Une levée de fonds pour résoudre le manque de données robotiques
Axis Robotics a annoncé avoir levé 12 millions de dollars afin d'accélérer le développement de sa plateforme de données pour l'intelligence artificielle physique. Le tour d'amorçage a été mené par Hack VC, avec la participation de Nomad Capital, Pi Network Ventures, 10K Ventures et plusieurs investisseurs individuels.
Contrairement aux modèles de langage, qui peuvent être entraînés sur d'immenses volumes de textes et d'images disponibles sur internet, les robots ont besoin de données décrivant des mouvements, des objets, des environnements et des interactions physiques. Ces données sont plus coûteuses et plus difficiles à produire.
La thèse d'Axis Robotics est simple : sans une production massive et continue de trajectoires physiques variées, les modèles robotiques resteront performants dans des démonstrations limitées mais auront du mal à fonctionner dans le monde réel.
Qu'est-ce que le Compounding Data Engine ?
Axis Robotics présente sa technologie comme un moteur de données cumulatif. L'idée consiste à relier plusieurs étapes qui sont habituellement séparées : création des tâches, collecte des mouvements, entraînement des modèles, détection des échecs et correction humaine.
Lorsqu'un robot échoue dans une simulation ou dans une situation réelle, une intervention humaine peut corriger sa trajectoire. Cette nouvelle donnée est ensuite réinjectée dans le processus d'entraînement. Plus le système est utilisé, plus il accumule de cas difficiles et améliore sa capacité à gérer des situations imprévues.
Quatre briques pour industrialiser la collecte
La plateforme repose sur un moteur de génération de tâches, une interface de téléopération dans le navigateur, une application mobile de capture des gestes humains et une chaîne de traitement automatisée.
Le moteur modifie les objets, les positions, les apparences, les environnements et les caractéristiques des robots afin de produire des scénarios variés. La téléopération permet à des contributeurs de contrôler des robots simulés à distance, tandis que l'application mobile convertit des mouvements humains en données exploitables.
La chaîne de traitement nettoie les trajectoires, ajoute des annotations linguistiques et diversifie les environnements afin de produire des jeux de données prêts pour l'entraînement.
| Indicateur | Détail |
|---|---|
| Montant levé | 12 millions de dollars lors d'un tour d'amorçage. |
| Investisseur principal | Hack VC. |
| Autres participants | Nomad Capital, Pi Network Ventures, 10K Ventures et plusieurs investisseurs individuels. |
| Réseau de contributeurs | Plus de 100 000 contributeurs actifs selon l'entreprise. |
| Données simulées | Plus de 1 200 heures produites chaque mois. |
| Données réelles | Plus de 20 000 heures de données égocentriques produites chaque mois. |
| Produit central | Un moteur intégré de génération, collecte, correction et optimisation de données robotiques. |
Pourquoi l'IA physique manque encore de données
Les robots doivent apprendre à reconnaître des objets, anticiper leur mouvement, saisir des éléments de formes différentes et réagir à des environnements imprévisibles. Une légère variation de lumière, de caméra, de position ou de matériel peut suffire à réduire les performances d'un modèle.
Axis identifie trois obstacles principaux : le manque de données, la difficulté à généraliser les comportements appris et la fragmentation entre les différentes formes de robots.
L'IA physique désigne les modèles capables de percevoir un environnement réel et d'agir à travers un robot ou une machine. Elle combine vision, compréhension spatiale, planification et contrôle moteur. Elle doit également gérer la gravité, les collisions, la précision des mouvements et la sécurité des personnes.
Une collecte distribuée à l'échelle mondiale
Axis Robotics affirme avoir construit un réseau mondial de plus de 100 000 contributeurs actifs, qui soumettraient en moyenne trois à quatre contributions par jour. Ce modèle distribué doit permettre de produire davantage de données qu'une collecte organisée uniquement dans des laboratoires.
L'entreprise revendique une capacité mensuelle de plus de 1 200 heures de données simulées et de plus de 20 000 heures de données réelles capturées en vue subjective. Ces chiffres proviennent directement d'Axis et devront être évalués au regard de la qualité, de la diversité et de l'utilité réelle des données.
Des résultats annoncés sur LIBERO-Plus
Axis Robotics a récemment présenté Sim Dataset V1. L'entreprise affirme que le préentraînement du modèle π0.5 sur ses données a amélioré le taux de réussite global de 4,9 points sur le benchmark LIBERO-Plus.
Elle indique également avoir dépassé de 31,3 points une référence RoboCasa365 utilisant un volume comparable de données. Ces résultats suggèrent que la diversité peut compter autant que le volume, mais ils nécessitent une validation indépendante.
Une stratégie commerciale déjà engagée
Axis commercialise des ensembles de données personnalisés, appelés Task Packages, destinés aux fabricants de robots, aux développeurs de modèles d'IA physique et aux groupes industriels.
L'entreprise cite parmi ses premiers partenaires Booster Robotics, Manycore Tech, Feagine Robotics, Dexmal, Lotus Car, Geely Auto et SomaStacks.
À quoi serviront les 12 millions de dollars ?
Axis Robotics prévoit d'utiliser les fonds pour renforcer ses capacités de génération procédurale, agrandir son réseau distribué de contributeurs et améliorer l'ensemble de sa chaîne de traitement.
La société devra aussi démontrer que ses données permettent aux robots d'apprendre plus rapidement et de mieux fonctionner en dehors des environnements contrôlés.
Un pari sur la prochaine étape de l'intelligence artificielle
Après l'essor des modèles de langage et des générateurs d'images, une partie des investissements se déplace vers les systèmes capables d'agir dans le monde physique. Les robots humanoïdes, les bras industriels et les véhicules autonomes ont besoin d'une quantité massive de données pour progresser.
Axis Robotics parie que l'infrastructure de données deviendra une couche essentielle de cette industrie. Sa réussite dépendra de sa capacité à transformer les volumes annoncés en améliorations mesurables et reproductibles pour ses clients.
