액시스 로보틱스 창립자 인터뷰: 로봇 데이터가 자본의 새로운 총아로 떠오르고 있다. 삽 판매상 은 어떻게 돈을 벌 수 있을까?

2026년 상반기, 중국의 실물 AI 데이터 스타트업 25곳이 총 170억 위안 이상의 투자를 유치했습니다. 실물 AI 데이터는 비교적 숨겨진 인프라 구성 요소에서 치열한 경쟁이 펼쳐지는 새로운 영역으로 빠르게 변모하고 있습니다.

글쓴이: 젠, PANews

지난 1년 동안 로봇공학/물리적 AI 데이터는 비교적 숨겨진 인프라 구성 요소에서 치열한 경쟁이 벌어지는 새로운 영역으로 빠르게 변모했으며, "실체화된 지능의 삽 판매상"으로 불리는 이 분야에 자본이 놀라운 속도로 쏟아져 들어오고 있습니다.

이러한 온난화 추세는 특히 중국에서 두드러지게 나타납니다. 2026년 상반기에만 중국의 지능형 데이터 스타트업 25곳이 총 170억 위안 이상의 투자를 유치했습니다. 그중 라이트휠 인텔리전스는 올해 안에 여러 차례 대규모 투자를 성공적으로 마무리했으며, 지위안 로보틱스가 육성한 데이터 기업인 미펑 테크놀로지 역시 설립 직후 수억 위안의 투자를 빠르게 유치했습니다.

해외 시장에서도 로봇 훈련 데이터 전문 스타트업들이 속속 등장하고 있다. XDOF는 올해 6월 7천만 달러 규모의 투자 유치를 완료했다고 발표했고, Axis Robotics는 7월 말 Hack VC가 주도한 1천2백만 달러 규모의 시드 투자를 유치했다.

Axis는 스스로를 "물리적 AI 데이터 엔진"으로 자리매김하고 있으며, 현재 분산형 참여자 네트워크와 웹 기반 시뮬레이션 데이터 수집을 핵심 진입점으로 삼고 1인칭 시점 및 모델 학습 후 데이터와 같은 다양한 데이터 형식으로 확장하고 있습니다. 브라우저 기반 원격 조작을 통해 이미 220만 개 이상의 로봇 궤적 데이터를 수집했으며, 총 데이터 저장 시간은 28,000시간에 달합니다.

하지만 상당한 자본 투자에도 불구하고 로봇 데이터 시장은 여전히 빠르게 진화하고 있지만 명확하게 정의되지 않은 분야입니다. 데이터 수요의 궁극적인 규모부터 실제 기기, 시뮬레이션, 1인칭 시점 등 다양한 접근 방식 중 어떤 것을 선택해야 하는지, 그리고 데이터 기업이 지속 가능한 비즈니스 모델을 개발할 수 있는지 여부에 이르기까지 많은 핵심적인 질문들이 해결되지 않은 채 남아 있습니다.

PANews는 Axis Robotics의 창립자인 크리스 펑과 이러한 문제들뿐만 아니라 Axis 자체의 데이터 생산 모델, 기술 로드맵 및 향후 개발 계획에 대해 이야기를 나눴습니다.

물리적 AI 시대의 데이터 격차

크리스는 로봇 본체나 알고리즘으로 시작한 것이 아니라 컨설팅, 투자 및 데이터 인프라를 통해 로봇 데이터 분야에 발을 들였습니다.

그가 로봇공학 분야에 뛰어들게 된 진정한 이유는 물리적 인공지능 시대의 도래 이후 발생한 엄청난 데이터 격차 때문이었습니다.

크리스는 "GPT-3를 기준으로 학습시키려면 약 1,500만 시간의 인간 인터넷 데이터가 필요합니다."라고 말했습니다. "로봇이 다뤄야 하는 물리적 세계는 디지털 세계보다 훨씬 더 복잡합니다. 로봇은 인식 및 논리적 능력뿐만 아니라 공간, 움직임, 사물의 상태, 그리고 움직임 후에 발생할 변화를 이해하는 능력도 필요합니다."

따라서 로봇공학 분야가 자체적인 "GPT 시대"를 맞이하려면 필요한 데이터는 1억 시간 또는 그 이상에 달할 수 있습니다. 데이터 규모의 상당한 차이 외에도, 두 분야의 데이터 기반은 완전히 비교할 수 없습니다.

대규모 언어 모델이 등장하기 수십 년 전부터 인터넷은 발전해 왔습니다. 다양한 웹 페이지, 서적, 포럼, 코드 라이브러리 및 방대한 양의 디지털 콘텐츠가 오랜 기간에 걸쳐 축적되어 자연스러운 데이터 자원을 형성했습니다.

하지만 현실 세계에서 인간의 행동은 이와 같은 체계적인 기록 과정을 거치지 않았습니다. 사람들은 매일 요리하고, 물건을 정리하고, 도구를 사용하지만, 이러한 행동들은 지속적으로 기록되는 경우가 드물고, 더군다나 로봇 훈련에 직접 사용할 수 있는 표준화된 데이터로 대규모로 변환되는 경우는 더욱 드뭅니다.

VLA 모델 및 월드 모델과 같은 기술의 발전으로 로봇 모델링 업체들이 이러한 유형의 데이터에 대한 가장 직접적인 수요처가 되었으며, 일부 로봇 본체 업체들도 모델링 및 데이터 역량을 동시에 구축하고 있습니다. 이와 동시에 로봇의 형태 자체도 휴머노이드 로봇과 로봇 팔에서부터 산업 및 서비스 시나리오에 맞춰 설계된 특수 장비에 이르기까지 빠르게 다양화되고 있습니다. 이러한 다양한 모델과 본체는 더욱 차별화된 데이터 요구 사항을 만들어내고 있습니다.

수요가 지속적으로 증가함에 따라 기존 데이터 생산 방식의 한계가 빠르게 드러나고 있습니다.

초창기 로봇 회사들은 일반적으로 실제 로봇을 원격으로 조작하는 방식에 의존했습니다. 이 방식에서는 사람이 직접 로봇을 조종하여 작업을 완료하고 로봇의 움직임 궤적을 기록했습니다. 이러한 유형의 데이터는 실제 로봇의 데이터와 가장 유사했지만, 데이터 생성 속도가 느리고 비용이 많이 들었으며, 로봇의 수, 사용 가능한 공간, 운영 인력의 규모에 따라 제한적이었습니다.

더욱 중요한 것은 현실 세계는 매우 복잡하고 다양하기 때문에 기업 내 제한된 수의 로봇과 데이터 수집 시나리오에만 의존해서는 모델이 미래에 마주할 수 있는 환경을 모두 포괄하기 어렵다는 점입니다. 만약 기본 로봇 모델이 궁극적으로 수천만 시간, 혹은 그 이상의 데이터를 필요로 한다면, 단순히 로봇, 시설, 원격 운영자를 지속적으로 추가하는 방식으로는 비용 효율적인 선형 확장을 달성하기 어렵습니다.

따라서, 제어 가능한 비용과 확장 가능한 방식으로 모델 성능을 실질적으로 향상시킬 수 있는 충분히 다양한 데이터를 지속적으로 생산하는 방법은 물리 AI 데이터 산업이 직면한 핵심 과제 중 하나가 되었으며, 독립적인 로봇 데이터 기업들이 경쟁하는 사업 기회이기도 합니다.

로봇 데이터의 "피라미드": 정확도, 확장성, 일반화 능력 간의 절충점

로봇 데이터는 훨씬 더 복잡한 문제를 제기합니다. 서로 다른 출처의 데이터는 진위성, 비용, 확장성 및 개체 간 재사용 기능 측면에서 크게 다릅니다.

크리스는 현재 주요 접근 방식을 대략적으로 실제 로봇 원격 조작, 시뮬레이션, 그리고 인간의 1인칭 시점 데이터로 나눕니다. 데이터와 로봇 자체 간의 직접적인 일치 정도를 살펴보면 대략적인 "피라미드" 구조를 형성할 수 있습니다.

피라미드의 꼭대기에는 실제 리모컨이 있습니다.

작업자는 실제 로봇을 직접 제어하여 물체를 잡고, 놓고, 이동시키는 등의 작업을 수행하며, 동시에 센서는 로봇의 관절, 엔드 이펙터, 비전 및 동작에서 신호를 기록합니다. 이러한 유형의 데이터의 가장 큰 장점은 학습 데이터 자체가 실제 로봇에서 얻은 것이므로 가장 완벽한 물리적 정보를 제공하고 데이터와 목표 로봇 간의 차이를 최소화한다는 점입니다.

하지만 실제 로봇 데이터의 비용과 규모 또한 중요한 문제입니다. 업계 자료에 따르면 고품질 실제 로봇 원격 조작 데이터를 1시간 동안 수집하는 데 드는 총비용은 200달러에 달할 수 있습니다. 더욱 중요한 것은 이러한 유형의 데이터는 특정 로봇 본체에 특화되어 있어 다른 로봇에 재사용하기 어렵다는 점입니다. 예를 들어, 유니트리 G1에서 수집한 동작 궤적은 형태가 다른 로봇에 직접 적용할 수 없습니다.

피라미드의 중심에는 시뮬레이션 데이터가 있습니다.

로봇 시뮬레이션은 실제 로봇의 크기, 관절, 동작 범위 및 작업 환경을 가상 공간에 최대한 가깝게 재현하여 작업자 또는 프로그램이 가상 로봇을 제어하여 작업을 완료할 수 있도록 합니다. 로봇 연구 개발에 일반적으로 사용되는 시뮬레이션 플랫폼으로는 Isaac Sim과 MuJoCo가 있습니다.

현실 세계와 비교했을 때 시뮬레이션의 핵심적인 장점은 확장성과 제어 용이성입니다. 현실에서는 데이터 수집을 위해 수천 개의 주방, 창고, 공장을 반복적으로 건설하는 것이 불가능하지만, 가상 환경에서는 유사한 장면을 신속하게 복제하고 병렬로 실행할 수 있습니다. 또한 조명, 재료, 카메라 위치, 객체 유형, 공간 배치 등의 매개변수를 변경하여 기존의 궤적을 다양한 환경으로 확장할 수 있습니다.

동시에 시뮬레이션 환경에서의 작업 상태를 보다 정확하게 파악할 수 있습니다. 예를 들어, 작업 완료 여부, 로봇 팔 충돌 여부, 객체의 최종 위치 등을 모두 환경에서 직접 확인할 수 있어 데이터 검증 및 자동 필터링이 용이해집니다.

하지만 시뮬레이션 데이터의 한계 또한 분명합니다. 가상 환경은 현실 세계를 완벽하게 재현할 수 없습니다. 마찰, 물체 변형, 접촉 상태, 센서 노이즈, 그리고 제어할 수 없는 수많은 요인들로 인해 시뮬레이션에서는 모델이 우수한 성능을 보이더라도 실제 로봇에 적용했을 때는 성능 저하를 초래할 수 있습니다. 시뮬레이션과 현실 사이의 이러한 격차를 해소하는 것은 로봇 연구의 핵심 과제 중 하나입니다.

지난 2년간 상당한 주목을 받은 또 다른 경로는 피라미드의 가장 아래쪽에 위치한 인간의 1인칭 시점에서 얻은 데이터입니다.

이러한 방법들은 데이터 제공자들이 머리에 장착하는 카메라, 고프로 등을 착용하거나 단순히 스마트폰으로 요리, 옷 개기, 방 정리, 도구 사용과 같은 일상생활 행동을 녹화함으로써 값비싼 로봇 본체에 대한 의존도를 줄이려는 시도입니다.

기본적인 논리는 미래 로봇의 시각 및 운동 논리가 인간과 매우 유사하다면, "인간이 세상과 상호작용하는 방식"에 대한 대규모 기록이 이론적으로 로봇의 기본 모델에 매우 풍부한 데이터를 제공할 수 있다는 것입니다.

1인칭 시점 데이터의 가장 매력적인 측면은 잠재적인 규모와 환경적 다양성에 있습니다. 원격 조작을 위해 수많은 로봇을 배치하는 것과 비교했을 때, 일반 사람들이 가정, 공장, 쇼핑몰과 같은 실제 환경에서 자신의 행동을 기록하도록 하는 것은 비용 효율적이고 진입 장벽이 낮아 광범위하고 다양한 환경을 쉽게 포괄할 수 있습니다.

하지만 크리스는 인간의 1인칭 데이터와 관련하여 불확실성이 매우 크다는 점도 지적했습니다. 즉, 해당 데이터의 훈련 가치는 로봇의 미래 물리적 형태에 크게 좌우된다는 것입니다.

만약 로봇이 바퀴 달린 차체, 로봇 팔, 특수 집게와 같은 비인간형 설계를 채택한다면, 동작 수준에서 인간의 조작 데이터를 직접 전달하는 가치는 크게 떨어질 것입니다. 미래에 인간형 로봇이 주류가 된다 하더라도, 로봇은 인간의 움직임을 직접적으로 모방할 수 없습니다. 손과 몸의 움직임은 여전히 로봇 관절과 로봇 팔이 실행할 수 있는 궤적으로 변환되어야 합니다.

자주 간과되는 또 다른 문제는 시각적 관점입니다. 이상적으로는 1인칭 시점 데이터가 사람의 시각적 위치와 최대한 유사해야 하지만, 다양한 데이터 수집 장치가 머리, 가슴 또는 다른 위치에 장착될 수 있습니다. 관점의 변화는 손, 물체 및 카메라 사이의 공간적 관계를 크게 바꾸어 놓으므로, 3D 공간과 조작 관계를 학습해야 하는 로봇 모델에게는 상당한 어려움이 됩니다.

따라서 크리스의 관점에서 실사 영상, 시뮬레이션, 그리고 1인칭 시점 데이터는 단순히 서로 대체할 수 있는 것이 아닙니다. 각각 다른 문제를 해결하는데, 실사 영상은 정확성을 보장하고, 시뮬레이션은 크기 조정을 처리하며, 사람이 직접 촬영한 영상은 실제 환경의 다양성을 제공합니다. 미래의 로봇 데이터 시스템은 이러한 다양한 데이터 소스의 조합과 상호 보완적인 활용을 통해 발전할 가능성이 더 높습니다.

더욱이 최근 연구들은 "최적의 데이터"만을 추구하는 것에 대한 중요성을 낮추고 있습니다. 다이나 로보틱스의 최신 로봇 다이나-2는 100만 시간 이상의 1인칭 시점 인간 비디오 영상만을 사용하여 훈련되었으며, 인간 행동 데이터를 로봇 기능에 적용하는 과정에서 규모의 효과가 나타나는 것을 확인했습니다. 액시스의 연구 또한 필터링 및 처리된 시뮬레이션 궤적을 통해 데이터 양이 증가함에 따라 모델 성능을 지속적으로 향상시킬 수 있음을 보여줍니다.

데이터 생산자가 되어 물리적 AI 데이터 엔진을 구축하세요.

단순히 단일 데이터 포인트와 목표 온톨로지 간의 높은 일치도를 추구하는 것보다 규모, 다양성, 그리고 모델 기능으로의 실질적인 변환 가능성이 중요한 지표로 떠오르고 있습니다. 따라서 로봇 데이터 기업은 단일 데이터 수집 방식에만 의존해서는 끊임없이 변화하는 모델의 요구 사항을 충족하기 어렵습니다. 이는 더 근본적인 질문으로 이어집니다. 데이터 기업은 단순히 고객 요구 사항에 따라 데이터 수집 및 처리를 완료해야 할까요, 아니면 모델 학습에 필요한 데이터의 설계 및 생산에 더 깊이 관여해야 할까요?

Axis는 후자를 선택하여 스스로를 "물리적 AI 데이터 엔진"으로 포지셔닝했습니다. 크리스의 관점에서 "데이터 주석"과 "데이터 생산"은 동일한 수준의 비즈니스가 아닙니다.

데이터 어노테이션은 기존 데이터를 다루는 작업입니다. 클라이언트는 어떤 데이터를 어떻게 어노테이션할지 결정하고, 서비스 제공업체는 규칙에 따라 어노테이션을 실행합니다. 반면 데이터 프로덕션은 한 단계 더 나아갑니다. 데이터 기업은 데이터 수집 및 처리뿐만 아니라, 모델에 부족한 데이터가 무엇인지 파악하고, 학습 목표에 맞춰 작업 설계 및 데이터 수집을 구성하며, 모델 성능에 따라 다음 데이터 수집 단계를 조정하는 데 참여해야 합니다.

예를 들어, 로봇 모델이 주방 작업을 학습해야 한다면, 데이터 회사는 어떤 작업을 설계해야 하는지, 잡기, 밀기, 당기기, 열기, 닫기와 같은 기본 동작을 어떻게 조합해야 하는지, 심층적인 정보가 필요한지, 카메라를 어떻게 배치해야 하는지, 그리고 어떤 오류 사례를 수집할 가치가 있는지 등을 추가적으로 결정해야 합니다.

크리스는 Axis가 Booster Robotics 및 Qingyu Technology와 같은 고객과의 비즈니스 협력을 단순한 데이터 제공에서 "모델 학습 목표를 중심으로 한 맞춤형 데이터 생산 솔루션"으로 발전시켰다고 밝혔습니다. 예를 들어, Booster Robotics와의 협력에서 Axis는 Booster T1의 시각 입력 및 동작 공간에 최적화된 전용 기반 모델을 개발했습니다. 이러한 접근 방식은 최소한의 샘플 크기로 특정 작업을 신속하게 전이하고 반복할 수 있도록 지원하여, 인공지능 개발의 진입 장벽과 엔지니어링 적응 비용을 크게 줄여줍니다.

이것이 바로 Axis가 "데이터 공장"보다는 "데이터 엔진"을 강조하는 이유입니다. 크리스에 따르면, 기업 고객은 먼저 목표 시나리오와 필요한 역량을 제안할 수 있으며, Axis는 그에 맞춰 작업을 설계하고 분산된 기여자 네트워크를 통해 데이터 수집을 완료합니다.

크리스는 "AXIS는 고객에게 데이터를 제공하는 것 외에도 데이터 세트 및 모델 검증에 대한 학술 연구를 수행하고 있습니다."라고 말했습니다. AXIS 팀이 올해 상반기에 공개한 AXIS Franka 데이터 세트는 Franka Research 3 로봇 팔을 위한 최대 규모의 오픈 소스 로봇 조작 데이터 세트 중 하나로, 207개의 다양한 조작 작업, 5만 개 이상의 인간 시연 궤적, 그리고 6만 개 이상의 작업 시나리오 변형을 포함하고 있습니다.

훈련 평가 단계에서 연구팀은 이 데이터셋을 사용하여 최첨단 VLA 모델 π 0.5를 지속적으로 사전 훈련했습니다. 실험 결과에 따르면 AXIS-100% 데이터 스냅샷을 사용하여 훈련된 모델은 LIBERO-Plus 강건성 벤치마크에서 88.8%의 전체 성공률을 달성하며 탁월한 성능을 보였습니다.

크리스는 또한 AXIS Franka 데이터셋이 실제 환경의 간섭에 대한 모델의 견고성을 크게 향상시킨다고 밝혔습니다. 센서 노이즈 및 카메라 시점 변화와 같은 문제 상황에서 모델의 견고성은 각각 13.7%와 11.3% 향상되었습니다. 그의 연구는 데이터셋 스냅샷이 25%에서 100%로 증가함에 따라 모델의 조작 일반화 능력이 안정적으로 확장되는 추세를 보이며, 데이터 크기와 하위 작업 일반화 능력 사이에 양의 상관관계가 있음을 입증했습니다.

그들은 단일 데이터 형식에 의존하는 대신 "로봇 공학 분야의 서지 AI"가 되는 것을 목표로 합니다.

로봇 데이터 시장은 여전히 빠르게 변화하고 있으며, 아직 안정적인 패러다임이 정립되지 않았습니다.

지난 몇 년 동안 업계의 관심은 실제 기기 원격 조작에서 시뮬레이션 및 1인칭 시점과 같은 데이터 소스로 점차 확대되었습니다. 기본 모델이 심층 학습 단계에 접어들면서 고장 상태, 오류 수정 프로세스 및 복구 궤적을 수집하는 것 또한 새로운 데이터 요구 사항으로 자리 잡았습니다.

"만약 시장이 지금 1인칭 시점의 데이터를 필요로 한다면, 저는 1인칭 시점의 데이터만 생산할 겁니다. 하지만 6개월 후에 사람들이 더 이상 그런 데이터를 필요로 하지 않는다면 어떻게 하죠?" 따라서 크리스는 액시스를 특정 유형의 데이터만 생산하는 회사로 규정하는 것을 꺼립니다.

그의 접근 방식은 비교적 안정적인 기본 기능과 끊임없이 진화하는 데이터 수집 방법을 분리하는 것입니다. 기본 계층은 분산 기여자 네트워크, 작업 관리, 데이터 검증, 정제, 향상 및 처리 파이프라인과 같은 인프라로 구성되며, 상위 계층은 모델과 고객 요구 사항에 따라 다양한 데이터 제품 및 수집 방법에 연결됩니다.

현재 Axis는 웹 기반 시뮬레이션 데이터 수집을 시작으로 점차 1인칭 시점 데이터 및 사후 학습 모델로 확장하고 있습니다. 크리스는 최신 제품에 모델 편향 및 오류 상태에 대한 오류 수정 데이터 수집 기능이 추가되었으며, DAgger와 같은 사후 학습 데이터의 수집 및 처리를 발전시켜 연말 이전에 첫 번째 대규모 휴먼 게이트 DAgger 사후 학습 데이터 세트를 공개할 계획이라고 설명했습니다.

그의 견해로는 로봇 모델이 지속적으로 발전함에 따라 데이터 파트너의 가치 또한 변화할 것입니다. 데이터 기업의 역량을 측정할 때는 단순히 한 번에 얼마나 많은 데이터를 제공할 수 있는지에만 초점을 맞춰서는 안 되며, 오히려 고품질 데이터를 꾸준히 생산하는 능력, 지속적으로 작동하는 데이터 제공자 네트워크와 데이터 처리 도구를 보유하는 능력, 그리고 모델 성능에 따라 차기 데이터의 내용과 구조를 신속하게 조정할 수 있는 능력을 고려해야 합니다.

이러한 접근 방식은 Scale AI와 Surge AI의 개발 과정에서 영감을 얻었으며, 특히 크리스는 Surge AI에 집중했습니다. 그는 Axis가 미래에 "로봇 공학 분야의 Surge AI"가 되기를 희망합니다.

크리스의 관점에서 Surge AI의 강점은 방대한 데이터 주석 리소스를 보유하고 있다는 점뿐만 아니라, 대규모 모델 학습 후 처리부터 에이전트 학습 환경과 같은 새로운 측면에 이르기까지 모델 요구 사항의 변화에 항상 발맞춰 나가는 데 있습니다.

특정 데이터 형식에 얽매이지 않고 물리적 AI 모델의 훈련 방식이 변화함에 따라 제공하는 데이터와 도구를 지속적으로 조정하는 이러한 능력은 Axis가 진정으로 재현하고자 하는 역량입니다.

기여도 인센티브 및 데이터 추적을 위한 블록체인 활용

경쟁사들과 달리 Axis는 블록체인이라는 비교적 독특한 브랜드 이미지를 가지고 있습니다.

로봇 데이터 자체의 생성 과정에는 블록체인이 필요하지 않습니다. 시뮬레이션은 기존 로봇 환경에서 실행되며, 모델 학습은 다른 AI 기업과 다르지 않습니다. 블록체인은 데이터가 생성된 후에야 비로소 중요한 역할을 합니다. Axis는 검증된 데이터 궤적에 데이터 ID를 생성하고, Base 플랫폼에 작업, 데이터, 기여자 간의 관계를 기록합니다.

크리스는 블록체인 기술이 주로 두 가지 문제를 해결한다고 말했습니다.

첫째, 데이터 기여에 대한 동기가 있습니다. 전 세계에 분산된 사용자들이 데이터를 생성할 때, 각 사용자가 생성하는 데이터의 양과 질은 다양합니다. 플랫폼은 누가 어떤 데이터를 제공했는지, 그리고 그 데이터가 요구 사항을 실제로 충족하는지 여부를 파악해야 합니다. 데이터 기여자에게 있어 핵심은 얼마나 많은 데이터를 제공했는지가 아니라, 누가 진정으로 효과적인 데이터를 제공하는가입니다.

둘째로, 출처 추적 문제가 있습니다. 현재 AI 모델 학습 과정은 대부분 블랙박스 방식입니다. 외부인들은 보통 최종 모델만 볼 수 있을 뿐, 특정 기능이 어떤 데이터에서 비롯되었는지, 또는 누가 그 데이터를 생성했는지 정확히 파악하기 어렵습니다. 작업, 진행 과정, 그리고 기여자 간의 관계를 지속적으로 기록할 수 있다면, 향후 고객이 데이터를 구매할 때 최소한 비교적 완전한 출처 기록을 보존할 수 있을 것입니다.

Axis는 이미 사용자 기여도를 기록하고 측정하는 포인트 시스템을 도입했습니다. 크리스는 향후 토큰이 발행될 경우 기여 포인트가 인센티브가 될 수 있다고 언급했으며, 기여자의 데이터가 상업화될 경우 수익 공유 참여를 허용하는 방안도 검토 중이라고 밝혔습니다.

하지만 이러한 메커니즘은 아직 설계 및 개선 단계에 있습니다. 크리스는 토큰 경제를 먼저 구축한 다음 적용 시나리오를 찾는 것보다 블록체인이 실제로 해결할 수 있는 실질적인 문제를 먼저 파악하는 것이 중요하다고 강조합니다.

"저는 제 자신을 암호화폐 봇 회사라고 생각해 본 적이 없습니다."

그의 정의에 따르면, Axis는 무엇보다도 로봇 데이터 회사입니다. 블록체인이 기여 인센티브 및 데이터 출처 추적 문제를 해결하는 데 도움이 된다면 해당 분야에서 사용될 것이고, 실질적인 가치를 창출하지 못한다면 "암호화폐 + AI"라는 담론에 블록체인을 추가 단계로 도입할 필요가 없다는 것입니다.

다음 단계: 데이터 범위를 확장하고 주요 모델 회사 공급업체 목록을 입력합니다.

Axis는 향후 6~12개월 동안의 개발 로드맵에서 제품, 커뮤니티 성장, 수익 창출이라는 세 가지 주요 영역에 중점을 두고 있습니다.

제품 차원에서 Axis는 1인칭 시점 데이터 수집 규모를 지속적으로 확장하고 모바일 운영 작업을 위한 UMI 데이터 및 원격 조작 데이터를 추가하여 플랫폼에서 다루는 데이터 유형과 작업 범위를 더욱 확대할 계획입니다.

Axis는 일반 사용자를 위한 데이터 수집 포털 외에도 기업 고객과 개발자를 위해 작업 생성 API 및 데이터 처리 도구를 제공하여 기본 데이터 생성 기능을 더욱 제품화할 계획입니다.

커뮤니티 성장 또한 핵심 목표 중 하나입니다. 크리스는 Axis가 향후 6개월 내에 커뮤니티 규모를 세 배로 늘리고 다양한 지역 시장으로 확장하기를 희망한다고 밝혔습니다. 참여자는 더 이상 일반 데이터 제공자에 국한되지 않고 개발자, 연구원, 업계 전문가를 더 많이 유치하여 물리적 AI 데이터 생산을 중심으로 하는 개방형 생태계로 플랫폼을 점진적으로 확장해 나갈 계획입니다.

상용화 측면에서 Axis는 이미 여러 틈새 시장에서 주요 고객을 확보했으며, 시뮬레이션 데이터와 1인칭 시점 데이터를 통해 유료 주문을 창출했습니다. 회사는 향후 6개월 내에 연간 반복 매출(ARR)을 50만 달러에서 100만 달러로 늘리고 선도적인 로봇 모델 회사에 공급업체가 되는 것을 목표로 하고 있습니다.

매출액 자체보다, 주요 모델 기업들의 공급망에 진입하는 것이 Axis의 현재 모델을 시험하는 데 더 나은 기준이 될 수 있을 것이다.