Mecka AI 融资轮估值逼近 5 亿美元，但其数据押注仍未得到验证

据报道，Mecka AI 正接近完成一轮由 Sequoia 领投、估值达 5 亿美元的融资；距离其宣布上一轮融资仅过去三个月。拟议中的 Mecka AI 融资轮，将为这家成立两年、通过收集人类活动数据训练机器人的公司给出颇为引人注目的定价。

这笔交易尚未完成。根据最初的融资报道，融资规模尚未披露，条款也仍可能变动。Mecka 未回应该媒体的置评请求，Sequoia Capital 则拒绝置评。

这种不确定性比 headline 数字本身更重要。报道中的 Mecka AI 估值反映的是谈判结果，而非已完成的交易或经独立确立的市场价格。

不过，这些谈判揭示了投资者眼中人工智能下一个有价值的层级。Mecka 不制造人形机器人，也不构建通用机器人“大脑”。它收集、处理并供应这些系统学习所需的实体世界示例。

其核心押注是，人类演示数据的扩展速度可以快于通过远程操控机器人生成的演示数据。竞争对手 XDOF 同时围绕遥操作和配备传感器的人类采集者开展布局，使这种对比成为新兴市场的核心议题。

由此形成了两种数据策略之间的竞争。一种捕捉人们在多种场景中自然完成的动作；另一种则通过最终需要复现这些动作的机器本身记录操作。

两种方法都在应对同一限制：机器人无法像语言模型曾经吸收海量文本那样，通过抓取公共互联网获得实体经验。

Mecka 快速重返投资者视野，表明融资热度已领先于公开证据。下一项考验在于：其数据能否产出更好的机器人、可重复的客户营收，以及相较于日益资金充裕的替代方案形成持久优势。

Mecka AI 融资轮仍处于谈判阶段

报道中的估值具有重要意义，但不应将其视为已完成融资的基准。

两名了解谈判情况的人士向 TechCrunch 表示，Sequoia Capital 正在领投这轮新融资。他们称，该公司估值约为 5 亿美元。报道未说明 Mecka 计划募集的金额。

该报道于 2026 年 9 月 11 日发布时，各方尚未敲定交易。融资条款常会在签署协议及资金到账前发生变化。领投方也可能通过优先权等安排设计交易结构，使 headline 估值的参考意义下降。

报道中的谈判发生在此前一轮已宣布的 6000 万美元融资之后，该轮融资由 Framework Ventures 领投。Menlo Ventures、SV Angel、Kindred Ventures 以及天使投资人 Ted Xiao 也参与了此前的投资。

该融资包括一笔于 2025 年 11 月完成的 2500 万美元 A 轮融资，以及随后一笔 3500 万美元投资。Mecka 在 2026 年 6 月公开披露了这两部分融资。

如此短的间隔是第一个重要信号。Mecka 在宣布获得足以扩展年轻数据业务的资金仅数月后，便重返融资谈判。

这笔新交易并不必然意味着此前资金已经用完。快速增长的创业公司有时会在投资者提出有吸引力的条款时接受主动接洽。竞争对手也可能迫使公司比原计划更早融资。

XDOF 就说明了这种压力。这家竞争对手于 6 月结束隐身状态，宣布完成 7000 万美元 A 轮融资，并在三个月内进入新一轮融资谈判。据报道，这些谈判对其估值接近 12 亿美元。

因此，Mecka 的情况更像是一场为实体数据供应链注资的竞赛，而非孤立的一笔融资。投资者正在该类别最终的市场领导者尚未明朗前提前下注。

第二个信号是潜在领投方的身份。Sequoia 的参与将使 Mecka 的机构支持扩展至 Framework 之外；Framework 在一定程度上以对加密基础设施的投资而闻名。

但投资者声誉并不能验证产品的技术表现。它表明的是对市场潜力、竞争时机和获得可观回报可能性的信心。

报道中的 Mecka AI 估值也需要置于更广泛的背景下理解。投资者正在同时为机器人硬件制造商、通用机器人模型开发商、仿真公司和数据供应商提供资金。

开发可在不同机器人之间运行的模型的 Generalist，在 8 月筹集额外资金后，估值据报道达到 30 亿美元。Physical Intelligence 和 Skild AI 吸引到的报道估值更高。

这些公司在另一层面展开竞争，但其雄心会创造对训练材料的需求。资金充裕的模型公司可以购买外部数据、建立内部采集业务，或结合两种方法。

这一选择界定了 Mecka 的机会，也带来了严重的战略风险。对数据需求最大的客户，最终可能成为最有能力替代外部供应商的公司。

目前，唯一得到确认的发展是，谈判已推进到足以产生一项报道估值的程度。在融资完成前，这一 headline 仍只是投资者需求旺盛的信号，而不是已经确定的公司价值。

为什么机器人训练数据突然吸引如此多资本

投资者将实体经验视为稀缺投入，因为机器人缺少可与语言模型所用网络规模语料库相媲美的资源。

语言模型可以从书籍、网站、软件代码库和对话中学习模式。机器人则需要将感知与运动、接触、力度、时机和物理后果联系起来的示例。

观看有人打开罐子的影片可以提供有用的视觉信息，但并不能自动告诉机器人应当多用力抓住盖子，或旋转过程中阻力如何变化。

机器人训练数据试图捕捉这些缺失的关系。根据采集系统不同，一段记录可将视频与关节位置、手部动作、深度、力量和环境背景结合起来。

Mecka 的方法从人们完成日常活动开始。参与者在制作咖啡或修理汽车等任务中，使用智能手机、身体传感器或其他采集硬件。

随后，该公司将这些记录处理成可供机器人学习使用的材料。其网站描述了一个更广泛的数据、评估和部署层，用于连接硬件制造商、模型开发商与商业用户。

Mecka 的 EgoVerse 平台最清楚地展现了这一策略。2026 年 4 月发布的一篇 EgoVerse 论文描述了一套用于采集和研究第一视角人类演示的协作系统。

第一视角数据从参与者的视角记录活动。相机和传感器会跟随工作者，而非从房间另一端的固定位置观察。

该研究发布的数据包含 1,362 小时、80,000 个片段、1,965 项任务、240 个场景和 2,087 名演示者，同时还包括与操作任务相关的标准化格式和标注。

研究人员测试了人类演示如何迁移至多个实验室、任务和机器人形态中的机器人策略。他们报告称，更多人类数据通常能提升表现。

不过，该论文也确立了一项重要限制：有效扩展取决于人类演示与机器人的学习目标之间是否对齐。

这一发现使“采集更多人类影像就能制造更强机器”的简单说法变得复杂。数据量很重要，但相关性、传感器质量、标注以及具身差异同样重要。

例如，人类手腕的运动方式不同于机器人夹爪。人们会运用触觉、平衡能力和经验，而这些可能无法在智能手机视频中得到完整呈现。

Mecka 认为，其处理和集成工具可以弥合这些差异。该公司表示，原始视频本身并不充分，并强调标注、质量保证、动作理解和评估的重要性。

这也是为什么其业务目标不止于成为上传视频片段的交易平台。有价值的产品必须是可直接用于训练的信息，并且能在可衡量条件下提升客户模型表现。

这一时机也反映出机器人开发商的变化。尝试构建通用机器人智能的公司融资激增，而硬件公司正进军工厂、仓库和家庭场景。

这些开发商需要关于真实工作的多样化示例。若将每个采集场地都内部化建设，便需要硬件、操作人员、标注系统以及进入众多环境的渠道。

外部数据供应商可以将这些成本分摊至多个客户，也可以在单一机器人实验室难以触及的地区和职业群体中招募贡献者。

这一模式类似于语言模型热潮期间专业数据供应商的崛起。不过，实体世界采集更难标准化，也更难以低成本验证。

文本可以通过软件工作流复制、筛选和标注。实体演示则取决于传感器、相机摆放、任务说明、环境条件和个人行为。

因此，这类投入的潜在价值很高，因为它稀缺；其运营负担也同样高，因为无法通过一次简单的网络抓取来生成。

人类演示面临遥操作挑战

Mecka 的决定性竞争并非针对某一家企业，而是以人为先的数据采集与原生机器人演示之间的较量。

遥操作使人能够远程控制机器人，同时系统记录其动作。每次操作都会利用机器人的实际关节、相机、夹爪和控制接口生成数据。

这种对齐是一项重要优势。记录的动作已经符合机器的物理能力，从而缩小了人类示例与机器人执行之间的差距。

遥操作也存在明显局限。它需要机器人、受过培训的操作员、维护良好的设备和合适的采集设施。每增加一个数据流，都可能需要更多机器和更多人工监督。

Mecka 押注于人比机器人更容易分散部署。贡献者可以使用便携设备，在住宅、厨房、车库、实验室和工业场景中记录工作。

这能带来更广泛的环境覆盖，使模型接触到不同物体、房间布置、工作流程、光照条件和意外中断。

代价则是迁移质量。人类可以使用五根手指、细微的触觉反馈以及多年习得的协调能力；许多商用机器人只配备更简单的夹爪，且活动范围受限。

EgoVerse 研究表明，当这些演示与目标问题对齐时，它们仍具有价值。但这并未证明每项被记录的人类任务都能有效迁移至每一种机器人。

XDOF 正从两个方向应对同一瓶颈。其 GELLO 系统采用低成本接口，让操作员控制机械臂并生成演示数据。

该公司还雇用佩戴传感器的人员记录折叠衣物、压平纸箱等任务。其组合策略承认，任何一种采集路径都无法满足所有需求。

据一份竞争对手融资报道，XDOF 当时正服务于 20 家客户，年化收入接近 5000 万美元。这些数字来自消息人士和公司披露，而非经审计的公开财务文件。

XDOF 据称正以 12 亿美元估值进行融资洽谈，这提高了 Mecka 面临的竞争压力。它表明投资者要么预期该领域能够容纳多家大型供应商，要么正争相押注最终的行业领导者。

Scale AI 则带来了另一种压力。它已为人工智能客户建立了规模庞大的数据标注和评估基础设施。

今年 3 月，Scale 宣布与 Universal Robots 合作，将其软件嵌入一款工业数据采集产品中。这项工业合作结合了生产机器人以及视觉和力反馈数据。

Universal Robots 表示，其工业机器人部署数量已超过 10 万台。这个已安装基础为该合作提供了从正在执行实际工作的机器中采集数据的途径。

这种模式挑战了独立的人类数据采集将占据主导地位的假设。生产系统能够在客户需要可靠性的实际环境中，生成任务特定的样本、失败案例和改进信号。

与此同时，已部署的机器人很难为自己从未掌握的任务提供演示数据。在大规模机器人集群出现之前，人类录制数据可以覆盖这些行为。

未来市场很可能会结合多种数据来源。人类演示可支持广泛的预训练，而遥操作机器人和已部署机器人则可提供与具体具身形态相关的精细优化。

仿真构成第三类输入。开发者能够生成受控变化，无需反复搭建每一种物理场景，尽管模拟经验可能与现实存在差异。

Mecka 的定位取决于其能否掌握这些输入之间有价值的连接。其公开材料越来越多地强调数据、评估和部署，而不再仅限于数据采集。

这种扩展在战略上合乎逻辑。如果多家供应商都能招募参与者并采购相似的传感器，单纯的数据采集就可能沦为劳动密集型商品。

处理、质量衡量、面向客户的评估以及部署集成能够形成更牢固的客户关系，也会提高客户更换供应商的难度。

不过，拓宽产品范围也会带来执行风险。一家成立仅两年的公司，必须在与专业竞争对手竞争的同时，建设软件、硬件、运营、研究和企业级交付能力。

新资金可以为这种扩张提供支持，但无法保证 Mecka 能胜过遥操作系统，或优于直接从生产机器人收集的数据。

据称的 Mecka AI 估值并不能证明什么

最大的不确定性在于，Mecka 的商业主张能否转化为可重复的收入，以及能否带来经独立衡量的机器人性能提升。

CEO Josh Gao 对 Fortune 表示，Mecka 预计到 2026 年底将实现 1 亿美元年化收入。他称，这一预测基于客户已经签署的合同。

年化收入是将当前或预期收入折算为年度规模的指标。它并不等同于已确认的年度收入、已收现金或经审计的经常性收入。

Mecka 尚未公开披露支撑该预测的客户名称。Gao 在 6 月的融资采访中也拒绝透露。

保密在企业级人工智能领域很常见。机器人公司通常会对供应商、数据集和模型开发方法保密，因为它们将这些视为竞争资产。

但保密也使外部观察者无法验证一些基本主张。目前仍不清楚有多少客户贡献了这项预测，以及这些客户承诺的期限有多长。

公开记录没有显示其中有多少收入依赖一次性采集项目，也没有披露协议是否包含里程碑、取消权或最低采购额。

这些区别对据称的 Mecka AI 估值至关重要。项目制服务收入应与可重复的软件收入或长期数据授权收入适用不同预期。

Mecka 还要承担实体运营成本。它需要采集设备、参与者、质量控制、存储、处理能力，以及能够设计客户定制项目的团队。

当每份合同都需要大量人工工作时，快速的收入增长可能与微薄的利润率并存。没有公开财务报表能够证实 Mecka 数据采集模式的经济效益。

技术验证也是另一项缺口。EgoVerse 提供了有意义的研究证据，证明在条件匹配时，人类数据能够改善机器人学习。

但它并未证明 Mecka 的商业数据集能够持续优于遥操作数据、仿真数据或客户的内部采集流程。

客户将通过下游结果评估这些数据。实用指标包括任务成功率、面对陌生物体时的表现、从失败中恢复的能力，以及所需机器人专属微调的程度。

公司的数据集也必须保持差异化。竞争对手可以招募参与者、构建传感器套件并开发标注流水线。

可防御的优势可能来自对环境的独家访问、专有处理能力、更优的质量控制，或庞大的参与者网络。Mecka 尚未披露足够细节，供外界独立比较这些因素。

隐私和授权构成另一项风险。在住宅和工作场所内部进行的第一人称录制，可能会捕捉到人脸、文件、屏幕、声音和个人物品。

数据供应商必须获得有实质意义的同意、保护参与者，并防止敏感材料流入客户手中。它还必须记录这些录制内容是否能够在法律上支持商业模型训练。

随着采集范围扩展至不同国家，这些义务将变得更加复杂。隐私规则、劳动保护、工作场所政策以及旁观者预期都会因司法辖区而异。

工业环境还会带来额外限制。制造商可能禁止在机密流程、客户信息或安全系统附近使用摄像头。

高度监管的场景会进一步抬高门槛。医疗、制药、国防和关键基础设施任务，无法通过普通消费者采集项目进行录制。

Mecka 可以专注于易于进入的领域，但这些限制会影响其可获得数据集的规模和构成。它们也为拥有行业资质的专业供应商创造了机会。

更广泛的机器人市场也带来商业不确定性。开发者持续提升模型能力，但可靠的通用操作仍是一个尚未解决的问题。

近期一项有关机器人智能的分析称，该行业仍在寻找多样化的数据集和有效的训练方法。即便对于定义狭窄的任务，实现商业级可靠性仍然困难。

如果机器人部署增长缓慢，数据需求可能低于当前估值所隐含的预期。模型公司也可能将支出集中于数量较少、价值更高的任务。

反过来，成功部署也可能强化 Mecka 的地位。每一个投入运行的机器人项目，都会为新样本、失败案例和特定环境评估创造需求。

因此，据称的融资同时为机会与不确定性定价。它反映了一个可信的瓶颈，但并未证明哪种采集方式能够以盈利方式解决它。

三个信号将决定这场押注是否成立

下一步的证据必须来自已完成的交易、可识别的商业采用，以及可衡量的机器人性能提升。

第一个信号是融资本身。在 5 亿美元这一数字成为经确认的市场基准之前，Mecka 和 Sequoia 必须完成据称的 Mecka AI 融资轮。

最终金额和结构至关重要。若以常规优先股条款完成一笔规模可观的投资，将强化投资者把 Mecka 视为该领域领导者的判断。

估值下调、复杂的优先权条款或交易告吹，都会削弱这种解读。在交易完成前，读者应将其描述为据称仍在进行的谈判。

第二个信号是客户证据。Mecka 无需披露每一份合同，但一个或多个具名部署案例将有助于说明谁在购买其数据，以及购买原因。

可信的案例研究应明确任务、机器人类型、所采集的数据、评估方法和运营结果。关于前沿实验室的笼统说法，验证价值较低。

收入披露同样需要类似的精确度。Mecka 预计的 1 亿美元年化收入，最终应与已确认收入、合同期限、客户集中度和续约表现进行比较。

如果客户在测试初始数据集后扩大项目规模，Mecka 的模式将显得更具可重复性。若高度依赖少数定制合同，则会削弱其基础设施叙事。

第三个信号是技术比较。Mecka 需要证明，在什么情况下以人类为先的数据优于或能够补充遥操作、仿真和生产机器人录制数据。

其自身研究已经指向相关问题：更多数据会带来帮助，但与机器人的学习目标保持一致，决定了这些数据能以多大效率实现规模化。

未来评估应测试陌生环境、不同机器人本体，以及需要力量或触觉的任务。它们也应报告失败情况，而不是只突出成功演示。

来自独立实验室的结果将比内部基准测试更有分量。可复现的增益将证明 Mecka 拥有的不只是庞大的采集运营能力。

竞争对手的行动会在这三个信号中提供另一项线索。XDOF 的组合式采集战略以及 Scale 的工业合作，为客户提供了可信的替代方案。

如果这些公司日益结合人类与机器人原生数据源，Mecka 将面临采取同样做法的压力。其转向集成和部署的动作表明，它已经认识到这一挑战。

行业不应把某一种数据源视为普遍更优。家庭活动、仓储操作、汽车维修和实验室工作，对数据有不同要求。

优秀的供应商会让采集方法与客户的机器和运营环境相匹配，也会衡量每一份新增数据集是否真正提升现实世界中的可靠性。

对开发者和企业买家而言，眼前的启示很实际：应通过任务级结果、法律来源，以及将录制内容转化为可运行策略的完整成本来评估供应商。

对投资者而言，教训则更需谨慎。稀缺性可以支撑高估值，但稀缺的数据并不必然是有价值的数据。

Mecka 已识别出一个真实障碍，并产出了有助于界定这一问题的研究。据称 Sequoia 的兴趣表明，资本如今已将机器人学习基础设施视为一个重要领域。

尚未解决的问题是，Mecka 能否将分散的人类经验转化为客户无法复制或替代的优势。答案将通过已完成的融资、具名采用案例和独立技术结果浮现。

在将据称的估值视为证据之前，应关注这些信号。若 Mecka 能同时交出这三项成果，其人类数据战略将更像基础设施，而非一场昂贵的数据采集实验。