Reading through the Axis Robotics roadmap, what interests me most isn't what they plan to build years from now, but what has already been delivered in the first half of 2026. In Q1 2026, Axis completed its Foundation phase, establishing the loop from browser teleoperation → cleaning → training. By Q2 2026, the project had moved forward with its engine and Franka Sim Dataset, including: • 207 tasks • 50,000+ demonstrations • LIBERO-Plus performance reaching 88.8 with π0.5 Axis is now entering Phase 2 in Q3 2026, with a focus on V2 closed-loop development and scaling the system globally. But the part of the roadmap I'm watching most closely is the next 6–12 months. Axis plans to build large-scale DAgger datasets, further develop its data engine, expand the ecosystem, and move toward commercialization. The roadmap also sets a target of more than $1M ARR. This is where I think @axisrobotics enters an important validation phase. Building the technology is one challenge. Generating data at scale is another. But turning that infrastructure into products and services that customers are actually willing to pay for is a much stronger test of whether the model works beyond technical benchmarks. If Axis can execute on this roadmap, its story could gradually evolve from a Physical AI data project into data infrastructure with a real business model. That's the milestone I'll be watching most closely over the next 6–12 months.

Reading through the Axis Robotics roadmap, what interests me most isn't what they plan to build years from now, but what has already been delivered in the first half of 2026. In Q1 2026, Axis completed its Foundation phase, establishing the loop from browser teleoperation → cleaning → training. By Q2 2026, the project had moved forward with its engine and Franka Sim Dataset, including: • 207 tasks • 50,000+ demonstrations • LIBERO-Plus performance reaching 88.8 with π0.5 Axis is now entering Phase 2 in Q3 2026, with a focus on V2 closed-loop development and scaling the system globally. But the part of the roadmap I'm watching most closely is the next 6–12 months. Axis plans to build large-scale DAgger datasets, further develop its data engine, expand the ecosystem, and move toward commercialization. The roadmap also sets a target of more than $1M ARR. This is where I think @axisrobotics enters an important validation phase. Building the technology is one challenge. Generating data at scale is another. But turning that infrastructure into products and services that customers are actually willing to pay for is a much stronger test of whether the model works beyond technical benchmarks. If Axis can execute on this roadmap, its story could gradually evolve from a Physical AI data project into data infrastructure with a real business model. That's the milestone I'll be watching most closely over the next 6–12 months.

One number made me look more closely at what @termix_ai is building: over $11.5M in value shown as escrowed onchain through . But the more interesting part isn't the headline number. It's how the marketplace is designed to work. AI Agents aren't simply created and placed in a directory waiting to be discovered. Within the TermiX ecosystem, Agents can have onchain identities, offer services, discover jobs, submit quotes, complete work, and participate in settlement through onchain escrow. According to the data currently displayed on • 368,659 Agents indexed onchain • 215,974 cumulative jobs • $11.57M+ total onchain escrow value • $231,533 in protocol revenue The idea that interests me most is still: "The marketplace where agents hire agents." If Agents can hire other specialized Agents to complete tasks, we're moving beyond AI purely as a tool and toward AI systems that can participate in economic coordination. That's also where identity, reputation, verification, and settlement infrastructure become increasingly important. The Agent Economy becomes much more interesting when Agents can do more than perform tasks. They also need infrastructure to discover work, coordinate with other Agents, exchange value, and settle transactions. The next thing worth watching is whether this activity and usage can continue growing over time.

Roboții au deja hardware din ce în ce mai bun. AI are, de asemenea, algoritmi din ce în ce mai puternici. Deci, de ce nu a evoluat AI fizic la fel de rapid ca AI pe Internet? În opinia mea, unul dintre răspunsuri se află în date. Un LLM poate învăța din cantitatea uriașă de text, imagini și videoclipuri de pe Internet. Dar roboții care vor să lucreze în viața reală au nevoie de un tip de date mult mai dificil pentru a fi colectate. Roboții trebuie să învețe cum să țină un obiect, să-l miște, să reacționeze când o manevră eșuează și să se adapteze la mii de situații reale diferite. Hardware-ul poate continua să fie actualizat, calculul poate continua să crească, dar fără o varietate de experiențe de învățat, este încă dificil pentru roboți să se deplaseze dincolo de mediul controlat din laborator. Acesta este și motivul pentru care am început să înțeleg mai bine direcția @axisrobotics. Axis se concentrează pe construirea unui motor de date pentru AI fizic, unde sarcinile, demonstrațiile și chiar eșecurile modelelor pot deveni date pentru următoarea îmbunătățire. Ceea ce îmi place cel mai mult la această idee este acumularea. Cu cât se efectuează mai multe sarcini, cu atât există mai multe date disponibile. Cu cât modelul este folosit mai mult, cu atât se descoperă mai multe slăbiciuni care necesită îmbunătățire. Aceste slăbiciuni pot crea necesitatea de date noi. Dacă AI ar fi vreodată condusă de datele de pe Internet, cred că viitoarea cursă a AI fizică ar putea fi decisă și de cine construiește o sursă suficient de mare și de înaltă calitate de date acționabile.

Cu cât am învățat mai multe despre Axis Robotics, cu atât am observat că nu construiesc doar o platformă pentru ca oamenii să controleze roboți pentru simularea și crearea datelor. Ceea ce vrea Axis să construiască este mai mare de atât, adică un motor complet de date pentru AI fizic. Pot împărți acest sistem în 4 părți: Motorul de generare a sarcinilor În loc să creeze doar câteva sarcini fixe, Axis poate schimba roboți, obiecte, spații, semantice și imagini pentru a crea o varietate de medii de antrenament. Platforma de Colectare a Datelor SIM Utilizatorii din întreaga lume pot participa la sarcini de simulare și pot genera date demonstrative în paralel, în loc să se bazeze pe colectarea tradițională offline. Aplicație Egocentrică Mobilă Aceasta este partea pe care o găsesc destul de interesantă. Axis dorește să aducă colectarea datelor în lumea reală prin dispozitive mobile, integrând urmărirea mișcărilor mâinilor pentru a traduce acțiunile umane în date de mișcare pentru robotică. Conducta de procesare a datelor Datele brute nu sunt cel mai valoros lucru. Axis construiește, de asemenea, pipeline-uri pentru a procesa diverse surse de date într-un format mai potrivit pentru antrenarea modelelor. În opinia mea, aceste 4 părți arată o imagine destul de clară: Creează sarcinile potrivite → surprinde acțiunile umane → extinde-le la date din lumea reală → procesează-le în date care pot fi folosite pentru antrenament. Inteligența artificială fizică va necesita cantități uriașe de date, dar doar această cantitate nu este suficientă. Datele trebuie să fie diverse, de înaltă calitate și, cel mai important, consistente cu ceea ce învață modelul. De aceea cred că partea cea mai interesantă a @axisrobotics nu este doar numărul de traiectorii, ci întregul sistem din spatele creării lor.

Roboții devin mai buni, modelele devin mai puternice, dar un lucru rămâne marea problemă a Inteligenței Artificiale Fizice: datele. De aceea găsesc destul de ușor de înțeles modul în care Axis Robotics împarte sistemul în 3 părți. Infrastructură Axis își propune să poată lucra cu o varietate de simulatoare și hardware. În opinia mea, acest lucru este esențial dacă datele nu sunt limitate la un singur mediu sau la un singur tip de robot. Forța de muncă O rețea de peste 100.000 de persoane din întreaga lume poate participa la crearea datelor. În loc să colecteze date doar în laboratoare cu un număr limitat de persoane, Axis încearcă să le transforme într-o rețea distribuită scalabilă. Date Datele provin din multe surse și în multe forme diferite. Aceasta este, în cele din urmă, resursa folosită pentru dezvoltarea Inteligenței Artificiale Fizice. În opinia mea, punctul remarcabil constă în faptul că Axis nu încearcă să rezolve fiecare parte separat. Cu infrastructură, dar fără creatori de date, este dificil de scalat. Cu o comunitate, dar fără un sistem de colectare și procesare a datelor, este de asemenea dificil să creezi valoare. Când infrastructura + forța de muncă + datele sunt conectate, acestea au potențialul de a forma un adevărat motor de date pentru robotică. De aceea continui să monitorizez cum @axisrobotics construi acest sistem.

Unul dintre lucrurile care mă interesează cel mai mult când învăț despre AI fizic este: de unde obțin roboții date pentru a deveni din ce în ce mai inteligenți? Modul în care Axis Robotics construiește bucla de date mi-a atras atenția. Totul poate fi înțeles simplu în 4 pași: Generarea sarcinilor: creează o varietate de medii și sarcini simulate. Colectarea datelor: o rețea globală de utilizatori care îndeplinesc sarcini pentru a crea date demonstrative. Antrenamentul modelului: date evaluate pentru calitate și folosite în timpul antrenamentului modelului. Optimizare: sunt detectate puncte slabe ale modelului, creând astfel noi sarcini care se concentrează pe acele slăbiciuni. Ce apreciez la acest model este că procesul nu se oprește după colectarea datelor. Se formează un cerc vicios: creează sarcini, colectează date, antrenează, identifică punctele slabe și apoi continuă să creeze date noi pentru îmbunătățire. În opinia mea, aceasta este partea @axisrobotics care merită să fie atentă. Inteligența artificială fizică nu are nevoie doar de multe date. Este mai important să generezi constant tipul potrivit de date pe care modelul le lipsește. Dacă această buclă funcționează eficient la scară, fiecare eșec al modelului poate deveni de asemenea date pentru a face următoarea generație mai bună.

3.694.720 de traiectorii și 138.623 de utilizatori. Aceste cifre m-au făcut să încep să privesc Axis Robotics dintr-o altă perspectivă. Inteligența artificială fizică nu are nevoie doar de modele mai bune. Pentru ca roboții să învețe cu adevărat cum să interacționeze cu lumea, au nevoie de o cantitate mare de date despre acțiunile, mișcările lor și modul de a gestiona sarcini specifice. Aici devine interesant modelul Axis. Utilizatorii pot participa la sarcini simulate, cum ar fi controlul brațului robotic pentru a muta sau aranja obiecte. Fiecare execuție contribuie la crearea traiectoriei, adică date despre modul în care a fost realizată o acțiune. Conform datelor afișate în prezent pe Axis Hub: • 3.694.720 traiectorii • 138.623 utilizatori • 330 de misiuni noi în 7 zile • Peste 3,4 milioane de tranzacții În opinia mea, cel mai remarcabil lucru nu este numărul de tranzacții, ci cele peste 3,69 milioane de traiectorii create. Dacă datele sunt într-adevăr unul dintre principalele obstacole ale AI fizic, atunci capacitatea de a mobiliza sute de mii de oameni să participe la crearea datelor ar putea deveni un avantaj remarcabil pentru @axisrobotics. Cu cât roboții vor să facă mai multe în lumea reală, cu atât au nevoie de mai multe date pentru a învăța. Iar Axis încearcă să construiască chiar acel strat de date.

728.335 de traiectorii din doar 4.913 participanți. Acesta este numărul care mi-a atras atenția când am aflat despre cooperarea dintre Axis Robotics și BitRobot. Ceea ce găsesc interesant nu este doar numărul, ci modul în care transformă activitățile umane în mediul simulat în date pentru AI fizic. Utilizatorii participă la sarcini de simulare și controlează brațul robotic, creând astfel traiectorii. Datele sunt apoi evaluate pentru calitate și verificate on-chain pe Solana. În prezent, sistemul din imagine a înregistrat 601 sarcini și peste 728K traiectorii. În opinia mea, aceasta este o abordare cu adevărat remarcabilă a problemei datelor din robotică. În loc să se bazeze exclusiv pe roboți fizici pentru colectarea datelor, ceea ce este costisitor și dificil de scalat, Axis folosește simularea și implicarea comunității pentru a genera date la scară largă. AI are deja o mulțime de date de pe Internet de învățat. Dar inteligența artificială fizică care vrea să înțeleagă și să interacționeze cu lumea reală are nevoie de un alt tip de date, adică date despre acțiuni și mișcări. Și cred că aceasta este problema pe care @axisrobotics încercăm să o rezolvăm. Dacă acest model continuă să se extindă, datele vor deveni probabil una dintre cele mai importante "resurse" ale rasei AI fizice.

Știri notabile: Autoritățile vor stabili un mecanism pentru a preveni și bloca rapid conturile bancare și portofelele electronice cu semne de implicare în activități de fraudă online și vor promova recuperarea activelor pentru victime. Dacă va fi implementat eficient, acesta va fi un pas pozitiv în limitarea escrocheriilor și creșterea șanselor de a recupera banii pentru victime. Sperăm că, în viitor, escrocii nu vor mai fi la fel de ușor de dispersat activele ca înainte.