Embodied AI 融资押注欧洲工厂车间的务实路径

Embodied AI 的融资推动了一家欧洲机器人创业公司，其承诺颇为不同寻常：现在就实现复杂工厂任务的自动化，而不是等待通用机器人的到来。

这家总部位于洛桑的公司于 2026 年 9 月 16 日披露了其首轮融资。Faber VC 领投，Techshop Capital、Look AI Ventures、Kickfund、Plug and Play San Francisco、Excellis 和 Vento 参投。融资金额未披露。

这一缺失的数字固然重要，但更关键的细节是 Embodied AI 计划如何使用这笔资金。它希望直接在欧洲工厂内部部署机器人、收集任务数据，并在自动化失效时借助远程操作人员。

这一战略使 Embodied AI 站在不断扩大的机器人技术路线之争的一方。一些开发者正在追求通用模型，承诺让机器在不同设备和环境中具备广泛技能。Embodied AI 则从更聚焦的模型、柔顺硬件和生产线上的人工介入起步。

该公司表示，其初期应用包括电子制造、备料、柔性线缆处理、物流和汽车装配。这些场景都涉及变化因素或物理灵巧性，而传统自动化往往难以妥善应对。

Embodied AI 并不认为完全自主已不再重要。它的观点是，工厂不应被迫等待这一目标实现。

Embodied AI 融资实际支持什么

这轮融资支持的是生产部署战略，而不只是又一个机器人研究项目。

Embodied AI 计划将新资金投入四个相互关联的领域：制造更多机器人、与欧洲工业客户部署系统、扩展数据与训练基础设施，以及招聘技术和商业人才。

该公司总部设在洛桑，并正在罗马开设办公室，同时在代尔夫特和波士顿保持布局。CEO Francesco Stella 表示，这笔融资将把其技术直接部署到客户生产线上，并为一支欧洲机器人劳动力队伍奠定基础。

该公司尚未披露参与的制造商身份。它表示，其中一些是欧洲规模最大的工业企业，机器人正进入电子、物流和汽车环境。这些部署说法尚未通过客户案例研究获得独立佐证。

试点与持续部署之间的区别十分重要。机器人或许能在工程师在旁的情况下完成受控演示，但商业自动化必须能在换班、材料差异、设备磨损和意外的人类活动中持续运作。

因此，Embodied AI 选择了运营边界清晰但具有显著物理难度的任务。柔性线缆处理便是一例。线缆会弯曲、扭转、重叠，并在被抓取时改变形状，因此比刚性零件更难操控。

备料也带来相关挑战。工人必须为装配流程选取并摆放正确组件，且往往需要应对不断变化的产品配置。机器人必须识别零件、从不完美的抓取中恢复，并在物品出现在意料之外的位置时作出调整。

这些并非电影式的演示，而是日常生产活动。在这些场景中，可靠性、节拍时间和恢复成本决定了自动化能否创造价值。

融资公告称，公司将强调可衡量的客户回报，而非遥远的人形机器人愿景。其发布报道描述了一套垂直整合系统，涵盖专有硬件、远程操控、数据收集和自主软件。

这种整合让 Embodied AI 对机器人的行为拥有更多控制权。但与纯软件公司相比，它也让这家创业公司面临更多工程工作、制造风险敞口和资金需求。

Faber VC 合伙人 Sofia Santos 表示，投资逻辑聚焦于一支能够重新思考机器人如何制造和部署的团队。Techshop Capital 合伙人 Aurelio Mezzotero 则指出，这家创业公司专注于实际工业需求。

这些是投资者的判断，并非独立验证。这轮融资确立了资金支持和部署计划，但尚未证明其经济效益可复制，或生产可靠性已经得到验证。

因此，最明确的事件并非 Embodied AI 已经解决了工业机器人难题，而是投资者正在资助一条通向该目标的具体路径：围绕真实工厂数据和持续人工后备支持构建的路径。

为什么欧洲制造商需要更灵活的机器人

Embodied AI 瞄准的是刚性自动化与仍依赖人工的多变工作之间的缺口。

当工程师能够严格控制环境时，传统工业机器人表现出色。它们焊接预定焊缝、在固定位置之间搬运已知零件，并以高精度重复编程动作。

当产品频繁变化，或物体在处理过程中发生形变时，这一模式的效果就会下降。每增加一种变化，都可能需要新的夹具、代码、安全审查、测试或专业支持。

欧洲工厂常采用高混合生产模式，即以较低产量制造多个产品变体。这种结构有利于灵活性，却可能削弱围绕单一重复任务设计的自动化方案的财务合理性。

劳动力供给也带来压力，尽管具体情况因国家和行业而异。制造商需要能够补充熟练工人的系统，同时不必彻底重构每条生产线。

Embodied AI 的回应是 Physical AI，即将机器学习与能在真实环境中感知和行动的机器人相结合。这一概念不止涵盖人形机器人，也包括工业机械臂、移动机器、无人机和其他决策会产生物理后果的系统。

最后一点带来了严苛标准。语言模型生成错误句子，并不会损坏生产线；机器人却可能掉落组件、撞击设备、导致单元停机，或引发安全事故。

欧洲制造商还必须评估集成、认证、维护和员工培训。如果安装一个系统会中断生产数月，或需要持续依赖外部工程支持，那么即使模型能力出色，其商业价值也很有限。

Embodied AI 表示，其系统可以进入现有生产环境，并在部署过程中学习各项具体任务。如果这一说法成立，客户就能将变化过于频繁、难以用传统编程处理的工作实现自动化。

这一方法出现之际，欧洲机构正研究该地区如何参与 embodied AI 市场。2026 年 3 月的一项Fraunhofer 分析认为，欧洲制造商应聚焦于对成本和性能敏感的机器人组件。

这一建议反映了欧洲的特殊处境。该地区在工业机械、汽车生产、传感和自动化领域拥有深厚专业能力，同时又要与美国和亚洲资金更充足的 AI 与机器人生态系统竞争。

Embodied AI 希望将毗邻欧洲工厂的优势转化为数据优势。生产部署会产生实验室系统可能从未遇到过的真实故障、材料、任务和恢复操作样本。

然而，仅有数据访问权限并不能造就可防御的技术。制造商可能限制生产数据的收集或传输；不同工厂也可能采用不兼容的流程、设备、安全规则和信息系统。

该公司必须证明，从一个安装项目中获得的学习能够改善后续部署。否则，每位新客户都可能仍是一个定制工程项目。

这正是核心的经济问题。当能力能够在不同任务和地点之间迁移时，灵活机器人便具有吸引力；当每次安装都从零开始时，它们就会成为昂贵的咨询项目。

Embodied AI 的融资为公司检验这种迁移能力赢得了时间。欧洲制造商如今提供了一个环境，使这套论点要么持续累积优势，要么停滞不前。

面向特定任务的学习挑战基础模型路线

Embodied AI 正押注于多个专注模型能比一个通用机器人模型更早进入工厂。

该公司将其系统描述为“Embodied AI flywheel”。它将面向特定任务的模型、专有机器人硬件、数据收集、远程操控和反复训练结合起来。

飞轮是一种随着运转而变得更有价值的反馈循环。在这里，机器人尝试执行任务、遇到困难情况、获得人工协助，并记录由此产生的修正措施。

工程师随后可以利用这些数据改进相关模型。更好的表现应减少人工介入次数，使同一批操作人员能够支持更多机器人。

这与机器人基础模型的起点不同。后者旨在从大量且多样的数据集中学习通用表征，并试图在物体、机器人和环境之间迁移技能。

更广泛的基础模型路线仍具吸引力，因为泛化能力可以减少面向特定任务的工程工作。足够强大的模型或许能理解新指令、识别陌生物体，并在无需大量再训练的情况下调整行为。

其局限在于可靠性。通用能力并不会自动在生产环境中带来可预测的行为。工厂需要知道系统多久会失败一次、失败时会发生什么，以及运营能多快恢复。

Embodied AI 正优先考虑更小的运营边界。每个模型处理一项明确任务，而远程操控则覆盖自动化策略无法处理的情况。

这一选择以广度换取控制力。专注模型需要掌握的情境更少，因此其行为更容易评估。然而，当任务、组件和工厂条件发生变化时，模型集合本身也可能形成维护负担。

与该公司团队相关的研究为这一战略的硬件部分提供了一些技术支持。CTO Kai Junge 与 EPFL 教授 Josie Hughes 合著的一项经同行评审的柔顺手研究，考察了一只刚度与人手相当的机器人手。

研究人员报告称，该手在 15 小时运行中完成了逾 800 次无损抓取。在另一项桌面实验中，这只手针对 24 件物体完成了 75 次试验中的 70 次。

这些结果涉及研究平台和受控实验，并不能验证 Embodied AI 的商用机器人，也不能验证其现有软件栈的性能。

不过，它们仍说明了硬件柔顺性为何重要。柔顺机构在接触物体或表面时可以发生形变，使机械本体得以吸收小误差，而不是完全依赖软件修正。

刚性系统同样可以通过传感、控制、防护和力限制实现安全运行。Embodied AI 的论点更为具体：在 AI 模型作出决策之前，机械柔顺性就能够提升保护性与适应性。

这家创业公司还参与了将视觉-语言-动作模型部署到软体机器人的研究。视觉-语言-动作模型将视觉观察和语言指令连接到物理动作。

该研究发现，当将策略迁移到不同的机器人本体时，模型微调是必要的。这一发现印证了具身 AI 对“轻松实现通用控制”这一说法的怀疑。

在一台机器人上训练的模型，并不会自动理解另一台机器人的尺寸、刚度、关节或可实现的动作。研究人员将这种差异称为“具身鸿沟”。

面向特定任务的学习可以围绕已知机器和明确的生产流程进行训练，从而缩小这一鸿沟。但代价是，由此获得的技能可能无法广泛迁移。

因此，真正的竞争并不是孤立意义上的小模型对大模型，而是短期可靠性与长期通用性之间的较量。

Embodied AI 正将聚焦型模型定位为首个商业化层级。当通用技术达到所需的可靠性门槛后，便可在后续引入。

人类远程操控既是产品的安全网，也是其瓶颈

远程干预可以维持产线运转，但 Embodied AI 必须证明，随着其机器人规模扩大，对人工支持的依赖会下降。

该公司的人在环架构允许操作员在机器人遇到陌生情况时接管控制。这既能解决眼前的生产问题，也能为后续训练生成带标签的样本。

这一设计承认了一个常被机器人营销掩盖的事实：现实环境中总会出现训练数据未能覆盖的情况。

零部件可能在送达时已受损。包装材料可能以不同方式反射光线。一根电缆可能形成新的缠结。工人也可能将物体放在预期区域之外。

让系统停机并等待工程师到场，会削弱自动化的实用价值。远程干预提供了更快的后备方案，尤其是在一名专家能够为多个地点的机器提供支持时。

这种模式类似于其他自动化市场中由人工操作员处理边缘案例的做法。然而，工厂对响应速度有严苛要求。几分钟的延迟就可能影响下游设备，或迫使工人绕过机器人工作单元。

因此，Embodied AI 必须衡量的不只是任务成功率。客户还会需要了解干预频率、响应时间、恢复时间、生产可用性，以及每名操作员能够监管的机器人数量。

最能说明问题的指标将是每运行小时的干预次数。该指标下降将支持公司所称的飞轮效应；若维持稳定，则意味着远程操控仍是一项长期的人力需求。

这种结果未必会让产品失去可行性。与在每座工厂配置专家相比，远程工作仍可能更安全、更具扩展性，或更容易配备人员。

但这会改变商业模式。Embodied AI 将运营一项由人工支持的自动化服务，而非持续迈向自主生产。

数据质量带来了另一项风险。只有当系统准确捕捉周围状态、操作员动作及最终结果时，人类修正才有价值。

一次修正可能解决眼前的问题，却未必能提供可复用的经验。两次看似相似的干预，可能源于不同的物理原因。

这家初创公司还需要围绕工厂数据建立治理机制。生产图像可能暴露专有零部件、布局、流程或客户信息。制造商可能要求本地处理、访问控制、保存期限限制，或限制跨客户训练。

延迟同样重要。当网络状况发生变化时，远程操作必须保持响应迅速且安全。如果任务进行中连接中断，机器人需要有明确的行为规范。

Embodied AI 表示，安全性还来自机械设计。柔软或柔顺的部件可降低接触时的作用力，在软件控制之外提供一层物理保护。

学术证据颇具前景，但仍有限。实验室中的抓取结果并不能证明其符合工业安全要求，或能在工人身边可靠运行。

独立观察人士也警告，不应假设具身智能消除了物理限制。接受欧洲机器人技术评论采访的机器人研究人员强调，简单的实验室任务在不受控环境中可能变得困难。

他们还指出，与行为以较难预测方式变化的通用系统相比，模块化能力可能更容易获得认证。这一观察有利于 Embodied AI 的聚焦式方法，但并不能免除认证工作。

该公司必须说明其机器人如何识别不确定性、请求帮助、限制作用力，以及在干预后如何恢复控制。客户还会询问：当操作员、模型或机械部件发生错误时，责任由谁承担。

因此，远程操控既是这家初创公司最务实的功能，也是其最显眼的规模化风险。它今天可以弥合自主性鸿沟，但其经济性取决于这一鸿沟缩小的速度。

Embodied AI 融资进入拥挤的工业竞争赛道

Embodied AI 同时在与成熟自动化供应商、柔性机器人初创公司以及通用 AI 开发商竞争。

该公司眼前的对手并非单一的人形机器人制造商，而是由工业机器人、系统集成商、专用设备和人工劳动力构成的既有组合。

传统自动化供应商拥有成熟的硬件、服务网络和既定的安全流程。其系统已能够执行大批量焊接、装配、包装、检测和物料搬运。

系统集成商了解每一家工厂，并能整合多家供应商的硬件。当一家初创公司提出新平台时，这种客户关系便构成了强大优势。

Embodied AI 必须证明，其学习系统能充分降低部署工作量，以抵消向年轻公司采购所带来的风险。它还必须在工业设备的整个使用寿命内提供维护、备件、更新和支持。

其他初创公司正以不同的技术边界追求类似机会。一些公司专注于可与现有机械臂协作的 AI 软件；另一些则打造完整机器、灵巧手或人形机器人平台。

例如，Mbodi AI 推广面向工业机器人的自然语言教学，并曾谈及通过与 ABB 的合作开展部署。其主张同样聚焦于：当生产需求变化时，更快地重新编程机器人。

另一家瑞士公司 Mimic Robotics 正在为工业用途开发具身智能。该公司在 2025 年披露了一轮规模更大的融资，表明投资者对同一柔性自动化缺口抱有兴趣。

这些公司未必销售完全相同的产品。但它们的存在表明，制造商将有多种路径可供评估，包括改造现有设备、采购新的专用工作单元，或采用垂直整合的机器人。

Embodied AI 的差异化建立在三个协同要素之上：采用柔顺的专有硬件、训练更小的任务聚焦型模型，并在不确定情况下依赖远程人工协助。

垂直整合可以改善这些层级之间的协同。团队能够围绕模型的局限设计硬件，并收集适合自身控制系统的数据。

同样的整合也增加了执行风险。硬件生产需要资本，客户部署需要工程时间，而远程操控服务会产生持续的运营成本。

软件开发商可以在一批兼容机器上更新同一个模型。Embodied AI 还必须管理机械版本迭代、供应链、校准、维修和因地点而异的安装工作。

其所在地或许带来实际优势。靠近欧洲客户可以缩短部署反馈周期，并帮助围绕敏感生产数据建立信任。

该公司入选 Google DeepMind 加速器并参与 NVIDIA 的 Inception 项目，使其能够接触技术网络。但这并不构成对生产性能或客户经济性的验证。

早期支持提供了另一个有用的参考点。Venture Kick 的记录显示，这家公司此前与 Helix Robotics 这一名称相关联，并在 2025 年获得了 150,000 瑞士法郎。其初创公司资料页还列出了其于 2024 年向 MIT 销售首个最小可行产品的记录。

新一轮融资意味着公司正从研究商业化转向工厂部署。然而，由于融资规模未披露，外界难以判断该公司已获得多少制造能力或商业运营资金。

这种不透明也使其难以与资金更充裕的竞争对手比较。投资者或许可以接受渐进式部署，但工业客户需要确信，供应商会在设备的整个有效使用期内持续提供服务。

Embodied AI 的实际定位具有可信度，因为它直接回应了这些客户的需求。下一阶段必须以具名安装案例、运营数据和续约决策取代宽泛的主张。

将检验工厂战略的三个信号

客户证据、下降的干预率和可重复的部署，将决定该公司打造的是一个平台，还是一组试点项目。

第一个信号是详细的客户部署案例。Embodied AI 表示正在与欧洲大型制造商合作，但尚未公开点名这些客户。

一份有价值的案例研究应明确任务、生产环境、部署周期、可用性、节拍时间和此前的工作流程。它还应说明人工干预的频率，以及系统在故障期间如何运行。

一个品牌标识或试点公告提供的证据较少。工业机器人项目可能长期停留在评估阶段，而不会扩展至多个地点。

覆盖额外工作单元的生产合同更具分量。这将表明，客户在首次安装中发现了足够价值，愿意接受更广泛的运营风险暴露。

第二个信号是干预曲线。Embodied AI 的飞轮效应依赖于人类修正改善自动化行为。

公司无需立即消除远程协助。它需要证明，对于一项稳定任务，重复运行会减少所需的支持量。

干预率下降将强化任务特定学习的论点。这表明工厂数据能够形成不断累积的优势，并改善部署经济性。

干预率持平或上升则会削弱这一主张。这可能意味着环境产生新边缘案例的速度快于系统学习速度，或修正无法在不同地点之间迁移。

第三个信号是部署复用。Embodied AI 必须证明，来自一家工厂的知识能够缩短下一次安装的周期。

这种复用可能体现为在相似任务之间迁移模型、在不同应用中共享硬件，或通过标准化集成流程减少工程时间。

如果无法复用，收入可能仍将与定制项目绑定。这类项目可以解决有价值的问题，但其扩展方式与可重复的机器人平台不同。

投资者还应关注招聘和生产能力。该公司计划在洛桑和罗马招聘研究人员、工程师和商业负责人，同时提高机器人产量。

同时扩展所有这些职能，可能会给一家年轻组织带来压力。即使 AI 系统表现良好，硬件缺陷或零部件延迟也可能拖慢部署。

制造商应关注安全文档、服务安排和数据控制。这些细节揭示产品是否正超越工程试验阶段。

开发者应关注 Embodied AI 是否公布能够将硬件优势与模型改进区分开来的结果。柔顺机构、远程操作和学习软件都会影响性能。

清晰的评估将帮助客户理解究竟是哪一层解决了问题，以及条件变化时会发生什么。这也会让技术主张更容易与替代系统进行比较。

Embodied AI 的融资公告之所以重要，是因为它支持了一条刻意受限的实体 AI 路径。该公司希望在工厂中学习、通过人员介入实现恢复，并一次扩展一个任务的自主能力。

这一路径避免假装通用工厂机器人已经存在。但它也对安全性、经济性和机群运营提出了严苛的验证要求。

对于评估工业 AI 的团队，正确的问题不在于机器人在演示中看起来是否智能。应当问：它需要人工协助的频率有多高、恢复速度有多快，以及它的第二次部署是否比第一次更容易。

未来几个月请跟踪这三个信号。如果具名客户扩大安装规模，同时人工干预率下降，Embodied AI 的务实战略将更具可信度。如果试点项目仍然匿名，且人力支持保持不变，那么这笔融资资助的将是一项有趣的实验，而非一支可扩展的机器人劳动力队伍。