Каждая крупная ИИ-лаборатория сегодня мечтает о роботах, способных складывать белье, упаковывать коробки и ориентироваться на кухне. Но для данных о физическом взаимодействии не существует своего «интернета». Их нельзя просто спарсить, собрать с помощью краудсорсинга или полностью заменить симуляцией. Их нужно собирать вручную — робот за роботом, задача за задачей, в реальном мире.
Именно эту проблему взялся решить стартап XDOF, вышедший из режима скрытности в июне 2026 года. Базирующаяся в Беркли компания привлекла 70 миллионов долларов от Thrive Capital, Andreessen Horowitz, Lux Capital, Spark Capital и WndrCo, и сразу же представила ABC — крупнейший на сегодняшний день открытый датасет для двуручных манипуляций: 130 000 траекторий в рамках 195 задач, а также 300 часов данных симуляции и 100 часов оценок [2][3]. Спустя три месяца компания ведет переговоры на поздней стадии о раунде серии B при оценке в 1,2 млрд долларов под руководством 8VC, при этом ее годовая выручка приближается к 50 млн долларов [4].
Скорость этого взлета многое говорит о рынке. Но гораздо более интересный вопрос заключается в том, строит ли XDOF платформу, которая масштабируется как программное обеспечение, или сервисный бизнес, масштабируемость которого зависит от количества сотрудников.
Дефицит данных — проблема структурная, а не временная
У языковых моделей был интернет. Десятилетия текстов, написанных людьми, были готовы для обучения. У роботов нет ничего подобного. Видео на YouTube не обладают достаточной точностью и привязкой к физике. Кадры, снятые гиг-работниками, трудно сопоставить с реальными физическими законами. Симуляторы помогают, но разрыв между симуляцией и реальностью (sim-to-real gap) остается труднопреодолимым [2].
Филипп Ву, генеральный директор XDOF, столкнулся с этой стеной еще будучи аспирантом Калифорнийского университета в Беркли. «У нас не было крупномасштабных данных для работы», — рассказал он TechCrunch. «Возникла проблема курицы и яйца. Сначала нам нужно было фактически собрать данные, прежде чем мы могли хотя бы задаться вопросом, как обучить базовую модель для робототехники» [2]. Это озарение стало основополагающим тезисом XDOF: самое сложное в создании роботов — это не модель и не чип, а данные, а именно данные о физическом взаимодействии, собранные в масштабе в реальном мире.
Создание собственного подразделения по сбору данных означает расходы на складские помещения, парк роботов, техническое обслуживание, обучение операторов и калибровку. Это крайне сложный процесс с операционной точки зрения, который отвлекает ресурсы от исследований. Поэтому передовые лаборатории платят XDOF, чтобы компания делала это за них. На момент запуска у компании было около 20 платных клиентов, среди которых несколько ведущих ИИ-лабораторий (названия которых официально не разглашаются) [2][3].
Как XDOF собирает данные в промышленных масштабах
XDOF использует трехуровневую систему сбора. Основой является GELLO — бюджетная система телеуправления, разработанная основателями в ходе их исследований. Она позволяет оператору-человеку дистанционно управлять роботизированной рукой для создания обучающих демонстраций [2][4]. Помимо этого, XDOF проектирует собственное оборудование для сбора данных, управляет физическими операциями (склады, парки роботов, обслуживание) и создает конвейеры аннотирования, которые превращают необработанные траектории в готовые для обучения датасеты [2].
Сейчас компания одновременно задействует сотни роботов под управлением операторов для своих клиентов [3]. Это не чисто софтверная история. Оборудование — такая же часть данных, как и код. Как сказано в профиле XDOF на LinkedIn: «Хотя алгоритмы обработки могут постоянно совершенствоваться, вы не можете изменить данные на уровне сенсоров после того, как они были зафиксированы. Что упущено, то упущено. Что неверно, то неверно» [7].
Они также собирают эгоцентрические данные — людей с датчиками на теле, выполняющих повседневные задачи, такие как складывание одежды и разбор коробок, чтобы зафиксировать нюансы движений, которые ускользают при обычном телеуправлении [4]. В планах — наем и обучение команд сборщиков данных по всему миру, сочетая удаленных операторов с сотрудниками на местах.
Датасет ABC: открытый исходный код как визитная карточка
ABC (сокращение от «A Berkeley Collection» или аналогичного названия — компания официально не раскрывала полную расшифровку) — это доказательство возможностей XDOF. Созданный в партнерстве с лабораторией ИИ-исследований Калифорнийского университета в Беркли, датасет охватывает 130 000 траекторий манипуляций в 195 двуручных задачах [3][6]. Он включает в себя аналоги в симуляции и бенчмарки для оценки.
Выпуск крупнейшего в истории открытого датасета по робототехнике преследует несколько целей. Это демонстрирует техническую компетентность потенциальным клиентам, устанавливает планку качества для индустрии и становится центром притяжения для исследователей, которые позже могут стать клиентами или сотрудниками. Однако сами по себе открытые данные не создают долгосрочного конкурентного преимущества.
Вопросы качества и стоимость перехода
Аналитики Altis Research, проведя 21 интервью с покупателями услуг XDOF, отмечают важный нюанс: клиенты оценили качество данных XDOF ниже, чем тех, что они собирают сами, и заявили, что затраты на переход к другому поставщику невелики [3]. В этом и заключается суть пессимистичного сценария. Если продукт является стандартной услугой («мы управляем роботами за вас»), то маржа будет снижаться, а удержание клиентов ослабнет, когда лаборатории создадут собственные мощности или перейдут к более дешевым провайдерам.
Оптимистичный сценарий предполагает, что комплексная экспертиза XDOF (дизайн оборудования, операции, инструменты аннотирования, курирование датасетов) превратится в платформу, которую со временем станет все труднее воспроизвести. Компания описывает себя как «отчасти производителя оборудования, отчасти операционную фирму, отчасти платформу данных» [2]. Инвесторы сравнивают ее со Scale AI или Mercor для физической робототехники — гигантами разметки данных, которые подпитали бум LLM [4]. Но Scale AI опиралась на огромный, уже существующий пул людей-разметчиков. XDOF же приходится строить собственную инфраструктуру сбора данных с нуля.
Что это значит для стека технологий робототехники
Решение OpenAI возобновить свою программу робототехники в 2026 году (после ее закрытия в 2021-м) стало сигналом для всей индустрии: физический ИИ теперь является приоритетным направлением, а не второстепенным проектом [2][6]. Это спровоцировало ажиотаж вокруг инфраструктуры данных. XDOF — самый заметный из первых победителей, но среди конкурентов уже значатся Mecka AI, а также платформы человеческих данных, расширяющиеся за пределы LLM, такие как Scale AI и Micro1 [4].
Вопрос следующих 18 месяцев заключается в том, будет ли сбор данных через телеуправление демонстрировать экономику платформы (где предельные издержки снижаются по мере роста масштаба) или экономику услуг (где каждый новый клиент требует пропорционального увеличения штата и количества оборудования). Оценка XDOF в 1,2 млрд долларов говорит о том, что инвесторы ставят на первый вариант. Однако отзывы клиентов о невысокой стоимости смены поставщика намекают на то, что второй вариант все еще может доминировать.
Для разработчиков робототехники практический вывод очевиден: слой данных больше нельзя игнорировать или полностью отдавать на аутсорс без риска. Независимо от того, сотрудничаете ли вы с XDOF, создаете собственные мощности или ждете зрелости рынка, именно качество и масштаб ваших данных о физическом взаимодействии определят, на что ваши модели будут способны в реальном мире.
Хотите следить за развитием рынка инфраструктуры данных для робототехники? Подпишитесь на еженедельный дайджест AskBrainy для получения анализа, отделяющего реальные тренды от хайпа.
Источники
- What Is XDOF Robotics: The $70M Startup Building the Data Engine Behind …
- XDOF — Robotics Data Infrastructure | Altis Research
- XDOF launches ABC dataset and raises $70 million | Межа
- XDOF, just 3 months out of stealth, is in talks for a … - TechCrunch
- XDOF - LinkedIn
- About | XDOF
- xDOF 2026 Company Profile: Valuation, Funding & Investors | PitchBook
