Com insights da Axis Robotics

Em 2026, a indústria de inteligência artificial aprendeu a resolver o problema de computação. GPUs estão ficando mais acessíveis, modelos são mais baratos para executar inferência e a infraestrutura em nuvem continua crescendo. Mas a próxima onda de IA, robótica e IA Física tem um problema completamente diferente. Tudo se resume a dados que simplesmente não existem na quantidade necessária.

Sem Internet para Robôs

LLMs surgiram a partir de uma base que já existia. Décadas de texto na internet, trilhões de tokens abrangendo quase todos os domínios do conhecimento humano. Com esse acervo já estabelecido, o avanço passou a depender de aumentar a capacidade de computação e melhorar as arquiteturas.

A robótica não tem uma base assim. O mundo físico não tem índice de busca, e não há “internet de interações robóticas” para treinar um modelo.

O volume inteiro de dados disponível hoje para treinar robôs é uma fração minúscula dos corpora de texto nos quais os modelos modernos de linguagem são treinados. Isso cria uma escassez de dados fundamentais em todos os níveis.

O momento GPT-1 que faltava à robótica

A trajetória dos modelos de linguagem é instrutiva, porque cada etapa removia uma restrição nova. O GPT-2, treinado com aproximadamente 10 bilhões de tokens, cerca de 500.000 horas de leitura no ritmo humano.

Foi então que o comportamento emergente do modelo apareceu pela primeira vez. O GPT-3 foi treinado com aproximadamente 300 bilhões de tokens, cerca de 15 milhões de horas, e sem esse volume não haveria ChatGPT — e nada do que veio depois.

A robótica ainda não teve esse momento. As arquiteturas de modelos convergem, os algoritmos amadurecem, mas os próprios dados permanecem indefinidos. Qual distribuição de pré-treinamento é a certa, qual deve ser a proporção entre simulação, mundo real e dados egocêntricos. Simplesmente não há consenso sobre a estrutura dos dados.

Se 15 milhões de horas de texto produziram o GPT-3, um modelo verdadeiramente geral de inteligência física pode exigir algo na ordem de 100 milhões de horas de dados sobre manipulação humana de objetos.

Hoje, a indústria tem aproximadamente 2.000 horas, o melhor dataset público, o Open X-Embodiment. Existe uma lacuna semelhante na diversidade de cenários e no número de habilidades atômicas dominadas.

Por que a coleta não escala

Computação, hardware e algoritmos para inteligência física já estão prontos. O que genuinamente falta é dado, e há três razões estruturais para isso.

• A coleta no mundo real é limitada por hardware. Gilhos especializados, sistemas de segurança e um operador treinado por robô. Isso limita tanto o volume quanto a cobertura, tornando estruturalmente inalcançável a escala de modelo fundamental.

• Coleta manual não consegue produzir a diversidade necessária. Generalização exige a composição de diversidade entre objetos, cenários, incorporações robóticas e ângulos de câmera, algo que datasets coletados à mão simplesmente não conseguem fornecer.

• Modelos treinados apenas com demonstrações de especialistas ficam cegos aos próprios erros. A política só vê os estados que o especialista visitou, o que significa que exatamente onde ela é mais fraca há menos dados de treinamento. Os erros se acumulam ao longo de todo o horizonte da tarefa.

Cada uma dessas restrições aponta na mesma direção. O que é necessário não é um modelo mais avançado, mas um regime fundamentalmente diferente para produzir dados.

Hominídeos operam com dados

2026 se tornou o auge do interesse em investimentos em robôs humanoides. Bilhões de dólares foram para hardware, para modelos, para a capacidade de produção dos principais players da indústria. Mas todo esse capital esbarra no mesmo gargalo. Dinheiro resolve as questões de hardware e computação; mas de onde tirar milhões de horas de dados sobre manipulação de objetos no mundo real?

Isso torna o problema de dados exatamente aquilo que está travando uma indústria com investimentos de vários bilhões de dólares agora. Quanto mais rápidas crescem as ambições de implantar hominídeos em condições do mundo real, mais rápido cresce também a própria escassez de dados. Cada nova incorporação robótica, novo ambiente e nova habilidade exige sua própria parcela de dados de treinamento.

Axis Robotics: Motor de Dados com Diversidade Crescente

A maioria dos pipelines de dados em robótica é unidirecional. Coleta os dados, treina o modelo, envia, começa de novo. O Axis é construído como um ciclo fechado, no qual cada contribuição melhora a próxima política, e cada política aprimorada determina quais dados coletar em seguida. Os dados deixam de ser um custo único e passam a ser um ativo que se valoriza.

O ciclo consiste em cinco etapas: gerar a tarefa e a cena, coletar comportamento por teleoperação em simulação e capturar interações no mundo real, processar e limpar as trajetórias, treinar e implantar a política em frotas reais e simuladas.

No fim, coletar sinais sobre exatamente onde a política ainda está cometendo erros. Esses sinais determinam quais tarefas se abrem na próxima rodada, e o ciclo se repete com dados mais difíceis e mais valiosos.

Três produtos de plataforma cobrem todo o ciclo:

• Plataforma de Dados de Simulação Web: uma simulação baseada no navegador, sem necessidade de instalação e sem exigências de hardware, em que os participantes controlam o robô via teleoperação e geram demonstrações, além de corrigir o comportamento de um modelo já treinado. A taxa de transferência já atinge 10.000 trajetórias válidas por hora hoje;

• App Móvel Egocêntrico: um aplicativo mobile para capturar dados em primeira pessoa por meio de rastreamento de pose da mão, sem equipamentos especializados. Lançamento em setembro de 2026 com uma meta de 10.000+ horas válidas de dados por mês;

• Pipeline de Dados para Modelo: um pipeline de processamento unificado que faz limpeza, amplia via randomização por domínio e anota trajetórias brutas, transformando-as em dados prontos para treinamento de modelos.

O principal resultado empírico é que o pré-treinamento contínuo do modelo π0.5 de Physical Intelligence no dataset do Axis aumentou a taxa de sucesso no benchmark LIBERO-Plus de 83,9% para 88,8%, e superou o resultado de um grupo de controle ajustado por volume no RoboCasa365 em 31,3 pontos percentuais. O ganho escala com o volume de dados do Axis, o que indica a coerência do sinal vindo do crowdsourcing, e não de ruído aleatório.

No fim de agosto de 2026, a plataforma ultrapassou 150.000 colaboradores globais e coletou mais de 3,7 milhões de trajetórias em mais de 4.000 tarefas publicadas.

Entre os parceiros do Axis: fabricantes de hardware robótico AgiBot, Booster Robotics, Unitree e Deep Robotics; laboratórios de modelos de base como Manycore Tech; e clientes industriais Geely Auto e Lotus Cars, que usam a plataforma para treinar automação para classificação e outras tarefas de produção.

Cripto como infraestrutura

Abrir um sistema como este para uma comunidade global, sem permissões por padrão, de colaboradores levanta uma questão que o próprio motor de dados não consegue responder. Como transformar contribuições que são ruidosas, em alguns lugares subótimas e potencialmente de má-fé em um dataset de treinamento confiável, mantendo ao mesmo tempo um registro preciso de quem exatamente produziu o quê?

O Axis responde a isso com um sistema de avaliação em duas camadas. O sistema de pontuação avalia cada trajetória individual, enquanto o sistema de pontos agrega a reputação de um colaborador ao longo do tempo com base em volume, dificuldade da tarefa, qualidade e diversidade da contribuição.

Cada trajetória aceita é assinada on-chain na Base Network com um Data ID exclusivo, que vincula a carteira do colaborador, um timestamp, a pontuação de qualidade e uma referência de tarefa em um registro permanente, à prova de adulteração. Cripto aqui é infraestrutura para procedência, transparência e coordenação na produção de IA Física.

Além do Base, o projeto também tem integrações com a BitRobot Network no ecossistema da Solana e com a Pi Network, enquanto a arquitetura de procedência em si permanece a mesma, independentemente de qual rede é usada.

Insights da Axis Robotics

Perguntamos ao time da Axis Robotics sobre os mecanismos por trás de escalar um motor de dados crowdsourced: como a qualidade se mantém à medida que a plataforma cresce, como eles decidem o que coletar em seguida e o que "escala de modelo fundamental" significaria para eles.

P: Como você mantém a qualidade dos dados à medida que a base de colaboradores cresce tão rápido?

Desde o primeiro dia, construímos um sistema completo de inspeção e controle de qualidade em três camadas, junto com um pipeline automatizado de processamento de dados correspondente. Como resultado, nosso controle de qualidade não é significativamente pressionado à medida que a base de colaboradores cresce.

Especificamente, as três camadas de inspeção de qualidade são:

Camada 1:Validação em tempo real na submissão. Quando um usuário envia dados, o sistema usa um verificador de sucesso para verificar imediatamente se a tarefa foi realmente concluída e se o estado resultante é consistente, filtrando submissões obviamente anômalas como movimentos não naturais, erros operacionais ou arquivos corrompidos.

Camada 2:Reprodução de trajetória no backend. O backend reproduz a trajetória completa, usando um mecanismo de replay com simuladores cruzados para verificar se houve roteirização, ferramentas de trapaça ou outra intervenção não humana para concluir a tarefa, enquanto faz checagens adicionais da qualidade e estabilidade da própria trajetória.

Camada 3:Validação de política em nível de lote. Cada lote de dados é usado para treinar rapidamente uma política leve, e o desempenho da política é usado para validar a eficácia e a capacidade de aprendizado daquele lote.

Quando as três camadas de validação estiverem concluídas, o sistema mantém os dados válidos e atribui uma pontuação de qualidade. Então os usuários podem registrar a trajetória correspondente on-chain, garantindo que cada pedaço de dado válido carregue um registro de procedência de longo prazo, rastreável e verificável.

P: Como você decide quais incorporações robóticas e cenários priorizar para adicionar ao mecanismo de geração de tarefas?

Determinamos a prioridade ao longo de três dimensões principais: generalidade, diversidade e as necessidades específicas de nossos parceiros.

Primeiro, generalidade suficientemente alta. Priorizamos as formas de incorporar robôs e cenários com a cobertura mais ampla e o uso mais disseminado na indústria. Do lado das incorporações, por exemplo, priorizamos formatos típicos de braço único como o Franka Arm, bem como formatos de braço duplo como o Open Arm. A plataforma atualmente suporta mais de dez ativos robóticos de grande uso, abrangendo braço único, braço duplo, braço duplo sobre rodas e outros tipos. Do lado dos cenários, cobrimos sistematicamente tudo, desde ambientes domésticos até industriais, garantindo que todos os principais cenários de alto nível sejam suportados.

Segundo, diversidade suficientemente rica. Rastreando continuamente a pesquisa acadêmica de ponta e a demanda da indústria, identificamos quais cenários, tipos de objetos e habilidades atômicas estão com falta mais urgente no treinamento do modelo atual, e então expandimos e preenchermos essas lacunas rapidamente. Nosso objetivo é fazer com que o Axis se torne a plataforma de dados com uma vantagem clara tanto em diversidade quanto em cobertura, gerando valor diferenciado especialmente em tarefas de cauda longa, cenários de casos-limite e capacidades complexas de interação.

Terceiro, as necessidades específicas de nossos parceiros. Também priorizamos incorporações e cenários com base nas necessidades reais dos parceiros. Para parceiros como Booster Robotics, Feagine Robotics e outros colaboradores de hardware e de incorporação, priorizamos adaptar-se às incorporações robóticas deles e criar coletas de dados e tarefas personalizadas a partir de suas entradas visuais, espaços de ação e objetivos de treinamento do modelo.

Vale enfatizar que, graças à própria natureza da simulação, além da grande biblioteca de ativos que construímos internamente, podemos estender de forma muito eficiente para novas incorporações robóticas, ativos de objetos, ambientes de cena e habilidades atômicas. Isso dá ao Axis forte flexibilidade e escalabilidade na produção de dados, permitindo que respondamos rapidamente tanto a necessidades compartilhadas da indústria quanto a requisitos específicos de clientes.

P: O que, de fato, te convenceria de que o motor de dados chegou à escala de modelo fundamental?

Julgar se um motor de dados realmente atingiu escala de modelo fundamental não é apenas sobre acumular volume bruto de dados, embora o volume ainda importe muito.

Do lado dos dados egocêntricos, por exemplo, primeiro você precisa de um estoque de pelo menos 1M de horas de dados OTS cobrindo centenas de subcategorias; do lado dos dados de simulação, você precisa de milhões de trajetórias validadas e efetivas. Esse é o patamar mínimo de escala exigido para treinamento de modelos de base.

Mas sobre essa base, a questão mais crítica é se a plataforma como um todo consegue continuar evoluindo: se ela consegue iterar continuamente, expandir e se autorreforçar à medida que mudam os limites de capacidade do modelo, as direções de pesquisa e as necessidades da indústria.

Um motor de dados com escala real de modelo fundamental deve ser infraestrutura de pesquisa proativa, e não um sistema passivo de produção de dados que apenas responde a pedidos recebidos. Ele deve traduzir rapidamente e automaticamente objetivos de pesquisa ou comerciais em tarefas estruturadas e gerar dados em escala em muitas incorporações de robôs, cenários e plataformas de tarefas. Ao mesmo tempo, deve usar resultados de treinamento do modelo para validar, de volta, a eficácia e o valor desses dados, formando um ciclo fechado contínuo de produção de dados, treinamento de modelos, avaliação de capacidade e iteração de tarefas.

No fim, um motor de dados em escala de modelo fundamental deve conseguir demonstrar que pode entregar continuamente dados de alta qualidade, altamente diversos e com ampla cobertura a baixo custo marginal, fazendo com que modelos e incorporações robóticas melhorem de forma constante seu nível de inteligência e apresentem maior robustez e capacidade de generalização em ambientes reais, não roteirizados.

O que surge nas três respostas é que o Axis trata a escala em si como um problema de engenharia, e não apenas como um número-alvo: a qualidade é garantida por verificações automatizadas em camadas, em vez de revisão manual, e o patamar de "escala de modelo fundamental" forma um ciclo de reforço.

Notas do CEO da Cicada Market Maker

Voltamos ao CEO e cofundador da Cicada, Maxim Moris, para obter a leitura dele especificamente sobre IA Física: se o enredo se sustenta e onde ele acha que um token realmente pertence.

P: O que coloca os dados de IA Física e robótica no radar da Cicada?

Honestamente, em primeiro lugar, é a próxima narrativa que seguirá as listagens e o volume, e trabalhamos com liquidez, não com robôs. Há um problema real por trás disso: modelos de linguagem têm trilhões de tokens; robótica tem milhares de horas de interação física; e esses dados não podem ser extraídos, eles precisam ser produzidos à mão.

Em seguida vem a pergunta que me interessa mais do que o próprio enredo: a coleta de dados é um negócio normal, mas por que ela precisa de seu próprio token? Agora, a resposta honesta da maioria dos projetos é "é porque tem que ter um token".

P: Isso é um enredo durável ou é o mesmo ciclo de hype?

A demanda por dados é duradoura; os tokens construídos sobre essa demanda não são, e essas são duas histórias diferentes. O comprador aqui é um laboratório que precisa de direitos limpos, procedência e qualidade reproduzível; ele paga em moeda fiduciária sob contrato e não vai manter o ticker de alguém no balanço patrimonial.

A mecânica DePIN também quebra aqui porque um robô é um ativo de capital com um operador, não um roteador Wi‑Fi ocioso, e pagar emissões por volume gera spam, não dados, o que contamina o dataset, oi Helium. Então o enredo vai sobreviver ao ciclo, e 90% dos tokens que circulam nele não vão.

P: O que acontece com a categoria daqui a um ano?

A IA Física vai continuar sendo uma palavra em apresentações e índices do setor, enquanto o que realmente é negociado são os subsegmentos: modelos VLA, coleta de dados, simulação, hardware, operações de frota.

Cripto tem objetivamente um lugar apenas naquela camada específica da lista — pagamentos e identidade de máquina — quando houver robôs suficientes para eles começarem a se pagar; isso não vai acontecer em 2027, e não exige um token separado para cada dataset.

Todo o resto são empresas comuns que precisam de um token como canal de financiamento e marketing, e não como parte do produto. Eu não sou contra isso; só prefiro chamar as coisas pelo que elas são.

As respostas do Maxim traçam uma linha clara: a demanda por dados de IA Física é real, mas, na visão dele, isso é um argumento para que ela permaneça um negócio comum.

Conclusão

A IA Física está refazendo o caminho que os modelos de linguagem já percorreram. A diferença é que, para modelos de linguagem, essa escala já existia na forma de texto na internet, enquanto para robótica ela ainda precisa ser coletada.

Projetos como o Axis Robotics apostam que esse processo vai seguir o mesmo caminho que o texto da internet fez. Os dados para robôs serão coletados de forma distribuída, por muitas pessoas ao redor do mundo, e não por um único laboratório com uma frota limitada de robôs.

O resultado no LIBERO-Plus e o crescimento do número de colaboradores da plataforma chegando à casa dos seis dígitos, junto com uma lista crescente de parceiros entre fabricantes de hardware, laboratórios e clientes industriais, confirma cedo que esse modelo de produção de dados realmente funciona.

Leia mais: Escassez de GPU e o Nascimento da AI DePIN