这家「数采」初创火了，红杉、英伟达抢着打钱

作者 |木雨

来源 | 具身之家Robots（ID：jushenhome）

当全行业都在比拼人形机器人的硬件性能、模型参数时，最顶级的资本已经悄悄押向了更底层的核心战场 ——机器人训练数据。

10月7日，机器人训练数据初创公司Mecka AI正式宣布完成6000万美元B轮融资。本轮融资由红杉资本领投，英伟达、微软创投基金M12、高通创投、三星作为新投资方悉数跟投，老股东Kindred、Framework Ventures、Neo持续加注。

DoorDash创始人兼CEO Tony Xu、前ServiceNow与Snowflake的CEO Frank Slootman、前特斯拉Optimus项目负责人Milan Kovac等行业大佬也作为天使投资人参与其中。本轮融资将用于扩大公司的数据基础设施规模，深化内部实验室研发，以及拓展商业机器人落地部署。

叠加此前Framework Ventures领投的6000万美元A轮融资，以及800万美元种子轮投资，Mecka AI累计融资总额已突破1.2亿美元。Mecka AI官方并未披露估值，据TechCrunch援引知情人士消息，本轮融资后公司估值约为5亿美元。

这笔融资的信号意义远大于金额本身。它第一次清晰地印证，人形机器人训练数据已经从配套环节成长为一个被资本重视的独立赛道。

Mecka给机器人建一座人类经验库

1.机器人缺的不是大脑，而是真实世界经验

为什么Mecka AI能拿到全球科技巨头的集体下注？答案藏在整个人形机器人行业的核心瓶颈里。

在Mecka AI看来，现在的机器人并不缺少智能大脑，而是缺乏真实世界的操作经验，而这正是通用机器人落地的最大障碍。

大语言模型能够快速发展，是因为可以借助互联网中人类积累的文字数据学会推理，但机器人却没有现成的“经验遗产”可以继承，其发展始终面临着一个难以解决的瓶颈：物理世界不存在互联网，真实世界的交互经验从未被系统性数字化记录。

从来没有人系统性记录过一只手如何抓握、折叠、倾倒物体，该用多大力度，又该在什么时候松手。动作、接触、受力、空间几何等物理交互信息不存在于互联网，既爬取不到，也无法直接采购。

机器人真实世界操作数据的缺口，正是Mecka的核心机会。它要为整个行业搭建底层数据供给体系，把人类的物理动作转化为结构化数据，给机器人提供可学习的经验素材。

2.Mecka破局：用第一人称视角，给机器人录 “经验教程”

与业界主流的传统遥操作（人类远程操控机器人生成训练数据）的模式不同，Mecka走了一条差异化的自我中心视角采集路线。直接面向大众付费招募参与者穿戴身体传感器，配合智能手机，以第一人称视角完成冲咖啡、叠衣服、维修车辆等日常任务，直接记录人类的动作逻辑与交互习惯，再通过算法将原始素材转化为结构化的机器人训练数据。

在Mecka看来，这种来自人类执行者视角的数据，更符合真实的动作逻辑与交互习惯，不仅质量更高，规模化成本也远低于传统遥操作方案。

为了实现物理世界的高精度数字化，Mecka搭建了从硬件到模型的全栈技术体系：

l自研采集硬件：针对不同信号自主设计多传感器设备，选型与同步方案完全由下游模型需求驱动；

l全球采集网络：运营多支采集团队，在家庭、商业等真实场景中录制人类示范动作；

l算法研究能力：通过计算机视觉与多模态模型，把真实场景的原始数据转化为结构化信号，包括动作追踪、3D重建、传感器对齐，其中非实验室环境下的手部姿态追踪，精度已达到亚厘米级。

3.不止供应数据，更是新一代机器人集成商

Mecka的身份不只是数据供应商。基于同一套技术栈，它同时扮演着新一代机器人集成商的角色。

传统机器人集成方案交付后功能就固定不变，而Mecka的模式则会在部署现场持续采集数据，基于新数据对模型进行迭代训练，系统能力在运行过程中不断提升。对于想落地物理AI却没有专属研发团队的企业，Mecka提供从硬件、数据采集、模型后训练、系统集成到长期运营的全流程服务。

这家2024年成立的公司发展速度相当亮眼。官方信息显示，Mecka正式运营仅数月，就在2026年6月突破了1亿美元的年化营收，预计年底将达到3亿美元，客户已覆盖多家全球顶尖机器人实验室及美股七巨头企业。

值得注意的是，Mecka的四位核心创始人均无传统机器人行业背景，而公司内部认为，这反而让团队跳出了固有思路，走出了差异化路线。

数据金字塔，英伟达划定赛道格局

英伟达在GR00T N1论文中提出了机器人数据金字塔框架，清晰地勾勒出了整条赛道的分层格局：

底层是人类视频与网络数据——体量最大、成本最低，与机器人本体匹配度最低；中层是合成、模拟数据——AI生成、模拟环境产出，扩张效率高但物理准确性不足；顶层是真实机器人数据——体量最小、成本最高，与机器人的匹配度也最高。

如今全球机器人行业的竞争，正在这三层同时打响。

1.底层：用人类视频堆出规模红利

金字塔的最底层是网络公开视频与人类动作记录。它体量最大、成本最低，虽然和机器人本体的匹配度最低，却能承担基础预训练的大部分工作。核心逻辑是以极低的成本规模化采集人类动作视频，作为机器人模型预训练的数据基础。Mecka的核心业务本质也对应金字塔底层，只是更偏向高精度、结构化的B端数据供给。

Figure AI在这一赛道下了最大的赌注。它推出的Index应用软件付费招募普通人拍摄家庭和工作任务视频，上线后已在108个国家收获26.4万次下载，周活跃用户超4.4万人，累计上传视频超1600万条，平台每秒新增约35分钟的人类视频数据。

Figure的内部测试显示，经过Index数据预训练的Helix 2.5模型，在陌生家庭中零样本任务成功率从9%提升至56%。该公司提出了人类-人形机器人缩放定律：数据量每次翻倍，机器人的动作预测能力就会出现可预期的提升。

这也解释了资本为何愿意为Mecka这类公司的数据买单：低成本的人类视频数据，已经初步证明了它对机器人能力的增益价值。

2.顶层：真机数据，最稀缺的黄金标准

金字塔的顶端是真实机器人硬件采集的数据。它体量最小、成本最高，却最贴合机器人的物理形态与运动逻辑，是最终验证能力的关键。

如今，越来越多机器人厂商将自家早期量产机队的核心定位描述为数据采集载体。特斯拉明确表示，首批Optimus机器人将投入Optimus Academy，核心职能就是训练数据采集与功能开发；Apptronik的Robot Park基地专为Apollo 2机器人采集数据，产出的数据还同时供给谷歌DeepMind的Gemini Robotics模型；Figure的BotQ工厂已交付超350台Figure 03机器人，同样承担着数据生产的职能。

但即便如此，全行业的真机数据规模依然极度匮乏。目前全球头部机器人模型，训练用的真实机器人数据都仅在数千小时级别：Physical Intelligence的π0模型使用超10000小时数据，丰田研究所的大行为模型训练数据约1700小时，宇树UnifoLM-WLA-1.0模型用了约2500小时。而作为行业里程碑的Open X-Embodiment联合项目，由21家机构共同参与，整合了60个数据集，最终也只汇集了22种机器人的100多万条运动轨迹，且绝大多数来自机械臂，而非人形机器人。

3.中层：合成数据，效率与精度的平衡

介于两者之间的是模拟数据与AI生成的合成数据。英伟达团队曾通过视频生成模型用88小时的内部遥操作数据产出约827小时的合成“神经轨迹”，实现近10倍的数据扩充，还生成了7.8万条仿真轨迹，相当于6500小时的人类示范数据，全程仅耗费11小时的算力。

但行业也普遍承认，合成数据至今仍难以完全还原真实世界的物理精度，只能作为补充数据，无法替代真实数据的价值。

赛道爆发，行业还在等一个答案

机器人训练数据已经成为AI基建领域增长最快的细分赛道之一，除了Mecka、Figure，XDOF、Scale AI、Micro1、Encord等公司也在从不同角度切入赛道，市场迅速升温，竞争愈演愈烈，资本也在疯狂加注。机器人数据赛道的热度，已经实打实地反映在了融资数据上。

据《Tech Funding News》十大人形机器人初创企业排名中引用的Dealroom统计数据，截至2026年7月底，全球人形机器人初创企业累计融资已达86亿美元，是2025年全年的1.8倍。英伟达、红杉等头部资本更是双线布局，在机器人本体与数据基建两端同时密集下注。

融资的热度是真实的，但整个行业至今仍有一个核心问题没有答案：人形机器人到底需要多少数据，才能在演示场景之外，稳定可靠地承担商业化的付费工作？

Figure的缩放定律衡量的是模型的预测误差，而非真实工作场景中的作业可靠性；Mecka的营收数据并未披露客户身份，也没有说明数据被用于训练何种能力、实际效果如何；各家在居民家庭中采集视频的公司，除了Figure简单提及过滤与反作弊机制外，几乎都没有公开说明录制内容的审核标准与存储规范。从某种意义上来说，现在所有资本押注的都是“数据越多，机器人能力越强”的缩放曲线，但这条曲线在物理世界是否成立、能走多远，还没有被真正的商业落地所证明。

而行业的下一次考验很快就会到来。特斯拉将于10月21日公布第三季度财报，投资者将重点关注Optimus Academy是否能从数据采集走向落地应用阶段。只有当一家厂商真正证明，以人类数据训练的机器人能够稳定完成付费客户的真实工作，这场数据竞赛才会走向现实。

随着机器人从工厂走向家庭、办公室，训练数据的需求只会持续增长。Mecka的6000万美元融资不是终点，而是一个明确的信号：机器人的竞争，已经从拼硬件、拼模型的表层，下沉到了拼数据基建的深层。其押注的是自我中心式数据采集将成为行业标准范式。至于这条“人类教机器人”的路径能不能跑通，时间很快会给出答案。