Axis Robotics traint robots met 130.000 vrijwilligers via de browser

TL;DR

• Wat: Axis Robotics verzamelt robottrainingsdata via de browser, met meer dan 130.000 bijdragers wereldwijd en miljoenen bewegingspatronen.
• Waarom relevant: de manier waarop robots leren verandert — van dure labs naar crowdsourcing, en dat drukt de kosten van robotautomatisering.
• Wat je ermee kunt: volg hoe de markt voor fysieke AI zich ontwikkelt; de kans groeit dat robotoplossingen sneller en betaalbaarder beschikbaar komen voor het MKB.

Ik stuitte op 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 interessant vind. Niet de robot zelf is het knelpunt, maar de data waarmee hij leert. Axis Robotics lijkt daar een opvallende aanpak voor te hebben gevonden.

Wat doet Axis Robotics precies?

Axis Robotics bouwt wat ze zelf een "compounding data engine" noemen — een systeem dat continu trainingsdata genereert voor robots. Het bijzondere: die data komt niet uit een gespecialiseerd laboratorium, maar van gewone mensen achter hun browser.

Via een webapplicatie kunnen bijdragers een virtuele robotarm besturen en taken uitvoeren — denk aan het oppakken, verplaatsen of sorteren van objecten in een gesimuleerde omgeving. Die menselijke bewegingen worden opgenomen als zogenaamde trajectories: gedetailleerde opnames van hoe een taak van begin tot eind wordt uitgevoerd. Die trajectories vormen vervolgens de trainingsdata voor AI-modellen die echte robots aansturen.

Volgens de brontweet gaat het inmiddels om meer dan 5.000 verschillende taken, 130.000 bijdragers en 4 miljoen trajectories. Die laatste twee cijfers zijn overigens groter dan wat ik in eerdere persberichten tegenkwam — daar werd nog gesproken over bijna 300.000 trajectories en 12.000 bijdragers. Het lijkt erop dat de schaal snel groeit, maar ik kan niet onafhankelijk verifiëren of de cijfers uit de tweet de meest recente stand weergeven.

Hoe werkt die browser-gebaseerde aanpak?

Wat mij hier opvalt, is hoe laagdrempelig het instapmodel is. Je hebt geen robot nodig, geen dure hardware, geen labomgeving. Je opent een webpagina, bestuurt een virtuele arm, en levert data.

Onder de motorkap draait de zogenaamde MetaSim Architecture — een pijplijn die het hele traject bestrijkt van het aanmaken van taken, het verzamelen van data, het opschonen en verrijken ervan, tot het daadwerkelijk trainen van modellen. Ruwe menselijke bewegingen worden gladgestreken en hersampled, zodat ze bruikbaar zijn als machinetaal. Vervolgens worden de simulaties nagespeeld in andere omgevingen met wisselende belichting, texturen en achtergronden. Dat proces heet domain randomization en zorgt ervoor dat een robot niet alleen leert in één specifieke setting, maar breder generaliseert.

Axis heeft al aangetoond dat dit in de praktijk werkt: via hun "Little Prince's Rose"-experiment trainden ze een model op crowdsourced data en draaiden dat vervolgens op een echte Franka-robotarm.

De crypto-component: nuance is nodig

Een detail dat ik niet onvermeld wil laten: Axis Robotics heeft een blockchain-component. Elke geaccepteerde trajectory krijgt een uniek Data ID dat wordt vastgelegd op Base, de Layer 2-blockchain van Coinbase. Bijdragers verdienen punten die mogelijk in de toekomst worden omgezet in tokens — er is een actief airdrop-programma.

Ik vind dit een relevante nuance. Het verklaart deels waarom het netwerk zo snel groeit: een deel van de bijdragers is vermoedelijk niet primair geïnteresseerd in robotica, maar in mogelijke crypto-beloningen. Dat hoeft geen probleem te zijn — zolang de datakwaliteit gewaarborgd blijft. Axis zegt te selecteren op kwaliteit, moeilijkheidsgraad en diversiteit van bijdragen. Maar als ondernemer zou ik willen weten hoe robuust die kwaliteitscontrole daadwerkelijk is voordat ik data uit zo'n netwerk zou vertrouwen.

Wat betekent dit voor de markt — en voor het MKB?

De bredere context is dat de markt voor Physical AI — kunstmatige intelligentie die fysieke machines aanstuurt — fors groeit. Volgens MarketsandMarkets was die markt in 2025 nog geen miljard dollar waard, maar wordt een groei naar ruim 15 miljard dollar in 2032 verwacht.

De Nederlandse roboticamarkt groeit eveneens: van zo'n 1,2 miljard dollar in 2025 naar een verwachte 2,8 miljard in 2034. En de AI-adoptie bij Nederlandse bedrijven stijgt — volgens het CBS gebruikte 22,7% van de bedrijven met tien of meer werknemers AI in 2024, tegenover 14% een jaar eerder.

Kun je je voorstellen wat het betekent als de trainingsdata voor robots niet meer het duurste onderdeel is? Stel dat je als ondernemer in de logistiek of productie overweegt om een robotoplossing in te zetten. Tot nu toe was het trainen van zo'n robot op jouw specifieke taken een kostbare, tijdrovende aangelegenheid — vaak gebonden aan gespecialiseerde integratoren. Als bedrijven zoals Axis de datakosten structureel verlagen door crowdsourcing, zou dat de drempel voor robotautomatisering kunnen verlagen.

Partnerships als signaal

Axis werkt volgens berichten samen met onder andere Booster Robotics, Pigeon Robotics en autofabrikant Geely. Dat zijn geen kleine namen. Het suggereert dat er serieuze industriële partijen zijn die waarde zien in dit type data-infrastructuur. Of dat zich vertaalt naar producten die het Nederlandse MKB bereiken, is nog niet duidelijk — maar het is een ontwikkeling om in de gaten te houden.

De fundamentele verschuiving

Wat ik het meest interessant vind aan het verhaal van Axis, is niet het bedrijf zelf maar het onderliggende patroon. We zien het in tekst-AI (denk aan de enorme datasets waarop taalmodellen worden getraind), we zien het in beeld-AI, en nu verschuift hetzelfde principe naar de fysieke wereld: wie de beste data heeft, bouwt de beste modellen.

Het verschil is dat fysieke data — hoe pak je iets op, hoe draai je een dop los, hoe stapel je dozen — tot nu toe veel moeilijker te verzamelen was dan tekst of afbeeldingen. De aanpak van Axis om dat via de browser te doen is een poging om dat bottleneck te doorbreken.

Of Axis het bedrijf is dat dit gaat domineren, kan ik niet zeggen. Het is een startup met $12 miljoen aan seed-funding van Hack VC, en de crypto-component voegt een laag complexiteit en risico toe. Maar het principe — crowdsourced trainingsdata voor fysieke AI — lijkt mij een ontwikkeling die blijft, ongeacht welk bedrijf er uiteindelijk mee wint.

Voor mij is dit vooral een signaal dat de robotica-industrie dezelfde dataficatie doormaakt die we eerder in software zagen. En als dat klopt, wordt niet de robot zelf het concurrentievoordeel, maar de data waarmee je hem traint.