인터뷰 Axis Robotics 창립자: 로봇 데이터가 자본의 새로운 총아로 떠오르다, '삽 판매자'는 어떻게 금을 캘 것인가?

작가: Zen, PANews

지난 1년 동안, 로봇/Physical AI 데이터는 상대적으로 덜 알려진 인프라 영역에서 빠르게 격전이 벌어지는 새로운 트랙으로 변모했으며, 자본이 놀라운 속도로 이 체화된 지능의 '삽을 파는 사람들' 트랙에 쏟아져 들어오고 있다.

이러한 열기는 특히 중국 국내에서 두드러진다. 2026년 상반기에만 25개의 중국 체화된 지능 데이터 스타트업이 총 170억 위안 이상의 자금을 조달했다. 그중 광륜지능(光轮智能)은 올해 연속으로 대규모 자금 조달을 여러 차례 완료했고, 즈위안로봇(智元机器人)이 인큐베이팅한 데이터 회사 미펑테크(觅蜂科技)도 설립 직후 수억 위안의 자금을 신속하게 조달했다.

해외 시장에서도 로봇 훈련 데이터 전문 스타트업들이 등장하기 시작했다. XDOF는 올해 6월 7천만 달러의 자금 조달 완료를 발표했고, 7월 말에는 Axis Robotics가 Hack VC 주도로 1,200만 달러의 시드 라운드 자금을 조달했다.

Axis는 스스로를 'Physical AI 데이터 엔진'으로 포지셔닝하며, 현재 분산형 기여자 네트워크와 웹 기반 시뮬레이션 데이터 수집을 중요한 진입점으로 삼고, 1인칭 시점, 모델 후학습 등 데이터 형태로 확장하고 있다. 이미 브라우저 원격 조작을 통해 220만 개 이상의 로봇 궤적 데이터를 수집했으며, 누적 데이터 시간은 28,000시간에 달한다.

하지만 자본이 충분히 유입되었음에도 불구하고, 로봇 데이터는 여전히 빠르게 변화하며 아직 형태가 완전히 잡히지 않은 시장이다. 데이터 수요가 궁극적으로 어느 정도 규모에 도달할지, 실제 로봇, 시뮬레이션, 1인칭 시점 등 다양한 경로를 어떻게 선택하고 절충할지, 그리고 데이터 회사가 지속 가능한 비즈니스 모델을 구축할 수 있을지 등 많은 핵심 질문들이 여전히 탐색 단계에 있다.

이러한 질문들과 Axis 자체의 데이터 생산 모델, 기술 경로 및 미래 개발 계획을 중심으로 PANews는 Axis Robotics의 창립자 Chris Feng과 대화를 나누었다.

Physical AI 시대의 데이터 부족

Chris는 로봇 본체나 알고리즘 출신이 아니라 컨설팅, 투자 및 데이터 인프라 분야를 거쳐 로봇 데이터 트랙에 뛰어들었다.

그가 로봇 분야에 진출하기로 결심한 결정적인 계기는 Physical AI 시대 진입 후 나타난 막대한 데이터 부족 현상이었다.

Chris는 "GPT-3를 기준으로 볼 때, 훈련에는 약 1,500만 시간의 인간 인터넷 데이터가 필요하다"고 말한다. 그러나 로봇이 처리해야 하는 물리적 세계는 디지털 세계보다 훨씬 복잡하여 식별 및 논리 능력뿐만 아니라 공간, 동작, 물체 상태 및 동작 후 어떤 변화가 일어나는지 이해해야 한다.

따라서 로봇 분야가 자체적인 'GPT 모멘트'를 맞이하려면 필요한 데이터는 1억 시간 혹은 그 이상의 규모에 이를 수 있다. 데이터 규모의 현저한 차이 외에도 양자의 데이터 기반 자체는 전혀 비교할 수 없을 정도로 차이가 크다.

대규모 언어 모델이 등장하기 전, 인터넷은 이미 수십 년 동안 발전해 왔다. 다양한 웹 페이지, 책, 포럼, 코드 라이브러리 및 방대한 디지털 콘텐츠가 장기간 축적되며 천연적인 데이터 자원을 형성했다.

반면 현실 세계의 인간 행동은 유사한 체계적 기록 과정을 거치지 않았다. 사람들은 매일 요리하고, 물건을 정리하고, 도구를 조작하지만, 이러한 행동들은 거의 연속적으로 기록되지 않았으며, 더욱이 로봇 훈련에 직접 사용할 수 있는 표준화된 데이터로 대규모 전환되지 않았다.

VLA 모델, 월드 모델 등 기술 발전과 함께 로봇 모델 회사들은 이러한 종류의 데이터에 대한 가장 직접적인 수요자가 되었으며, 일부 로봇 본체 회사들도 동시에 모델 및 데이터 역량을 구축하고 있다. 동시에, 로봇 형태 자체도 빠르게 분화하여 인간형 로봇, 로봇 팔, 산업 및 서비스 시나리오용으로 설계된 특수 장비에 이르기까지 다양한 모델과 본체가 차별화된 데이터 수요를 발생시키고 있다.

수요 규모가 지속적으로 확대되면서, 전통적인 데이터 생산 방식은 곧 한계를 드러냈다.

초기 로봇 회사들은 일반적으로 실제 로봇 원격 조작에 의존하여 사람이 직접 로봇을 제어하여 작업을 완료하게 한 후 동작 궤적을 기록했다. 이러한 데이터는 실제 로봇과 가장 근접하지만, 생산 속도가 느리고 비용이 높으며 로봇 수량, 장소 및 조작 인력 규모의 제약을 받는다.

더 중요한 것은 현실 세계가 높은 복잡성과 다양성을 지니고 있어, 기업 내부의 제한된 로봇과 수집 시나리오만으로는 미래 모델이 마주칠 수 있는 환경을 포괄하기 어렵다는 점이다. 로봇 기초 모델이 궁극적으로 천만 시간 이상의 데이터를 필요로 한다면, 단순히 로봇, 장소 및 원격 조작 인력을 지속적으로 늘리는 것만으로는 경제적이고 효과적인 선형적 확장을 달성하기 어렵다.

따라서 통제 가능한 비용과 확장 가능한 방식으로 충분히 다양하고 모델 성능을 실제로 개선할 수 있는 데이터를 지속적으로 생산하는 방법은 Physical AI 데이터 업계가 직면한 핵심 문제 중 하나가 되었으며, 이는 독립 로봇 데이터 회사들이 경쟁하고 있는 사업 기회이기도 하다.

로봇 데이터의 '피라미드': 정밀도, 규모 및 일반화 사이의 균형

로봇 데이터에는 또 다른 복잡한 문제가 있다. 출처가 다른 데이터는 진정성, 비용, 확장 가능성 및 다른 본체에 대한 재사용 능력 면에서 뚜렷한 차이를 보인다.

Chris는 현재 주요 경로를 크게 실제 로봇 원격 조작, 시뮬레이션, 인간 1인칭 시점 데이터로 나눈다. 데이터와 로봇 본체 간의 직접적인 매칭 정도를 기준으로 보면, 대략적인 '피라미드' 구조를 형성할 수 있다.

피라미드 꼭대기에 위치한 것은 실제 로봇 원격 조작이다.

조작자가 실제 로봇을 직접 제어하여 잡기, 놓기, 이동 등의 작업을 완료하면, 센서가 로봇 관절, 말단 장치, 시각 및 동작 신호를 동기화하여 기록한다. 이러한 데이터의 가장 큰 장점은 훈련 데이터 자체가 실제 로봇에서 비롯되므로 물리적 정보가 가장 완전하고 목표 본체와의 차이도 가장 작다는 점이다.

하지만 실제 로봇 데이터의 비용 및 규모 문제 또한 뚜렷하다. 업계 데이터에 따르면, 1시간 분량의 고품질 실제 로봇 원격 조작 데이터 종합 비용은 최대 200달러에 달할 수 있다. 더욱 중요한 것은, 이러한 종류의 데이터는 일반적으로 특정 로봇 본체와 높은 수준으로 결합되어 있어 다른 본체에 대한 재사용 능력이 제한적이라는 점이다. 예를 들어, Unitree G1에서 수집된 동작 궤적은 형태가 다른 로봇에 그대로 적용될 수 없다.

피라미드 중간층에 위치한 것은 시뮬레이션 데이터이다.

로봇 시뮬레이션은 실제 로봇의 크기, 관절, 동작 범위 및 작업 환경을 가상 공간에 최대한 재현한 후, 조작자나 프로그램이 가상 로봇을 제어하여 작업을 완료하게 하는 것이다. 현재 로봇 연구 및 개발에 흔히 사용되는 시뮬레이션 플랫폼으로는 Isaac Sim, MuJoCo 등이 있다.

현실 세계와 비교할 때 시뮬레이션의 두드러진 장점은 규모화 가능성과 통제 가능성이다. 현실에서는 데이터 수집을 위해 수천, 수만 개의 주방, 창고 또는 공장을 반복해서 구축하는 것이 불가능하지만, 가상 환경에서는 유사한 장면을 빠르게 복제하고 병렬로 실행할 수 있다. 또한 기존 궤적은 조명, 재질, 카메라 위치, 물체 유형 및 공간 배치 등 매개변수를 변경하여 더욱 다양한 환경으로 확장할 수 있다.

동시에 시뮬레이션 환경의 작업 상태도 더욱 정확하게 읽어낼 수 있다. 예를 들어 작업 완료 여부, 로봇 팔의 충돌 발생 여부, 물체의 최종 위치 등을 환경에서 직접 얻을 수 있어 데이터 검증 및 자동 필터링이 더욱 용이하다.

그러나 시뮬레이션 데이터의 한계도 분명하다. 가상 환경은 현실 세계를 완벽하게 재현하기 어렵다. 마찰, 물체 변형, 접촉 상태, 센서 노이즈 및 통제할 수 없는 수많은 요소들이 시뮬레이션에서는 좋은 성능을 보이던 모델이 실제 로봇으로 이전되었을 때 성능이 저하될 수 있는 원인이 된다. 이러한 '시뮬레이션에서 현실로의 격차(Sim-to-Real gap)'를 줄이는 방법은 줄곧 로봇 연구의 핵심 과제 중 하나였다.

최근 2년간 뚜렷하게 주목받기 시작한 또 다른 경로는 인간 1인칭 시점 데이터로, 이는 피라미드의 하단에 위치한다.

이러한 방식은 비싼 로봇 본체에 대한 의존도를 줄이고, 데이터 기여자가 머리 착용형 카메라, GoPro를 착용하거나 직접 스마트폰을 사용하여 요리, 옷 개기, 방 정리, 도구 조작 등 실제 행동을 기록하도록 한다.

그 기본 논리는, 미래 로봇의 시각 및 동작 논리가 인간과 높은 유사성을 지닌다면 '인간이 세상과 상호 작용하는 방식'을 대규모로 기록하는 것이 이론적으로 로봇 기초 모델에 매우 풍부한 데이터를 제공할 수 있다는 것이다.

1인칭 시점 데이터의 가장 매력적인 점은 잠재적인 규모와 환경의 다양성에 있다. 대량의 로봇을 배치하여 원격 조작하는 것과 비교할 때, 일반인들이 가정, 공장, 쇼핑몰 등 실제 장면에서 행동을 기록하는 것은 수집 비용과 참여 문턱이 더 낮고, 훨씬 더 다양한 환경을 포괄할 수 있다.

그러나 Chris는 또한 인간 1인칭 데이터에는 큰 불확실성이 존재한다고 지적한다. 그 훈련 가치는 미래 로봇의 본체 형태에 크게 좌우된다는 것이다.

만약 로봇이 바퀴형 섀시, 로봇 팔, 전용 그리퍼 등 비인간형 디자인을 채택한다면, 인간 조작 데이터의 동작 수준에서의 직접적인 이전 가치는 현저히 낮아질 것이다. 미래에 인간형 로봇이 주류가 된다 해도, 인간의 동작을 로봇이 그대로 복제할 수는 없으며, 손과 신체 움직임은 여전히 동작 리타겟팅을 거쳐 로봇 관절과 로봇 핸드가 실행할 수 있는 궤적으로 변환되어야 한다.

자주 간과되는 또 다른 문제는 시각적 시점이다. 1인칭 데이터는 이상적으로 인간의 시각적 위치에 최대한 가까워야 하지만, 다양한 수집 장비가 머리, 가슴 앞 또는 기타 위치에 장착될 수 있다. 시점의 변화는 손, 물체 및 카메라 사이의 공간적 관계를 크게 변화시키며, 이러한 차이는 3차원 공간 및 조작 관계를 학습해야 하는 로봇 모델에게 큰 도전 과제가 된다.

따라서 Chris의 견해로는 실제 로봇 데이터, 시뮬레이션 데이터 및 1인칭 데이터는 단순한 대체 관계에 있지 않다. 이들은 각기 다른 문제를 해결한다. 실제 로봇 데이터는 정밀도를 보장하고, 시뮬레이션은 규모를 확대하며, 인간 비디오는 현실 세계의 장면 다양성을 제공한다. 미래의 로봇 데이터 체계는 서로 다른 데이터 출처 간의 조합과 보완으로 이루어질 가능성이 더 높다.

또한, 최근 일부 연구들은 ‘최적의 데이터’에 대한 단일한 추구를 약화하는 방향으로 나아가고 있습니다. Dyna Robotics가 최근 공개한 Dyna-2는 100만 시간 이상의 인간 1인칭 시점 영상만으로 사전 훈련했을 뿐인데, 인간 행동 데이터에서 로봇 능력으로의 전이에 대한 규모 효과가 관찰되었습니다. Axis의 연구에서도 필터링 및 처리된 시뮬레이션 궤적이 데이터 규모가 커질수록 모델 성능을 지속적으로 개선한다는 점을 보여주었습니다.

데이터 생산자로서 Physical AI 데이터 엔진을 구축하다

단일 데이터와 목표 객체 간의 높은 정합성만을 추구하는 것보다, 규모, 다양성, 그리고 실제 모델 성능으로 전환될 수 있는지 여부가 점점 더 중요한 지표로 부상하고 있습니다. 따라서 로봇 데이터 회사는 단일 수집 방식만으로는 지속적으로 변화하는 모델의 요구를 충족시키기 어렵습니다. 이는 더 근본적인 질문으로 이어집니다. 데이터 회사가 단순히 고객 요구에 따라 데이터를 수집하고 처리하는 데 그칠 것인지, 아니면 모델 훈련에 필요한 데이터의 설계와 생산에 더 깊이 관여해야 하는지에 대한 것입니다.

Axis가 선택한 것은 후자이며, 스스로를 ‘Physical AI 데이터 엔진’으로 포지셔닝하고 있습니다. Chris의 관점에서 ‘데이터 라벨링’과 ‘데이터 생산’은 동일한 수준의 비즈니스가 아닙니다.

데이터 라벨링은 이미 존재하는 데이터를 다루며, 무엇을 어떻게 라벨링할지는 고객이 결정하고 서비스 제공업체는 규칙에 따라 실행합니다. 반면 데이터 생산은 한 걸음 더 나아가, 데이터 회사가 수집과 처리뿐만 아니라 모델에 어떤 데이터가 부족한지 판단하고, 훈련 목표에 맞춰 작업을 설계하고 수집을 조직한 후, 모델 성능에 따라 다음 데이터를 조정하는 역할까지 수행해야 합니다.

예를 들어, 로봇 모델이 주방 작업을 학습해야 한다면, 데이터 회사는 잡기, 밀기, 당기기, 열기, 닫기와 같은 기본 동작을 어떻게 조합할지, 깊이 정보가 필요한지, 카메라는 어떻게 배치할지, 그리고 어떤 실패 사례를 중점적으로 수집할 가치가 있는지 등을 추가로 판단해야 합니다.

Chris에 따르면, Axis와 Booster Robotics, 칭위테크(擎羽科技) 등 고객과의 비즈니스 협력은 단순한 데이터 전달에서 ‘모델 훈련 목표에 맞춘 데이터 생산 솔루션’으로 업그레이드되었습니다. 예를 들어 Booster Robotics와의 협력에서 Axis는 Booster T1의 시각 입력과 행동 공간에 깊이 적응된 전용 파운데이션 모델(Foundation Models)을 맞춤 제작했습니다. 이러한 접근 방식은 극소량의 샘플로 특정 작업을 빠르게 전이하고 반복할 수 있게 하여, 임바디드 AI 개발의 진입 장벽과 엔지니어링 적응 비용을 크게 낮춰줍니다.

이것이 Axis가 ‘데이터 팩토리’가 아닌 ‘데이터 엔진’을 강조하는 이유입니다. Chris의 설명에 따르면, 비즈니스 고객이 목표 시나리오와 역량 요구 사항을 먼저 제시하면, Axis는 이에 따라 작업을 설계하고 분산형 기여자 네트워크를 통해 데이터를 수집합니다.

“고객에게 데이터를 제공하는 것 외에도 AXIS는 자체적으로 데이터셋과 모델 검증에 대한 학술 연구를 수행하고 있습니다.” Chris는 말했습니다. Axis 팀이 상반기에 발표한 AXIS Franka 데이터셋은 현재 Franka Research 3 로봇팔을 대상으로 한 가장 큰 규모의 오픈 소스 로봇 조작 데이터셋 중 하나로, 207개의 다양한 조작 작업, 5만 개 이상의 인간 시연 궤적, 6만 개가 넘는 작업 환경 변형을 포함합니다.

훈련 성과 평가 단계에서 연구팀은 이 데이터셋을 사용하여 최첨단 VLA 모델 π 0.5의 지속적 사전 훈련을 진행했습니다. 실험 결과, AXIS-100% 데이터 스냅샷으로 훈련된 모델은 LIBERO-Plus 견고성 벤치마크에서 우수한 성능을 보였으며, 전체 성공률이 88.8%에 달했습니다.

Chris는 또한 AXIS Franka 데이터셋이 현실의 방해 요소에 대한 모델의 대응 능력을 크게 향상시켰다고 밝혔습니다. 센서 노이즈와 카메라 시점 변이 등의 도전 상황에서 모델의 견고성이 각각 13.7%, 11.3% 향상되었습니다. 연구를 통해 데이터셋 스냅샷이 25%에서 100%로 증가함에 따라 모델의 조작 일반화 능력이 안정적인 확장 추세를 보였으며, 이는 데이터 규모와 다운스트림 작업 일반화 능력 사이의 긍정적인 확장 관계를 입증합니다.

단일 데이터 형태에 베팅하지 않고 ‘로봇 분야의 Surge AI’를 목표로 하다

로봇 데이터는 여전히 빠르게 변화하며 안정된 패러다임이 형성되지 않은 시장입니다.

지난 한동안 업계의 관심은 실제 로봇 원격 조작에서 시뮬레이션, 1인칭 시점(FPV) 등 데이터 소스로 점차 확장되었습니다. 파운데이션 모델이 더욱 심층적인 포스트 트레이닝 단계로 접어들면서, 실패 상태, 오류 수정 과정, 복구 궤적을 어떻게 수집할 것인가도 새로운 데이터 수요로 부상하기 시작했습니다.

“만약 오늘 시장에서 1인칭 시점 데이터가 가장 필요하다면, 저는 1인칭 시점만 하겠지만, 반년 후에 아무도 필요로 하지 않게 되면 어떻게 하겠습니까?” 따라서 Chris는 Axis를 특정 데이터만 다루는 회사로 정의하고 싶지 않습니다.

그의 접근 방식은 상대적으로 안정적인 기본 역량과 끊임없이 변화하는 데이터 수집 방식을 분리하는 것입니다. 하부 레이어는 분산형 기여자 네트워크, 작업 관리, 데이터 검증, 클렌징, 증강 및 처리 파이프라인 등 인프라로 구성되며, 상부 레이어는 모델과 고객의 요구에 따라 다양한 데이터 제품과 수집 방식을 연결합니다.

현재 Axis는 웹 기반 시뮬레이션 데이터 수집에서 시작하여 1인칭 시점 데이터와 모델 포스트 트레이닝까지 점차 확장하고 있습니다. Chris는 최신 제품에 모델 편향과 실패 상태에 대한 오류 정정 데이터 수집이 포함되었으며, 팀은 이미 DAgger 등 포스트 트레이닝 데이터 수집 및 처리를 추진 중이며, 연말까지 첫 대규모 Human-Gated DAgger 포스트 트레이닝 데이터셋을 발표할 계획이라고 소개했습니다.

그의 관점에서는 로봇 모델이 지속적으로 반복 발전함에 따라 데이터 파트너의 가치도 변화합니다. 데이터 회사의 역량을 평가할 때 한 번에 얼마나 많은 데이터를 전달할 수 있는지만 볼 것이 아니라, 고품질 데이터를 안정적으로 생산할 수 있는지, 지속적으로 작동하는 기여자 네트워크와 데이터 처리 도구를 보유하고 있는지, 그리고 모델 성능에 따라 다음 데이터의 내용과 구조를 신속하게 조정할 수 있는지를 더 중요하게 봐야 합니다.

이러한 사고방식은 어느 정도 Scale AI와 Surge AI의 발전 경로를 참조한 것으로, Chris는 특히 Surge AI에 주목하고 있습니다. 그는 미래에 Axis가 ‘로봇 분야의 Surge AI’로 자리매김하기를 희망합니다.

Chris의 시각에 따르면, Surge AI의 강점은 단지 방대한 데이터 라벨링 리소스를 보유한 것에 그치지 않고, 그 비즈니스가 모델의 수요 변화를 끊임없이 따라가며, 대형 모델의 포스트 트레이닝에서 나아가 에이전트 훈련 환경과 같은 새로운 단계로 확장한다는 점에 있습니다.

이처럼 특정 데이터 형태에 자신을 묶어두지 않고, Physical AI 모델의 훈련 방식 변화에 따라 제공하는 데이터와 도구를 지속적으로 조정하는 것, 바로 이것이 Axis가 진정으로 복제하고자 하는 역량입니다.

블록체인을 기여도 인센티브와 데이터 추적에 활용

다른 경쟁 업체들과 달리 Axis에게는 또 하나의 비교적 특별한 라벨이 붙어 있습니다. 바로 블록체인입니다.

로봇 데이터의 생산 과정 자체는 블록체인을 필요로 하지 않으며, 시뮬레이션은 여전히 전통적인 로봇 환경에서 실행되고, 모델 훈련도 다른 AI 기업들과 다르지 않습니다. 블록체인이 실제로 역할을 발휘하는 것은 주로 데이터가 생성된 후입니다. Axis는 검증된 데이터 궤적에 데이터 ID를 부여하고, 작업, 데이터, 기여자 간의 관계를 Base에 기록합니다.

Chris는 블록체인 기술이 주로 두 가지 문제를 해결한다고 말합니다.

첫째는 기여도 인센티브입니다. 전 세계 분산된 사용자가 데이터를 생산할 때, 각 사용자가 완료한 데이터의 양과 질은 모두 다릅니다. 플랫폼은 누가 무엇을 기여했는지, 그리고 그 데이터가 실제로 요구 사항에 도달했는지 알아야 합니다. 기여자에게 핵심은 많이 하는 것이 아니라, 누가 진정으로 유효한 데이터를 제공했느냐입니다.

둘째는 출처 추적입니다. 현재 AI 모델의 훈련 과정은 블랙박스와 매우 흡사합니다. 외부에서는 최종 모델만 볼 수 있을 뿐, 어떤 능력이 어느 데이터에서 비롯됐는지, 그 데이터는 누가 생산했는지 알기 어렵습니다. 작업, 궤적, 기여자 간의 관계가 지속적으로 기록될 수 있다면, 향후 해당 데이터가 고객에게 구매될 때 최소한 비교적 완전한 출처 이력을 보존할 수 있습니다.

Axis는 현재 사용자의 기여도를 기록하고 측정하기 위한 포인트 시스템을 출시했습니다. Chris는 또한 향후 토큰을 발행한다면 기여도 포인트가 인센티브의 기준이 될 수 있으며, 어떤 기여자의 데이터가 최종적으로 상업화된다면 향후 수익 공유에 참여시키는 것도 고려하고 있다고 언급했습니다.

다만 이러한 메커니즘은 현재 설계와 개선 단계에 있습니다. 토큰 이코노미를 먼저 구축한 후 그에 맞는 응용 시나리오를 찾는 것보다, Chris는 블록체인이 실제로 어떤 문제를 해결할 수 있는지 먼저 파악하는 것을 더 강조합니다.

“저는 스스로를 암호화폐 로봇 회사라고 생각한 적이 없습니다.”

그의 정의에 따르면, Axis는 먼저 로봇 데이터 회사이며, 블록체인이 기여도 인센티브와 데이터 출처 추적 문제를 해결하는 데 도움이 된다면 그러한 부분에 사용합니다. 만약 실질적인 가치를 창출하지 못한다면, ‘Crypto+AI’라는 내러티브를 위해 억지로 도입할 필요도 없습니다.

다음 단계: 데이터 범위 확대 및 선도 모델 기업 벤더 리스트 진입

향후 6~12개월간의 발전을 위해 Axis의 로드맵은 주로 제품, 커뮤니티 성장, 비즈니스화 세 가지 방향에 집중되어 있습니다.

제품 측면에서 Axis는 1인칭 시점 데이터의 수집 규모를 지속적으로 확대하고, UMI 데이터 및 모바일 머니퓰레이션(mobile manipulation) 작업을 위한 원격 조작 데이터를 새롭게 추가하여, 플랫폼이 다루는 데이터 유형과 작업 범위를 더욱 넓힐 계획입니다.

일반 사용자를 위한 데이터 수집 채널 외에도, Axis는 기업 고객과 개발자에게 작업 생성 API 및 데이터 처리 도구를 제공하여, 하부 레이어의 데이터 생산 능력 일부를 더욱 제품화할 계획입니다.

커뮤니티 성장은 또 다른 중점 사항입니다. Chris는 Axis가 향후 반년 내에 커뮤니티 규모를 현재의 3배로 확대하고, 다양한 지역 시장으로의 진출을 확대하기를 희망한다고 밝혔습니다. 참여자도 일반 데이터 기여자에 국한되지 않고, 더 많은 개발자, 연구원, 업계 종사자들이 합류하도록 유도하여 플랫폼을 점차 Physical AI 데이터 생산을 중심으로 한 개방형 생태계로 확장해 나갈 것입니다.

비즈니스화 측면에서 Axis는 현재 일부 세분 시장에서 벤치마크 고객을 확보했으며, 시뮬레이션 데이터와 1인칭 시점 데이터는 이미 유료 주문으로 이어지고 있습니다. 향후 반년 동안 회사가 자체적으로 설정한 목표는 연간 반복 수익(ARR)을 50만~100만 달러로 끌어올리고, 선도적인 로봇 모델 기업들의 벤더 리스트에 진입하는 것입니다.

수익 수치 자체보다, 선도 모델 기업의 공급망에 진입하는 것이 Axis의 현재 모델을 더욱 검증할 수 있을 것입니다.