Axis Robotics laat 130.000 mensen robotdata verzamelen

TL;DR

• Wat: Axis Robotics bouwt een platform waarop meer dan 130.000 bijdragers via hun browser trainingsdata voor robots genereren — zonder speciale hardware.
• Waarom relevant: fysieke AI (robots die taken in de echte wereld uitvoeren) heeft een enorm dataprobleem, en dit model laat zien hoe dat via crowdsourcing wordt opgelost.
• Wat je ermee kunt: volg hoe robotdata-infrastructuur zich ontwikkelt — het bepaalt mede wanneer en hoe betaalbaar robotautomatisering voor het MKB wordt.

Ik viel over een tweet van @Palash433 die stelde: "Everyone is watching the robots — I'm watching what teaches them." Dat zinnetje bleef hangen, want het raakt precies de vraag die ik zelf ook interessanter vind dan de zoveelste robotdemo: waar komt de data vandaan waarmee die robots leren?

Het dataprobleem van fysieke AI

Als je ChatGPT of een ander taalmodel gebruikt, vergeet je snel dat die modellen zijn getraind op biljoenen stukjes tekst van het internet. Artikelen, boeken, forumposts — het internet is één gigantische trainingsset voor taal-AI.

Voor robots bestaat zo'n dataset niet. Een robot die leert om een pakketje op te pakken, heeft duizenden voorbeelden nodig van hoe je dat doet: vanuit welke hoek, met hoeveel kracht, bij welk soort verpakking. Die voorbeelden heten in het vakjargon trajectories — opgenomen bewegingspaden die een robot kan nabootsen. En daar zit het knelpunt: elke taak, elke robot en elke omgeving vraagt om nieuwe data. Dat is duur, traag en moeilijk op te schalen.

Ik vind het eerlijk gezegd fascinerend dat dit zo'n fundamenteel obstakel is. We hebben robots die in theorie heel veel kunnen, maar ze worden beperkt door een gebrek aan goede trainingsdata.

Wat Axis Robotics doet

Axis Robotics probeert dat probleem op te lossen met wat ze een Compounding Data Engine noemen. Het idee: in plaats van dat één bedrijf met dure robots in een lab alle trainingsdata zelf opneemt, laat je duizenden mensen wereldwijd die data genereren via een browsersimulatie.

De cijfers uit de tweet spreken van meer dan 5.000 taken, 130.000 bijdragers en 4 miljoen trajectories. Dat zijn forse aantallen. Ter nuance: in eerdere persberichten en bronnen wordt gesproken over "meer dan 100.000 bijdragers" en honderdduizenden trajectories. De exacte aantallen lopen dus uiteen, wat erop kan wijzen dat de cijfers snel groeien — of dat er verschillende telwijzen worden gehanteerd. Ik kan de precieze aantallen uit de tweet niet onafhankelijk verifiëren.

Wat ik wél heb kunnen verifiëren: het bedrijf haalde 12 miljoen dollar op in een seed-ronde, geleid door Hack VC. Ze hebben een experiment gedaan — intern "Little Prince's Rose" genoemd — waarbij meer dan 12.000 bijdragers in vijf dagen 10.000 trajectories verzamelden. Die data werd vervolgens succesvol gebruikt om een Franka-robotarm echte taken te laten uitvoeren.

Hoe werkt dat concreet?

Bijdragers openen een simulatieomgeving in hun browser. Geen speciale hardware nodig. In die simulatie voeren ze manipulatietaken uit — denk aan een object oppakken, verplaatsen of neerzetten. De ruwe bewegingsdata wordt vervolgens bewerkt: gladgestreken, opnieuw bemonsterd en omgezet naar een formaat dat de robot kan gebruiken.

Een slim onderdeel is wat Axis Cross-Simulator Replay noemt: data die in het ene simulatieprogramma (MuJoCo) wordt verzameld, wordt afgespeeld in een ander programma (Isaac Sim) met variaties in belichting, texturen en achtergronden. Zo wordt de dataset automatisch diverser, zonder dat er extra menselijke inspanning nodig is.

De cryptokant — goed om te weten

Wat ik hier expliciet wil benoemen: Axis Robotics heeft een blockchain-component. Elke geaccepteerde trajectory krijgt een uniek Data ID dat wordt vastgelegd op Base, de blockchain van Coinbase. Bijdragers worden beloond met een puntensysteem, en er is een tokenmodel in ontwikkeling — al bestaat er op dit moment nog geen token en zijn details over verdeling en vesting niet gepubliceerd.

Dit is relevant om te weten, want het kleurt het verhaal. De 130.000 bijdragers worden deels aangetrokken door de belofte van toekomstige cryptobeloningen. Dat is niet per se goed of slecht, maar het verklaart wel waarom het platform zo snel groeit. Het is anders dan wanneer mensen puur voor een vast uurloon meewerken.

Ik vind het belangrijk om dit te vermelden, zodat je het totaalplaatje hebt.

Wat betekent dit voor een ondernemer?

Oké, je denkt misschien: leuk verhaal, maar wat heb ik eraan? Goede vraag.

De kern is dit: robots worden pas breed inzetbaar als trainingsdata goedkoop en schaalbaar beschikbaar wordt. Zolang elk nieuw robotmodel maanden aan handmatige dataverzameling kost, blijft robotautomatisering voorbehouden aan grote fabrieken met diepe zakken.

Platforms als Axis proberen die drempel te verlagen. Als dat lukt — en dat is een grote als — dan kan dat op termijn betekenen dat robotoplossingen voor pakketverwerking, magazijnwerk of eenvoudige assemblage betaalbaarder worden voor middelgrote bedrijven.

In Nederland is die ontwikkeling al zichtbaar: bij TNO's Remanufacturing Lab op de Brainport Industries Campus wordt geëxperimenteerd met Vision-Language-Action-modellen voor machine tending. De stap van onderzoekslab naar MKB-vloer is er nog niet, maar de bouwstenen worden nu gelegd.

Stel dat je als ondernemer een magazijn runt met repetitieve inpaktaken. De vraag is niet meer óf robots dat ooit kunnen, maar wanneer de data-infrastructuur volwassen genoeg is om het betaalbaar te maken. Dat "wanneer" wordt mede bepaald door hoe snel initiatieven als Axis schalen.

De eerlijke kanttekening

Tegelijk is er een nuance. Volgens recente cijfers gebruikt 8 tot 12 procent van het Nederlandse MKB actief AI — en dan gaat het vooral om tekst- en data-toepassingen, niet om fysieke robots. De kenniskloof over concrete toepassingen is volgens onderzoek de grootste drempel, niet de technologie of de kosten zelf.

Dat betekent: zelfs als de robotdata-infrastructuur snel verbetert, is er aan de vraagkant — bij ondernemers — nog een vertaalslag nodig.

Een stille verschuiving

Voor mij is het interessantste aan dit verhaal niet het bedrijf Axis zelf, maar het patroon erachter. De aandacht gaat meestal naar de robot die iets spectaculairs doet — een pakje oppakt, een deur opent, een kopje koffie zet. Maar de echte verschuiving zit in de data-laag daaronder. Wie de trainingsdata beheerst, bepaalt uiteindelijk welke robots wat kunnen leren en hoe snel.

Dat is een dynamiek die me doet denken aan hoe het met taal-AI ging: de modellen werden pas echt nuttig toen de datasets groot en divers genoeg werden. Voor fysieke AI zijn we nog in dat opbouwstadium. Initiatieven als Axis — met alle kanttekeningen rond het cryptomodel — laten zien dat er serieus wordt gezocht naar manieren om die opbouw te versnellen.

Voor mij is dit vooral een signaal om de data-kant van robotica in de gaten te houden. Niet omdat je er morgen iets mee moet, maar omdat het tempo waarmee die data beschikbaar komt, bepaalt wanneer robotautomatisering realistisch wordt voor bedrijven van jouw omvang.