如今聊到 AI，大家对上下游已经很熟了。炒存储的时候知道看光模块、看材料、看设备；炒算力的时候知道看英伟达、看电力、看散热。

但一说到机器人，大部分人的认知还停留在春晚上那几台能走两步的人形机器人，觉得很酷，但除此之外机器人的上下游有哪些、机器人行业的「紫苏叶」是什么、大多数人都说不上来。

其实机器人产业也有自己的供应链，也在分化出越来越多的细分赛道。硬件有人做，模型有人做，但还有一个很少被普通人注意到、却可能影响机器人能力上限的环节：数据。更准确地说，是给机器人生产「动手经验」的数据。

大模型的崛起有一个很朴素的前提：互联网上已经沉淀了巨量文本、图片、代码和视频。模型公司一开始要解决的是怎么把这些数据吃进去，怎么扩算力，怎么训练更大的模型。

机器人不一样。

机器人没有天然的互联网语料库。对于可直接用于机器人控制学习的轨迹，通常会包含观察、动作和机器人状态；根据任务不同，还可能包含物体状态、接触信息、成功条件、任务语义和控制频率。真实采集慢、贵、危险，还高度依赖具体机器人。

而这，正是 Axis Robotics 诞生的背景。7 月 27 日，这家 Physical AI 数据引擎公司宣布完成 1200 万美元种子轮融资，由 Hack VC 领投，Nomad Capital、Pi Network Ventures、10K Ventures 及多名天使投资者参投。这笔钱押注的不是又一个造机器人的团队，而是一个专门给机器人「喂经验」的团队。

在这样的背景下，律动 BlockBeats 采访了 Axis Robotics 创始人 Chris，Chris 曾任 Chainbase 首席运营官，曾共同领导 Theia 项目，这是 Hugging Face（人工智能模型社区）上首个加密原生基础模型；此前 Chris 还曾任经纬创投风险投资人，以及贝恩公司管理顾问。

从数据生意到机器人数据缺口

BlockBeats 问：在做 Axis 之前，您过去主要的创业和职业经历是什么？您是怎样接触到机器人、Physical AI 和机器人数据这个方向的？有没有一个具体契机，让您意识到这里存在一个可以创业的机会？

Chris：做 Axis 之前，我上一段创业做的是数据基础设施，有点像 Databricks 那个方向，帮企业把数据理顺、把价值挖出来。那段经历给我最大的体感就是：数据这东西不性感，但它经常是决定天花板的那个变量，能决定一家公司最后能走多高。

2024 年初对我来说是个挺关键的时间点。那会儿人工智能很热，所有人都在聊模型、参数和算力，但我越来越觉得，行业正在从「模型驱动」转向「数据驱动」。模型当然重要，但决定模型能不能继续往前走的，往往还是数据。

真正刺激到我的是 Surge AI 这家公司。2020 年成立，四年收入就过了 10 亿美元，比 Scale AI 还猛，而且几乎没怎么融资。我当时一直在想：为什么一家做数据的公司能跑得这么快？我们是不是低估了数据在智能时代的价值？

那段时间，我也经常跟南洋理工、伯克利、英伟达的朋友聊天，听他们讲学界和产业一线发生的变化。大家慢慢形成了一个很明确的共识：模型迭代很快，但数据是地基，而且是最难做、最不标准、最容易被忽视的那一层。从大语言模型的预训练到后训练，再到 Agent 出来之后对高质量数据的需求，数据不是在变得不重要，恰恰相反，越来越复杂了。

于是我开始想，Physical AI 会不会也走同一条路？物理世界比文本世界复杂得多。真实环境的变化、传感器噪声、各种长尾操作、不同人的使用习惯，都会把数据需求成倍放大。Physical AI 需要的数据量，以及后训练时用来纠错的场景，可能是今天人工智能的百倍，甚至更多。

但当时你去问「谁在做 Physical AI 数据」，几乎没有哪个名字能被立刻说出来。一个未来可能跑出千亿美元级公司的赛道，还没有真正的心智占领者。对创业者来说，这个信号已经很清楚了：值得创业者全力投入。

所以从 2025 年夏天开始，我和 NTU、UCB 的朋友一起系统讨论技术路线和产品形态，Axis Robotics 也在那个阶段真正启动。

BlockBeats 问：外界聊到机器人行业时，往往会先关注硬件和模型。但为什么 Axis 团队认为，数据才是 Physical AI 这一轮最可能限制规模化落地的「紫苏叶」？

Chris：这是个很好的问题。大模型的发展给我们一个很直接的启发：一条技术路线被验证以后，下一阶段的能力提升，往往来自数据、算力和模型规模的共同扩大。从 GPT-1 到 GPT-3，我们看到大规模预训练可以带来明显的能力跃迁。

但机器人行业目前还处在更早的阶段。今天的硬件和算法其实已经走得不慢了，各种机械臂、人形机器人不断出现。模型路线也在逐渐收敛，比如 VLA 把视觉、语言和机器人动作连接起来；世界模型学习一个动作发生后，环境可能怎样变化；WAM 则进一步把对未来状态的预测和动作生成结合起来。这些方向都有人在做。

问题在于，想让 一个机器人不是只在实验室里表演，而是真正在真实环境也能干活，也就是达到接近语言模型当年「GPT－1 时刻」的那种跃迁，那就需要量级大得多的真实世界交互数据。

打个比方，今天的机器人有点像一个只在教科书上学过游泳的人，理论都懂，但没下过水。你要让它真正会游，就得让它在不同的泳池、不同的水温、不同的浪里反复练。这些「下水经验」就是数据。

但现在公开数据的规模还非常小。

Open X-Embodiment 算是代表性的开放数据集之一了，整合了 21 家机构、22 种机器人、超过 100 万条轨迹，听着很多，但跟互联网级别的数据量比，连零头都算不上。其他公开数据集很多还停留在几百小时这个级别。

所以我们判断，现在卡住机器人基础模型的，未必是模型结构本身，而是数据的规模和多样性远远没跟上。如果没有足够多跨场景、跨行业的真实数据，再好的模型和硬件也只能在实验室里转圈。数据在这个阶段不是锦上添花，而是决定 Physical AI 能不能跨过拐点的关键变量。

BlockBeats 问：能不能用最简单、最直白、最不绕弯子的方法告诉普通人，Axis 是做什么的？

Chris：如果用最直白的话说，Axis 就是在帮机器人持续积累「动手经验」。

你可以把机器人想象成一个刚入职的实习生。它脑子不笨，但什么都没干过。你要让它变成熟手，光给它看操作手册没用，它得自己上手做，做完了犯错，有人纠正，再做一遍，反复练。我们做的，就是把这些经验系统化地生产出来。

从训练前的准备、任务设计、仿真练习，到真实世界的数据采集，再到数据清洗、模型训练后的纠错和持续优化，整条链路我们都打通了。我们还搭了网页端的仿真平台和手机端的采集工具，让普通人也能参与进来，你在家里叠衣服、整理桌子，这些日常动作都可以变成机器人的学习素材。

简单一句话概括就是：Axis 是一台持续给 Physical AI 供给训练数据、也持续帮它纠错的数据发动机，让机器人学得更快、犯错更少。

把「动手经验」变成机器人的训练燃料

BlockBeats 问：你认为针对目前的具身智能数据鸿沟，终局的解法是什么？第一视角数据、遥操数据和仿真数据，哪一种更好？

Chris：今天行业最大的难题，是数据规模、场景多样性和真实物理对齐这三件事，很难同时做到。所谓真实物理对齐，就是你数据里的动作规律得跟真实世界一致，不能虚拟环境里练得很溜，一到真机就「手生」。

我打个比方。仿真遥操作数据，就像在驾校模拟器上练车。门槛低，不用真车，全球各地的人通过网页远程操控虚拟机器人就能产出大量训练数据。我们再把机器人形态、物体、场景、任务随机组合，多样性很快就能铺开。缺点也很明显：模拟器再好，也不是真实路况。现实里的颠簸、突发状况、不规则的路面，模拟器很难完全还原。模型在虚拟环境里学会了，上了真机可能还是不行，这就是大家说的「虚实差异」。

第一视角真人数据，就像给老司机装个行车记录仪。普通人用手机就能在家里、办公室采集真实操作，画面里自带视觉和语言信息，能帮模型理解人类到底是怎么干活的。但缺点是画面里没有机器人的精确关节数据，直接拿来训练精细动作不太够。

真机遥操作数据，就是真正上路练车了。轨迹精度最高，最贴近真实的物理交互。特别是模型自己操作失败后，人接管纠正留下的轨迹，对模型改进来说特别有价值。但代价也最高，要真机、要人力，产能有限，没法无限铺开。

所以答案不是哪种更好，而是三种数据各干各的活：仿真把量铺起来，第一视角帮模型理解真实世界的常识，真机遥操做精度校准和闭环纠错。把三种数据接进同一套系统，才有可能真正补上这个缺口。

这也是我们做「混合数据源、双向闭环引擎」的原因。我们用仿真遥操作数据和第一视角真人数据做双轮供给，再结合 Human-Gated DAgger。它的做法很直接：模型失败后由人介入纠正，再把纠正结果送回训练。这样，数据经过采集、清洗和增强，进入统一的视觉、语言、动作模型训练，再到虚实部署、失败反馈回流和补数据，就形成了一个会自己往前转的循环。

BlockBeats 问：Axis 最初为什么选择从仿真数据做起，现在又开始布局第一视角数据？这是战略方向发生了变化吗？

Chris：这是同一套数据策略的扩展。Physical AI 一定是数据驱动的，而数据的核心指标不是量，而是多样性，因为多样性决定泛化能力和鲁棒性。我们先做仿真，是因为它可控、可重复，也容易评估。我们可以设计任务、调整场景和机器人形态，采集完成后还能重放、验证、训练和测试。它本身就像是一个“世界模型”，是现实世界的虚拟化。

第一视角数据能够补充真实世界的广度。最近包括 DreamDojo 在内的研究，让行业进一步看到了大规模第一视角视频在学习人类行为和世界规律方面的潜力。这类数据记录了人怎样使用工具、处理物体和完成任务，而这些行为分散在不同国家、行业和生活场景中，靠少数实验室很难覆盖。

仿真数据更容易由少数平台集中生产，但第一视角数据天然是分散的，需要全球贡献者共同参与。随着 NVIDIA 、 DeepMind 等头部模型公司对这类数据的需求增加，能否持续地在全球获取、处理和验证第一视角数据，会成为一项重要能力。

更重要的是，对 Axis 来说，贡献者网络、任务分发和数据处理与验证管线是可以复用的。从仿真扩展到第一视角数据，不是换方向，而是在补齐一套更完整的机器人数据基础设施。

BlockBeats 问：能带我们走一遍 Axis 里的具身智能数据采集、加工、训练的整个过程吗？

Chris：在 Axis 里，数据采集和处理不是一段一段割裂开的，整个流程是一套端到端的闭环。近期发布的 Axis V2 对我们来说是一次很关键的升级：以前 Axis 更像一个单向的数据采集站，现在我们把任务生成、数据采集、模型训练、评估优化全接成了一套系统。

第一步是出题。我们会在仿真环境里，用算法把机器人本体、目标物体、位置、视觉条件等变量组合起来。比如 10 种动作、10 种物体、10 种摆放方式一组合，任务的多样性就能很快被指数级地放大。

第二步是做题。全球贡献者可以通过简单的网页或手机端界面完成仿真任务，也可以用移动端的第一视角应用采集真实世界里的操作过程。

第三步是阅卷和加工，这也是最核心的环节。原始数据里经常有抖动、无效动作、不自然的操作，我们先清洗、平滑、重采样。然后借助 RoboVerse 把同一批数据在不同仿真环境间流转，先从轻量级的网页端采集的仿真数据迁移到 Isaac Sim 里做重放和数据增强，一边重放一边改场景材质、光照、相机角度、物理参数。就像拿同一道菜谱，换不同的锅、不同的火、不同的食材再做一遍，一条原始数据就能扩展出很多训练样本。

加工完也不是直接一股脑喂给大模型，还要经过成功条件检查、异常过滤和格式统一，才能进入模型训练。一轮训练完成后，我们会让模型在仿真和评测环境中执行任务，观察它在哪些场景和状态下容易失败，再把这些薄弱环节转化成新的定向采集任务。

模型先自主执行任务，一旦偏离正确路径，贡献者就接管并提供纠正动作。这些纠错数据会重新进入训练，让模型逐步学会处理原来不会的情况。这个飞轮不断转，数据、模型和机器人的能力就一起往上走。

所以 V2 的意义不只是多了几个功能，而是让 Axis 从一个「收数据的」变成了一套「能帮模型变聪明」的完整系统。

BlockBeats 问：Axis 最近发布了 Dataset V1，这个数据集为什么重要，它具体证明了什么？

Chris: Dataset V1 最重要的地方，不是它单纯增加了一批数据，而是它初步验证了一件事：来自大量普通贡献者的仿真操作，在经过任务设计、成功检查、过滤、平滑和数据增强之后，可以形成对机器人预训练有用的信号。

V1 包含 207 个操作任务、超过 5 万条轨迹和 6 万多个任务及场景变体。在公开的 LIBERO-Plus 评测中，用完整 AXIS 数据继续预训练后，π0.5 的总体成功率从 83.9 提升到 88.8，提高了 4.9 个百分点。相同数据量的 RoboCasa 对照组是 57.5。这至少说明，在这套评测条件下，模型提升不只取决于单条数据数量，更和任务、场景、视角以及扰动条件是否足够多样有关。

今年我们会发布 Dataset V2，会继续扩大规模，并覆盖更多机器人形态、任务和场景。

BlockBeats 问：Axis 如何判断一条数据是否有价值？评判标准大概有哪些？

Chris：我们不会只看一条数据「有没有采到」，而是会连续问几个问题：它干不干净、是不是带来了新东西、能不能在真实世界里派上用场，以及它有没有帮模型补上真正的短板。

第一关看能不能用。操作有没有做完？中间有没有卡死、掉线？动作重放能不能复现？有没有设备卡顿、操作飘移，或者物体穿过去了这种不符合物理规律的情况？我们还会拿这批数据训练一个轻量模型做快速体检，如果连这一关都过不了，这批数据就不会进入训练池。

第二关看有没有新信息。机器人最怕的就是反复刷已经会的题。我们会看这条轨迹的场景、物体、交互方式，跟已有数据到底有多不一样。出现了少见的场景布局、特殊材质、罕见的操作方式，价值就高。大量重复的「拿起来放下去」当然也有用，但更多是补基数。真正值得重点投入的，是那种多个物体互相挡着、需要连续好几步才能搞定的复合任务，这类数据才能逼着模型学会举一反三。

第三关看能不能从仿真走到现实。仿真数据不是越多越好，关键是有没有把真实世界的变化考虑进去，光线换了行不行？材质变了呢？摩擦力不一样呢？相机角度歪了呢？这些变量扰动得越充分，模型上了真机就越不容易「见光死」。如果一段仿真数据永远发生在同一种理想条件下，它只能做基础预训练的垫底素材，迁移到真实世界的价值很有限。

最后看对长期迭代的贡献。模型在真机上翻车了，人接管纠正出来的那一小段轨迹，往往特别值钱——它精准告诉我们模型到底哪里不会。新任务、新机型带来的全新轨迹也一样，能帮模型快速扩大能力边界。反过来，如果某个简单任务模型已经做得很稳了，再堆类似数据，收益就递减了。

所以一条好数据不只是「格式正确」。它要干净、有新意、能落到真实世界里，还要能推动模型继续进步。我们希望把有限的采集资源花在真正能让机器人变聪明的数据上。

BlockBeats 问：既然 Axis 是机器人公司，为什么还需要区块链技术？Axis 选择了 Base 链，能不能具体讲讲原因？

Chris：这是个很犀利、也很重要的问题。我们的逻辑很简单：Axis 首先是在解决 Physical AI 的数据瓶颈，而要解决这件事，需要全球大量普通贡献者参与。区块链技术不是主角，它更像一套高效的基础工具，用来做溯源、验证、激励和分配。

在大语言模型时代，训练数据在很大程度上是一个「黑箱」：数据从哪来、怎么被处理、贡献者的价值怎么被确认，外界很难看清。但 Physical AI 直接关系到机器人在真实世界里的动作，数据质量会影响安全性，所以这种黑箱不能被简单接受。

我们把 Physical AI 的部分数据生产过程放到 Base 上，是希望把这件事做得更透明。Base 是建立在以太坊上的低成本区块链网络。具体来说，任务编号、数据轨迹编号、用户编号以及它们之间的关联都会被记录下来。这样，每一条动作轨迹、每一位贡献者都可以追踪、审计，也可以获得对应激励。

此外，我们需要一个社区覆盖广、参与门槛低的网络。Base 的社区非常全球化，且 Base 链使用成本较低、交易确认快，也便于我们记录贡献和发放激励。

更重要的是，我们奖励的不是单纯的数量，而是高质量贡献。对于机器人模型，垃圾数据不只是没用，甚至可能有害。我们通过双层评分和积分体系来判断一条数据到底有没有帮到模型，贡献越好、评分越高、奖励越多。Base 链的高效和低成本，完美契合了我们这种高频、微小激励的全球协作需求。

谁会为机器人数据闭环买单

BlockBeats 问：Axis 目前的商业化路径是怎样的？围绕机器人数据采集、模型训练和实际部署，你们主要为客户提供哪些产品或服务？现有的客户对这套模式给出了怎样的反馈？

Chris：我们的商业化路径比较清晰，核心是服务三类客户，并按他们各自的问题提供端到端方案。

第一类是机器人硬件和具身公司，比如 Booster Robotics 、Feagine Robotics 和 AgiBot。他们有自己的硬件，但往往还需要更定制化的数据和能直接部署的模型，才能把操作能力补齐。我们可以从任务设计开始，帮他们做数据采集、模型训练和部署，也会为他们的下游客户提供数据解决方案。

第二类是做视觉—语言—动作模型或世界模型的模型公司，比如 Manycore Tech 和 SomaStacks。世界模型的作用，是让机器学习理解环境会怎样变化。他们需要大量高质量的操作数据来训练通用模型，我们为他们提供高质量的任务集和数据集，也可以一起做联合训练。

第三类是垂直行业企业，比如莲花跑车（Lotus）和吉利汽车。他们关心的不是模型多先进，而是怎么把机器人真正用进生产线，所以我们提供的是以机器学习方法为基础的端到端自动化方案。

我们比较看重系统能力，因此交付不只是一包数据。客户需要什么、内部能力边界在哪里，我们就可以相应调整：既能提供数据，也能把基于数据的解决方案一起交付。这样既能提高我们服务客户的竞争力，也更能直接帮助客户提效和提质。

BlockBeats 问：Axis 的合作伙伴、客户都有哪些？不同客户来到 Axis 时，他们的需求一般是什么？

Chris：刚才提到的几类公司，都是我们的代表性客户。他们表面上都在说「缺数据」，但实际缺的东西并不一样。

比如一家硬件厂商，可能刚做出一款很不错的机械臂，可一到客户现场，只要光线变了，或者物品摆放换了个位置，机器人就抓不准了。他们来找 Axis，真正想解决的是：怎么让机器人在更多环境下都能稳定工作。

我们给他们的不是一堆杂乱的视频，而是经过多维度多样性生成、清洗和语义标注的结构化数据。必要时，我们也会直接帮他们训练策略。最终要交付的结果，是让他们的硬件在非结构化环境里更稳、更有泛化能力。

BlockBeats 问：从平台上线至今，你们能不能分享一些还没有公开过的真实运营数据，比如有效注册贡献者数量、任务发布数量、累计轨迹，以及高质量用户的活跃和贡献情况？

Chris：平台上线至今 15 周，我们累计注册贡献者已经超过 8 万。这个数字已经剔除了机器人账号等无效地址，是真实有效的数据。我们一共发布了 1600 个用于预训练的机器学习任务，累计收集了超过 200 万条数据轨迹，换算下来大约是 3500 小时的高质量数据。

但我们更看重的是用户质量和粘性。目前，高质量贡献者大约有 2 万人，占比约 30%。过去 30 天，这批用户里有 7800 人保持活跃；过去 7 天活跃的有 5300 人，周活和月活的比率达到 68%。他们在过去 30 天和过去 7 天分别贡献了 68 万条和 16 万条轨迹。

这种活跃度和参与深度，让我们看到用户对「训练即贡献、贡献可获得激励」模式的兴趣，也说明我们的社区正在形成一个相对成熟、稳定的机器人智能贡献者网络。

四、行业真正的拐点，和 Axis 的位置

BlockBeats 问：过去两年，各种人形机器人、VLA、Physical AI 都很热，但大多数普通人还没有真正用上机器人。你觉得机器人距离大规模爆发还要多久？真正的拐点会是什么，是硬件成本下降、模型能力跃迁，还是数据基础设施成熟？

Chris：我们认为，真正的拐点还是数据基础设施成熟。

硬件成本其实已经在快速下降。中国供应链的优势，让机器人的制造成本不再是遥不可及的天堑。但普通人为什么还没大规模用上机器人？核心原因是机器人还不够聪明，它们对真实世界的物理规律和人类意图，缺少足够的常识理解。

这就好比你有了一辆造价很低的车，发动机也不错，但没有驾照、没上过路——光有硬件和算法，没有足够的「路上经验」，车还是开不好。只有当我们能像今天抓取网页一样，低成本、规模化地获得物理世界的交互数据，并把它变成模型能消化的养料，机器人才会真正爆发。

我们觉得这个拐点越来越近了，Axis 想做的就是把它再往前推一把。

BlockBeats 问：机器人行业里，大模型公司和整机公司未来可能都会自建数据。面对这些数据自建团队，以及 Axis 目前的同赛道友商，Axis 的长期护城河是什么？是贡献者网络、任务生成能力、数据质量控制、客户场景，还是闭环训练效果？

Chris：这是一个非常关键、也非常现实的问题。大模型公司和整机厂商未来一定会自建数据团队，这几乎是行业发展的必然结果。但真正的竞争，不是谁能不能自己采数据，而是谁能搭出一套跨场景、能规模化、还能持续优化的数据基础设施。

短期大家拼的是数据覆盖度和多样性；中期拼的是把数据转成模型能力的效率；长期拼的是谁能真正嵌入客户的智能生产体系，成为不容易被替换的一环。

Axis 的护城河不会只是某一个单点，比如贡献者网络、采集效率或数据处理能力。单点能力都可能被复制，我们更在意的是把这些能力连成一个不断增强的闭环，并慢慢嵌进客户的训练流程。

对客户来说，接入 Axis 应该很轻，不需要复杂许可，可以很快发布任务、拿到数据。但一旦客户开始使用我们的仿真资产体系、分布式采集网络和模型纠错闭环，双方的训练流程就会逐渐耦合。要换掉我们，客户不只是换一家数据供应商，而是要重新搭仿真基础设施、重建贡献者网络、数据处理管线和后训练纠错流程。我们的护城河不是封闭，而是这种结构性的嵌入。

我们也特别看重和模型一起进化的能力。如果只是卖数据，当然随时可能被替代；但如果我们能持续发现模型短板、设计针对性任务、提供后训练的纠错数据，并实实在在帮客户提升成功率和鲁棒性，我们就成了模型优化闭环的一部分。那时，我们和客户的关系不再只是供应商和采购方，而更像共同建设者。

未来 18 个月，行业会很缺大规模、高覆盖的数据，量和多样性仍是核心。再往后三年，行业可能更需要特定领域、特定场景的专业数据。我们真正想积累的资产不是某一类数据，而是一套可编程的任务生成系统、可调度的分布式贡献网络和持续优化的训练闭环。它既能横向扩展到更多行业，也能纵向深入一个垂直领域。

如果用一句话总结，短期拼规模，中期拼效率，长期拼嵌入。Axis 的目标是成为 Physical AI 智能生产体系的一部分，而不是一家可以被轻易替换的数据供应商。

BlockBeats 问：融资之后的 6—12 个月，Axis 最主要的任务和目标是什么？是继续扩大数据规模，验证更多真实机器人任务，还是拿下更多付费客户？如果一年后回看，你们希望外界用什么关键词描述 Axis？

Chris：接下来的 6 到 12 个月，我们会同时推进产品、生态和商业化。

产品上，V2 已经把我们从单向采集平台推进成了完整的训练闭环，接下来要做的是把这套系统真正跑起来、跑出规模。9 月进一步铺开第一视角数据采集管线，目前已经积累了数万小时数据，也在和北美前沿模型实验室对需求。10 月前后我们计划发布数据集的 V2 版本，覆盖更多机器人形态和原子能力。年底之前发布首个大规模 Human-Gated DAgger 后训练数据集。

生态上，我们会继续扩张全球网络，进入拉美和欧洲市场，未来 6 到 12 个月，我们希望将第一视角数据的稳定日产能保持在 500 小时以上，将仿真数据的日产能提升至 50 小时以上，并逐步扩大 DAgger 后训练数据的生产能力。

商业化上，我们的目标是在年底完成 2 到 3 个新的付费试点项目，并在明年初进入基础模型公司的优选供应商名单。

如果一年后回看，我们希望大家会用「规模、多样性、闭环」这三个词来描述 Axis。规模是我们能持续提供行业级的数据供给；多样性是我们真正覆盖到了现实世界的复杂度；闭环是我们不只生成数据，还能围绕模型短板持续优化。

更重要的是，我们希望行业提到 Axis 时，会说：「这是一个让机器人模型进化更快的系统。」我们解决的不只是数据数量问题，更是模型进化效率问题。只要客户接入 Axis 后，模型迭代更快、成功率更高、场景覆盖更广，那就是我们的价值所在。