Weg einschlägt wie einst Internet-Text: Robotikdaten werden auf eine verteilte Weise gesammelt – von vielen Menschen rund um die Welt – statt von einem einzelnen Lab mit einer begrenzten Flotte von Robotern.

Das Ergebnis auf LIBERO-Plus und die wachsende Zahl der Plattformbeiträger, die in die sechsstellige Größenordnung wächst, zusammen mit einer wachsenden Liste von Partnern unter Hardwareherstellern, Labs und industriellen Kunden, ist eine frühe Bestätigung dafür, dass dieses Modell der Datenproduktion tatsächlich funktioniert.

Mehr lesen: GPU-Knappheit und die Geburt von AI DePIN