Hong Kong (o forse Berkeley — il dateline dice una cosa, le fonti un’altra). Comunque: Axis Robotics ha appena reso pubblico Axis Sim Dataset V1, uno dei più grandi dataset open-source per l’addestramento di bracci robotici Franka Emika. Parliamo di oltre 50.000 traiettorie simulate, raccolte tramite teleoperazione umana, distribuite su 207 task di manipolazione e 60.000 varianti di scena.
Il dataset è stato scaricato più di 160.000 volte su Hugging Face. Il che, per un dataset di robotica, è un numero che fa girare la testa.
Come funziona e perché dovrebbe interessarci
Axis non è solo un archivio. È una piattaforma: gli operatori si connettono via browser, manovrano un braccio Franka Research 3 simulato tramite Axis Hub, e se il loro lavoro passa i controlli di qualità ricevono ‘Axis Points’. Ogni traiettoria accettata viene registrata on-chain su Base, la layer-2 di Coinbase.
Sì, avete letto bene: blockchain e robotica nello stesso paragrafo. Non è un caso che la maggior parte della copertura mediatica venga da testate crypto. Axis viene percepita anche come un progetto con una componente token/incentivi, non solo come infrastruttura dati.
I numeri sui benchmark reali
Qui diventa interessante. Axis ha testato il dataset su LIBERO-Plus, un benchmark che prova deliberatamente a far crollare le policy robotiche introducendo variazioni realistiche: illuminazione diversa, punto di vista della camera spostato, rumore nei sensori, oggetti disposti in modo diverso. Tutte cose che nel mondo reale succedono sempre, ma che molti benchmark standard ignorano bellamente.
Risultato: il pre-training continuo su Axis Sim Dataset V1 ha portato la policy π0.5 (sviluppata da Physical Intelligence, riferimento del settore) dall’83,9% all’88,8% di successo medio. Rispetto a una baseline a parità di volume — RoboCasa365 — il vantaggio è netto.
C’è però una nota stonata: il comunicato stampa parla di un +37,3% rispetto alla baseline, mentre la roadmap pubblica di Axis indica 31,3 punti percentuali. Non è chiaro quale sia la cifra corretta. In ogni caso, il miglioramento c’è ed è sostanziale.
Cosa ci dicono questi risultati
La tesi di fondo è questa: il behavioral cloning — far imparare a un robot copiando dimostrazioni umane — diventa più robusto quando ti alleni su dati enormi, diversificati e ‘nel mondo reale’ (o almeno simulato in modo vario). Non è una rivelazione filosofica, ma qui ci sono i numeri a dimostrarlo.
Chi c’è dietro Axis Robotics
Axis ha base operativa a Berkeley, California. Il team include ricercatori da UC Berkeley, Johns Hopkins, Carnegie Mellon, Georgia Tech e altri. A luglio 2026 hanno chiuso un seed round da 12 milioni di dollari guidato da Hack VC, con Nomad Capital, Pi Network Ventures e altri. Secondo alcune fonti, la rete di contributori attivi supera già le 100.000 unità.
L’obiettivo dichiarato è costruire un ‘compounding data engine’: un sistema verticalmente integrato che copre simulazione su larga scala, cattura egocentrica nel mondo reale, loco-manipolazione umanoide e correzione human-in-the-loop tramite DAgger. In pratica: dati, tanti, vari, e in continuo miglioramento.
Cosa succede dopo: V2 e 1,2 milioni di traiettorie
Secondo la roadmap pubblica, è già in sviluppo Axis Sim Dataset V2. L’obiettivo: scalare a oltre 1,2 milioni di traiettorie distribuite su 1.200 task, con generalizzazione cross-embodiment — cioè applicabile a più tipi di robot, non solo Franka. L’idea è dimostrare che dati simulati anche ‘rumorosi’ e crowdsourced possano migliorare esponenzialmente l’addestramento delle policy.
Che poi è esattamente quello che serve: dati abbondanti, diversificati, e disponibili pubblicamente. Perché al momento uno dei colli di bottiglia più grandi della Physical AI è proprio la scarsità di dataset di qualità.
La parte blockchain: registro on-chain e Axis Points
Ogni task e traiettoria raccolti tramite Axis Hub vengono registrati on-chain su Base. Provenance garantita, dicono. I contributori che superano i controlli di qualità ricevono ‘Axis Points’ come ricompensa.
Non è chiaro se e quando questi punti diventeranno un token negoziabile, ma il fatto che quasi tutta la copertura mediatica venga da testate crypto è un indizio abbastanza chiaro su come viene percepito il progetto. Non solo infrastruttura dati, ma anche — forse soprattutto — un esperimento di incentivazione decentralizzata.
Disponibilità
Il dataset è su Hugging Face (axisrobotics/Franka-Dataset), il codice di training su GitHub (AxisAIOrg/Axis-V1-Training). Tutto open-source, tutto scaricabile.
Resta da vedere se questa combinazione di crowdsourcing, blockchain e dati simulati su larga scala funzionerà davvero come ‘data engine’ scalabile. Per ora, i 160.000 download e i benchmark LIBERO-Plus sono un buon inizio.
