physicalai

如果一个机器人只能学会一个动作

那它其实还没那么聪明

真正麻烦的是：
它学会抓东西以后能不能接着把东西分类？
分类完以后能不能继续搬走？
这也是 Axis 这次更新时最有意思的地方

他们现在开始把机器人的能力拆成一个个 Expert
抓取 = 一个技能
分类 = 一个技能
搬运 = 一个技能
放置 = 一个技能

然后把这些技能直接串起来：
抓取 → 分类 → 搬运 → 放置
前一个 Expert 做完直接把结果交给下一个

可以把它理解成：
以前是教机器人做一道题
现在开始给机器人攒技能树
而且这不是单纯讲故事

Axis 最新实验里一个很直观的数据是：
真实机器人成功率22% → 52%

他们把部署后的策略产生的真实世界数据
再拿回来继续训练 成功率明显提升

还有一个数字也挺关键：$5–$10 / task

一个 Expert 的训练成本已经可以做到这个量级
一张 A100 大约 3–6 小时就能训练一个 Expert

所以现在再看 Axis反而不太想只问：
他们又收了多少条数据
因为数据多不代表机器人真的学会了东西

更想知道的是：
这些数据最后能沉淀出多少个真正能用、能复用、还能互相组合的技能？

这才是区别

如果今天机器人学会抓取
明天学会分类
后天学会搬运
最后还能把这些能力拼到一起
那它获得的就不是几个孤立的动作
而是一套可以不断扩充的：
Robot Skills Library

所以 Axis 现在的感觉已经慢慢从：More Data
变成了：More Skills → Skills Can Compose → More Complex Tasks

数据只是开始
真正的是机器人到底能从这些数据里学会什么

#AXIS #PhysicalAI @axisrobotics #Kaito @KaitoAI

📰 Les humains ne sont pas entrés dans le métavers… et pourtant, ce sont les robots qui ont été les premiers à y emménager.
La start-up américaine Antioch vient de boucler une levée de 32 millions de dollars en Série A, menée par Greylock. En comptant la levée de 8,5 millions de dollars effectuée début d’année (tour de table), cette entreprise existe depuis un peu plus d’un an et a déjà accumulé 40,5 millions de dollars de financement.
🔥 Ce qu’elle fait ressemble à du métavers, mais l’usage a complètement changé : transférer des robots, des capteurs, des logiciels et des environnements d’exécution dans un ordinateur, afin d’y entraîner et tester des robots dans un monde numérique proche de la réalité.

Dans le monde réel, les scénarios dangereux sont difficiles à répéter. Un robot tombe, le sol devient glissant, la caméra tombe en panne… et même les changements dans l’entrepôt (rayonnages, éclairage), on ne peut pas les reproduire à volonté avec une vraie machine. En environnement virtuel, c’est différent : le même robot peut être dupliqué en des milliers de doubles numériques, tout en étant confronté à des implantations, des matériaux, des lumières et des forces de friction différentes.
💡 C’est aussi pour cela que les données de simulation sont à nouveau mises en avant. Les données de vrais robots se rapprochent le plus du réel, mais elles coûtent cher et vont lentement ; les vidéos de l’Internet coûtent moins cher et sont nombreuses, mais elles manquent d’angles d’articulations, de retours tactiles et de signaux de contrôle. Les données de simulation se situent juste entre les deux : elles perdent un peu en réalisme, mais elles sont faciles à dupliquer, permettent l’entraînement en parallèle et peuvent aussi générer activement des situations extrêmes.

En fait, NVIDIA a aussi modifié ses priorités avec Omniverse. Il y a cinq ans, on le présentait comme une « base du métavers » ; aujourd’hui, la définition du site officiel s’est déplacée vers des outils et services destinés au développement d’applications de Physical AI. Ce qui est relié, ce sont la simulation de robots, les jumeaux numériques industriels et le développement de la conduite automatisée.
👀 Ainsi, ce qui reste du métavers, ce n’est pas des humains portant un casque pour tenir des réunions dans un monde virtuel : c’est un ensemble d’outils 3D qui continuent à servir les robots. Franchement, les robots ont peut-être plus que les humains besoin d’un monde virtuel qui ne se casse pas et qui peut être copié à l’infini.

🤔 Selon vous, la prochaine vraie percée viendra-t-elle d’un métavers grand public qui tourne enfin, ou d’un terrain d’entraînement virtuel derrière les robots ?
#PhysicalAI #机器人 #元宇宙 #仿真训练

Axis @axisrobotics frères, quand est-ce que vous mettez à jour les tâches ?

Ça fait 3 jours ! Trois jours entiers ! Impossible de choper une seule tâche !

Accès à la tâche : https://t.co/7sfvqfLzJY

Au début : s’il y a du temps, on en fait quelques-unes

Maintenant : à 20h, n’oubliez pas de vous poster pour Axis

Et puis : c’est pas possible, il n’y en a toujours pas ?

Actualiser… pas encore

Rafraîchir… toujours rien

En fait, moi je ne fais plus de tâches : j’attends juste des tâches

Mais en râlant, ces jours-ci, je me suis rendu compte d’une chose

Pourquoi un robot qui simule des tâches peut faire que autant de gens restent là chaque jour à l’heure pile

Parce que Axis n’est en réalité pas une plateforme de tâches ordinaire
Elle transforme l’entraînement de robots, habituellement si loin de la portée du grand public, en quelque chose auquel n’importe qui peut contribuer

Vous n’avez pas besoin de posséder vraiment un robot
Et vous n’avez pas besoin de rester dans un labo

Il suffit de réaliser l’opération via le navigateur
pour contribuer une trajectoire réelle de comportement robot

Les actions d’une seule personne peuvent sembler banales
Mais quand de plus en plus de gens le font ensemble
Des habitudes d’opération différentes, des chemins différents, des environnements différents, et des erreurs différentes
À la fin, tout cela devient une Experience que le robot peut apprendre

Cette chose est en fait plutôt importante
Parce que l’une des plus grandes différences entre Physical AI et l’IA que nous connaissons, c’est que
les robots ne se contentent pas de comprendre le monde : ils doivent aussi apprendre comment agir dans le monde

Et cette partie “agir”
Sans assez d’Experience, il est très difficile de passer à l’échelle

Donc en y repensant maintenant, le mécanisme des tâches d’Axis me paraît même un peu intéressant

En surface, tout le monde “vole” des tâches
Mais en réalité, on contribue à :
L’Experience dont le robot aura besoin pour son prochain entraînement

De la collecte de données au début à aujourd’hui, on est déjà au-delà de 3M trajectoires
Axis commence aussi à mettre l’accent non plus seulement sur l’obtention de plus de données,
mais progressivement sur des données plus précieuses

Avec V2 : correction ciblée
Le Dataset commence à être ouvert
Puis, tout récemment, connexion avec davantage d’écosystèmes Robotics

Cette trajectoire devient de plus en plus claire :
Ce n’est pas juste agrandir le Dataset
C’est permettre au robot d’acquérir en continu de nouvelles Experiences
C’est aussi, je pense, la raison pour laquelle Axis mérite vraiment d’être suivi

Parce qu’à l’avenir, les modèles vont évoluer
Le matériel des robots va évoluer
Et les méthodes d’entraînement vont évoluer

Mais pour les robots, il y aura toujours une chose dont ils ont besoin :
Plus, et de meilleures expériences du monde réel
Alors… je comprends la logique d’Axis
L’Experience de Physical AI est importante
Le Data Flywheel est important
L’avenir des robots est important

Mais et mon Experience à moi ?

Ma tâche ? Je reste à l’affût depuis trois jours

Je vous en prie, donnez-nous des tâches, les frères

#PhysicalAI #Robotics

Vangrid a obtenu 9 millions de dollars de financement, avec HashKey Capital, Borderless Capital, Crypto.com Capital, Animoca Brands, Mapleblock Capital et Gate.io en tant qu’investisseurs.

Ce projet a une orientation très intéressante : il s’agit d’une base de données cartographiques en données d’espace tridimensionnel pour l’ère de l’IA physique. En termes simples, ils fournissent aux robots, aux véhicules autonomes et aux agents incarnés une « carte du monde réel » qui se met à jour en continu.

Contrairement aux levés cartographiques traditionnels, Vangrid suit une approche DePIN + crowdsourcing : ils s’appuient sur les utilisateurs de smartphones intelligents dans le monde entier pour collecter des données d’espace en trois dimensions, puis utilisent des mécanismes sur la chaîne pour valider de manière fiable la crédibilité des données. Résultat : les coûts de collecte des données sont fortement réduits, et les entreprises de robotique ainsi que les développeurs d’agents peuvent faire appel, à la demande, à des données du monde réel à faible coût et à forte fraîcheur.

À mon avis, ce tour de table révèle trois signaux :

D’abord, l’investissement se concentre de plus en plus sur les infrastructures de Physical AI ; l’industrie robotique manque non seulement de puissance de calcul, mais aussi de « carburant de données ».

Ensuite, l’histoire DePIN se déplace : elle passe progressivement de la simple « extraction de données via le matériel » à l’« approvisionnement en données pour l’IA », et Vangrid relie les deux.

Enfin, le smartphone — l’interface de capteurs la plus répandue — est en train d’être redéfini comme un capteur de perception participative (crowdsourcing) du monde physique.

La prochaine étape à surveiller est la manière dont leur mécanisme de validation des données résiste aux soumissions malveillantes, ainsi que le calendrier réel de déploiement des premiers clients robots / agents.

#PhysicalAI #DePIN #Web3

L’introduction en bourse d’Unitree Robotics explose de 629 % !
Unitree Robotics a bondi de 629 % lors de ses débuts à la Bourse de Shanghai, devenant le premier fabricant de robots humanoïdes coté publiquement en Chine continentale. La forte demande liée à l’IPO souligne l’enthousiasme croissant des investisseurs pour l’IA physique et la robotique humanoïde.#UnitreeRobotics #HumanoidRobots #AI #artificialintelligence. #Robotics #PhysicalAI
$BTC
$SPCXB
$XRP

Vangrid obtient 9 millions de dollars de financement, avec HashKey Capital, Animoca Brands, Crypto.com Capital, Borderless Capital, Mapleblock Capital et Gate.io qui participent, et l’équipe est particulièrement solide.

Ce qui mérite le plus d’être discuté dans ce projet n’est pas le montant du financement, mais le contexte auquel il s’attaque : le Physical AI est en plein essor, mais pour que les robots sortent du laboratoire, le premier obstacle est de « comprendre le monde réel ». Les données tridimensionnelles à haute précision reposaient jusqu’ici sur des radars LiDAR et des flottes de véhicules de cartographie professionnels : coût élevé, mises à jour lentes, et donc impossibilité de soutenir un déploiement à grande échelle.

La solution de Vangrid consiste à s’appuyer sur des collectes participatives via des smartphones : transformer les téléphones de chacun en terminaux mobiles de cartographie, puis utiliser des mécanismes en chaîne pour garantir une validation fiable des données. En essence, il s’agit de construire un « réseau décentralisé de cartes basées sur le réel ». Une fois la couche de données opérationnelle, les robots, les agents autonomes et les applications AR/VR pourront en bénéficier directement.

Dans la filière DePIN, il existe beaucoup de projets qui se concentrent sur la puissance de calcul ou le stockage, mais les acteurs qui parient véritablement sur une « infrastructure de données pour le monde physique » sont rares. Vangrid a choisi une voie plus difficile, avec aussi une meilleure marge de protection. Le projet mérite d’être suivi dans la durée pour ses avancées de déploiement.

#DePIN #PhysicalAI #Web3

Je réétudie @axisrobotics… et j’ai plutôt l’impression que

Ce qui mérite vraiment l’attention chez Axis, ce n’est pas le volume de données robotisées qu’il a déjà.

C’est le fait qu’ils transforment ces données en un système capable de s’auto-améliorer en continu.

En août, l’engine de “robotic data” d’Axis a franchi les 3M de trajectoires.
Derrière, il y a déjà 123K+ contributeurs.

Mais si ce n’est que “plus de données”, alors le sujet n’est finalement pas si captivant.

Ce qui m’a vraiment donné envie de regarder Axis à nouveau, c’est une série d’actions récentes :
Dataset V1 → Axis V2 → Booster Robotics → OpenRoboto

En réalité, elles pointent vers la même chose :
faire tourner vraiment la Data Loop de Physical AI.

Le plus difficile pour l’entraînement robotique n’a jamais été uniquement le manque de données.
C’est plutôt :
comment savoir quelle sera la prochaine meilleure fournée de données à collecter.

Le processus traditionnel ressemble davantage à :
Tâche → Données → Modèle
On entraîne, puis on déploie.
Le modèle échoue ? On revient en arrière pour récollecter des données.

Axis V2 commence à changer ce schéma.
Le modèle exécute d’abord la tâche.
Le modèle révèle ses faiblesses.
Les humains interviennent sur les nœuds critiques pour corriger.
Les “correction data” reviennent dans le pipeline d’entraînement.
Le modèle continue de s’améliorer.
Puis il expose de nouvelles faiblesses.

Et on obtient finalement :
Modèle → Échec → Correction → Données → Meilleur Modèle
C’est aussi en cela que le Human-Gated DAgger est vraiment intéressant :
ce n’est pas demander aux humains de répéter sans fin des actions que le modèle sait déjà faire.
C’est faire intervenir les humains quand le modèle ne sait vraiment pas quoi faire.

Autrement dit :
ce n’est pas collecter plus de bonnes réponses.
C’est collecter précisément la raison pour laquelle le modèle se trompe.

Je pense que c’est peut-être une conversion de valeur très importante dans les données robotisées.

Car si le modèle sait déjà faire quelque chose, ajouter 10 000 démonstrations peut devenir de moins en moins rentable en valeur marginale.
En revanche, les zones où le modèle échoue de façon répétée sont souvent exactement là où le prochain cycle d’entraînement a besoin des données les plus pertinentes.

Donc, quand Axis parle de Compounding Data Engine,
je ne comprends pas seulement “rendre le Dataset de plus en plus grand”.
Je comprends plutôt :
chaque cycle d’entraînement rend la collecte de la prochaine fournée de données plus précise.

C’est aussi pour ça que je trouve que la collaboration récente entre Axis et OpenRoboto est particulièrement à surveiller.

Axis fournira 3M+ multimodal trajectories,
et les mettra dans le Open Data Pool d’OpenRoboto.
Et, via un Data-to-Model Pipeline, ils permettront l’évaluation des modèles et des benchmarks.
Ainsi, on étend encore la boucle fermée en :
Données → Entraînement → Benchmark → Évaluation → Meilleures Données

Auparavant, j’aurais compris Axis comme :
une Robot Data Platform.

Aujourd’hui, j’ai plutôt tendance à le voir comme :
l’Infrastructure de données de Physical AI.

Parce que le hardware changera.
Les modèles changeront.
Les VLA changeront.
Mais les robots auront toujours besoin d’acquérir, dans le monde réel, de nouvelles expériences.

Donc, ce qui mérite d’être observé n’est pas :
combien de trajectoires Axis atteindra la prochaine fois.
C’est plutôt :
une fois que ces données seront utilisées par davantage de modèles, davantage de robots et davantage de benchmarks,
est-ce que Data Flywheel va vraiment commencer à produire un Compounding Effect.

Si cette boucle fonctionne, la “douves” (moat) d’Axis pourrait ne pas dépendre du volume de données que nous possédons,
mais plutôt de notre capacité à produire en continu la prochaine fournée de données qui a réellement plus de valeur.

C’est, pour l’instant, le point le plus intéressant que je vois dans Axis.

#PhysicalAI #Robotics @KaitoAI #Axis #kaito

Vangrid obtient un financement de 9 millions de dollars, avec la participation de HashKey Capital, Crypto.com Capital, Animoca Brands, Borderless Capital, Mapleblock Capital, Gate.io, etc.

L’angle d’approche de ce projet est plutôt intéressant : transformer les « données spatiales » en réseau DePIN.

En termes simples, il cherche à résoudre le problème des « yeux » pour les robots et les agents autonomes. Pour que l’IA physique se concrétise, le besoin le plus critique n’est pas la puissance de calcul, mais la mise à jour continue de cartes du monde réel. La méthode traditionnelle s’appuie sur des véhicules de cartographie professionnels ou des lidar, ce qui coûte cher et couvre lentement les zones. Vangrid a changé de perspective : utiliser la caméra des smartphones intelligents dans le monde entier pour une collecte décentralisée, et s’appuyer sur une vérification on-chain afin de garantir la fiabilité des données.

Voici quelques points à surveiller :

1. Le crowdsourcing via les téléphones portables implique des coûts marginaux proches de zéro, et la vitesse d’expansion pourrait théoriquement croître de manière exponentielle.

2. Les données spatiales en 3D constituent le carburant de base des robots, de la conduite autonome et de la RA ; le plafond côté demande est très élevé.

3. La validation on-chain répond au problème de confiance « des données de mauvaise qualité entrent, des décisions d’IA sortent erronées », un besoin critique dans les applications du monde physique.

L’orientation du secteur est la bonne : le récit Physical AI a continué de gagner en popularité ces deux dernières années. Le point clé reste cependant la qualité des données, la conception des mécanismes d’incitation, et la capacité à faire émerger de véritables effets de réseau.

#PhysicalAI #DePIN #space computing

IA Physique et Robots Humanoïdes : L’avenir de l’IA en 2026

🤖 Le futur n’arrivera pas—il est déjà là !

Imaginez des robots capables de marcher, de réfléchir, de reconnaître des personnes, de travailler dans des usines, d’assister des médecins et même d’aider à la maison.

Bienvenue dans le monde de l’IA Physique et des Robots Humanoïdes—l’une des plus grandes tendances de l’IA de 2026.

📖 Dans cet article, vous découvrirez :
✅ Ce qu’est l’IA Physique
✅ Comment fonctionnent les robots humanoïdes
✅ Des applications concrètes
✅ Les principales entreprises de robotique
✅ Les avantages & les défis
✅ Les tendances futures qui façonnent demain

Que vous soyez étudiant, passionné de technologie ou professionnel, ce guide explique tout en anglais simple.

🔗 Lisez l’article complet ici :
https://aiwithnimrapk.blogspot.com/

Voici le lien de cet article ..👇🔗
https://aiwithnimrapk.blogspot.com/2026/08/physical-ai-humanoid-robots-future-of.html

💬 Pensez-vous que les robots humanoïdes feront partie de notre vie quotidienne ? Partagez vos idées ci-dessous !

#artificialintelligence. #PhysicalAI #RobotsHumanoïdes #Robotique #FutureTechnolog #InnovationIA #machinelearning #Automatisation #TendancesTechnologiques #AIwithNimra
$GOOGL.US

🚨 La plus grande opportunité en IA ne sera peut-être pas des robots humanoïdes.

D’après le Physical AI Summit de Citi, les gagnants à court terme seraient probablement des **robots conçus pour des tâches spécifiques**, plutôt que des humanoïdes généralistes.

Pourquoi ?

• Ils comblent de véritables pénuries de main-d’œuvre.
• Ils génèrent un ROI beaucoup plus rapidement.
• Ils collectent des données propriétaires issues du monde réel.
• Ils sont déjà déployés dans la logistique, les entrepôts et la fabrication automobile.

Les entreprises qui construisent le plus solide « data flywheel » et résolvent les défis réels du déploiement — plutôt que celles qui présentent les démos les plus spectaculaires — pourraient devenir les gagnants à long terme.

Quelle entreprise de Physical AI vous inspire le plus de confiance ? 👇

#Aİ #PhysicalAI

$BB SURGES 40% EN UNE SEMAINE – TRADER EN HAUSSE DE 318% SUR 10X LEVIER 🔥

Entrée : 8,8 $ 🔥

Ce n'est pas juste une pompe aléatoire. Le logiciel QNX de BlackBerry est intégré dans des millions de voitures et de robots intelligents – le marché le réévalue dans le récit de l'IA physique. Un trader a ouvert un long à 10x à 8,8 $ il y a seulement 32 jours et il est en hausse de 318%. Avec 40% de gains hebdomadaires, l'élan est bien réel.

Le traitez-vous comme un véritable redressement fondamental ou comme un autre run de mème ?

Ce n'est pas un conseil financier. Gérez toujours votre risque.

#BB #MemeStock #PhysicalAI #Trading

🔥

L’IA ne manque pas de données : ce qui manque, ce sont des données humaines plus réalistes et plus fiables.
KGeN relie des humains réels, des données réelles et l’IA, afin que le monde réel devienne la base de la compréhension du monde par l’IA.
Better Data. Smarter AI. 🟩
#KGeN #AI #PhysicalAI

Axis @axisrobotics La deuxième saison est lancée

Les données de la première saison m’ont vraiment surpris avec ces chiffres :
5 341 créateurs
250 000+ clics sur les liens
31 980 trajectoires signées
On n’est plus du tout dans la même échelle que “envoyer deux tweets juste pour voir”.

La première saison n’est pas encore totalement réglée que la deuxième a déjà commencé.
Officiellement, ils sont encore en train de traiter les données de notoriété de la première saison.
Le classement final est estimé à encore 1 à 2 semaines.

Donc si vous voyez maintenant que le classement affiche “Pending”,
ne vous pressez pas à soupçonner que le système vous a “mangés”.

De mon côté, je continuerai sur la deuxième saison.

Ce n’est pas parce que je pense que la deuxième est forcément meilleure que la première,
mais parce qu’en ce moment, il y a vraiment de plus en plus de choses du côté d’Axis.

Avant, c’était surtout pour chasser des tâches, faire du “刷 Points”.
Aujourd’hui, il y a aussi le Creator Program.

Et plus haut, il y a les Challenger — des missions à difficulté plus élevée, qui sont sorties séparément.
Les personnes qui remplissent les conditions peuvent aller les récupérer.
Les Points d’une tâche unique sont de 2 à 3 fois ceux d’une tâche ordinaire.

Et puis ces deux derniers jours, le $AXIS Community Sale a aussi officiellement commencé.

Vous verrez qu’Axis n’est maintenant plus seulement “venez contribuer quelques trajectoires de robots”.

Le contenu, les tâches, les données, les Points, les jetons :
ces lignes commencent à se connecter petit à petit.

Ne mettez pas Points et $AXIS sur un pied d’égalité directe.
Le officiel l’a déjà expliqué très clairement.

Du coup, pour l’Epoch 2, je garde le même玩法 :
quand je vois des tâches, je les prends ; si elles sont plus difficiles, je les fais ; et s’il y a quelque chose en main, j’écris.

Après tout, en première saison, il y avait déjà 5K+ créateurs qui s’y mettent.
La deuxième devrait être encore plus animée.

Le classement final de la première n’est pas encore sorti, mais la deuxième est déjà lancée.

Alors continuons de voir jusqu’où cette fois-ci on peut aller.

#AXIS #PhysicalAI

Axis @axisrobotics Cette fois, on n’a finalement plus pu se contenir

Depuis le début : guetter les missions tous les jours, se battre pour les missions, et gagner des Points
Résultat : maintenant ils sortent carrément la $AXIS Community Sale

Quand j’ai vu le prix, ma première réaction n’a pas été de me dire « $0.1, c’est cher ou pas »
mais plutôt : « allez, je vais vérifier les règles tout de suite »

Cette fois, ils vendent 10 millions de $AXIS, soit 1% de l’offre totale

$0.1 par unité correspond à 100 millions de FDV

Sur l’ensemble du lot $1M, pour un portefeuille éligible : minimum $100, maximum $100K
du 21 septembre au 28 septembre

Et ce n’est pas juste en allant vite qu’on peut en obtenir plus

Si à la fin il y a sursouscription, ça sera réparti au prorata
Le USDC non attribué sera remboursé

Il y a aussi un point que je pense que tout le monde doit absolument remarquer :
Gagner des Axis Points ne veut pas dire obtenir $AXIS

Le FAQ officiel dit déjà que les Points ne sont pas transférables
Et pour l’instant, aucune annonce n’a été faite sur le taux de conversion des Points en $AXIS

Donc les gars qui faisaient les missions en boucle :
ne pensez pas que, parce que la Community Sale est ouverte, Points et tokens sont automatiquement équivalents

Ensuite, le déblocage :
10% au TGE
un cliff de 6 mois
puis les 90% restants débloqués de façon linéaire sur 6 mois
Et le moment exact du TGE n’est pas encore communiqué
Ce qui m’intrigue surtout, c’est comment Axis va connecter ensuite ces contributeurs, ces Points et le vrai $AXIS de la communauté

Après tout, ils ont déjà atteint 5,5 millions+ de trajectories, et 200 000+ de contributeurs
Ce volume n’a plus rien à voir avec le petit projet du début, où on n’obtenait jamais les missions

Bien sûr, il faut aussi lire attentivement les conditions d’éligibilité
Les États-Unis, la Chine continentale, le Royaume-Uni, etc. : pour l’instant, ces régions ne peuvent pas participer
L’officiel indique clairement qu’il est interdit d’utiliser un VPN / Proxy pour contourner

Donc cette fois, pas besoin de se précipiter en criant « foncez » : lisez d’abord les règles

Surtout le point : Points ≠ $AXIS
Ne faites pas l’erreur de vous rendre compte au bout de la moitié de la journée de刷 que vous aviez mal compris

#AXIS #PhysicalAI

🦈 L’OFFRE PRÉALABLE $AXIS OUVRE À 0,1 $ À MESURE QUE LE MOTEUR DE DONNÉES PHYSIQUES DE L’IA S’EXPANDE 🚀

Entrée : 0,1 $ ⚡

📌 Axis Robotics a ouvert la pré-inscription pour $AXIS , proposant 10 millions de tokens à 0,1 $, une levée de 1 M$, et 1 % de l’offre à une valorisation pleinement diluée (FDV) de 100 M$. 🦈 La couche de données « Physical AI » native de la Base revendique 5M+ trajectoires et 200K+ contributeurs.

💡 Seulement 10 % se débloquent au TGE, tandis que le reste se déveste, ce qui limite le choc d’offre immédiat, mais nécessite tout de même un dimensionnement discipliné. Les souscriptions se déroulent du 21 au 28 septembre avec un minimum de 100 $, un maximum de 100 000 $, KYC/KYB, et des exclusions de juridictions restreintes. 💬 Prendriez-vous $AXIS à 0,1 $, ou attendriez-vous la liquidité post-TGE pour confirmer ?

⚠️ Ceci n’est pas un conseil financier. Gérez toujours votre risque. 🛡️

🏷️ #AXIS #Base #PhysicalAI #TokenSale #Crypto

🎯 🦈

⚡ $AXIS $100M FDV SALE : 1 % D’OFFRE POUR TESTS DE L’IA BASE HYPE

Entrée : 0,10 ⚡

📌 Axis Robotics vient d’ouvrir les préinscriptions pour la vente publique $AXIS : 10 millions de tokens à 0,10, seulement 1 % de l’offre, pour une valorisation entièrement diluée ($100 millions FDV). 💡 La fenêtre s’étend du 21 septembre au 28 septembre, avec règlement en USDC et KYC requis.

🔍 Le récit met en avant une IA « physique » sur Base : 5 millions de trajectoires, 200 000 contributeurs, et une seed de 12 millions menée par Hack VC. ⚡ Mais seulement 10 % débloquent au TGE, donc la pression sur l’offre est le véritable champ de bataille.

🤔 Alloueriez-vous pour l’histoire de données d’IA, ou attendriez-vous la découverte du prix après le TGE ?

⚠️ Ceci ne constitue pas un conseil financier. Gérez toujours votre risque. 🛡️

🏷️ #AXIS #TokenSale #PhysicalAI #Base #Crypto

🎯 🦈