XDOF komt naar voren om de kritieke databottleneck in Physical AI op te lossen

Terwijl de race om fysieke intelligentie intensiveert nu OpenAI zijn robotica-programma opnieuw lanceert, is er een nieuwe uitdaging ontstaan: het gebrek aan hoogwaardige trainingsdata. Waar Large Language Models (LLM's) floreerden op de enorme hoeveelheid gegevens op het publieke internet, vereist robotica nauwkeurige, fysieke interactiedata die huidige datasets simpelweg niet kunnen bieden.

De datakloof: Waarom LLM's robotica niet zullen oplossen

De grootste hindernis bij het ontwikkelen van capabele robots is niet alleen rekenkracht of modelarchitectuur; het is de afwezigheid van een "data moat" die vergelijkbaar is met de tekst die voor GPT-modellen wordt gebruikt. Huidige alternatieven, zoals YouTube-video's of kwalitatief minderwaardige beelden die door gig-workers zijn vastgelegd, zijn moeilijk te rijmen met de complexe fysieke realiteit van robotbewegingen. Dit "kip-en-ei-probleem" — de noodzaak van data om modellen te trainen, maar de noodzaak van modellen om efficiënte data te verzamelen — is de belangrijkste bottleneck voor de sector geworden.

XDOF, een startup die uit de stealth-fase komt, positioneert zichzelf als de infrastructuurlaag om dit op te lossen. Met 70 miljoen dollar aan financiering van zwaargewichten zoals Thrive Capital, Spark Capital, a16z, Lux en WndrCo, bouwt het bedrijf de pipelines, verzameltools en annotatiesystemen waar frontier AI-labs moeite mee hebben om deze intern te ontwikkelen.

Het bouwen van de ABC-dataset en de datapiramide

Om het ecosysteem een vliegende start te geven, werkt XDOF samen met het AI Research lab van UC Berkeley om "ABC" te lanceren, een enorme collectie hoogwaardige trainingsdata voor robots. Deze dataset bevat:

Met behulp van deze data hebben teams al succesvol robots getraind op zeer specifieke taken, zoals het vouwen van T-shirts, het platdrukken van dozen en het uitvoeren van delicate handelingen zoals het plaatsen van AirPods in hun oplaadcase.

De strategie van XDOF volgt een "datapiramide" met drie niveaus om uitgebreid leren te garanderen. Het meest waardevolle niveau betreft teleoperatiegegevens die rechtstreeks op de doelrobot worden verzameld. Dit wordt gevolgd door algemene gegevens die worden verzameld via apparaten zoals GELLO (een goedkoop teleoperatiesysteem ontwikkeld door XDOF-medeoprichters Philippe Wu en Fred Shentu). Het laatste niveau omvat "egocentrische" data, waarbij mensen alledaagse taken uitvoeren terwijl ze de eigen sensoren van XDOF dragen om fysieke bewegingen vanuit het eerste persoonsperspectief vast te leggen.

Outscaling the Frontier Labs

A critical question for investors is why major AI labs aren't simply building these data factories themselves. According to CEO Philippe Wu, the operational complexity is immense. Running a data collection operation requires hundreds of thousands of square feet of warehouse space, hundreds of calibrated robots, and a massive, trained workforce of teleoperators.

By specializing in this "unglamorous" work—including data cleaning and hardware-specific calibration—XDOF allows AI labs to focus on model architecture while XDOF manages the massive logistical burden of physical data production. The company's name, a play on "degrees of freedom," reflects its goal to provide data for any arbitrary complexity of motion, from a human arm's seven degrees of freedom to a humanoid's 30.

Key Takeaways