Ultra 仓储机器人融资达 6200 万美元，但更大的押注是将硬件与 AI 分离

Ultra 在两轮融资中筹集了 6200 万美元，同时扩大了一项将仓储机器人与控制它们的 AI 分离开的合作。Ultra 仓储机器人融资包括 5000 万美元 A 轮融资，以及此前 1200 万美元的种子轮融资。但融资只是故事的一半。

这家总部位于布鲁克林的初创公司负责制造和部署实体机器。Physical Intelligence 提供模型，帮助这些机器从演示和运营数据中学习仓储任务。这种身体与大脑分工的结构，使两家公司能够分别专注于机器人技术栈的不同部分。

这种分工也带来了核心风险。Ultra 依赖外部智能供应商提供一项日益决定机器人性能的能力。与此同时，Physical Intelligence 需要硬件合作伙伴和真实工作场所，以生成其模型所需的数据。

Ultra 仓储机器人融资支持部署优先战略

Ultra 正围绕已经在仓库中工作的机器融资，而不是围绕遥远的通用人形机器人计划。

该公司于 2026 年 10 月 9 日宣布融资。根据最初的融资报道，Framework Ventures 领投 A 轮，Y Combinator 参与投资。Y Combinator 和 NextView 领投此前的种子轮。

这两轮融资使 Ultra 披露的融资总额达到 6200 万美元。该公司尚未公开估值、部署总量或详细营收数据。

Ultra 的 Operator 机器人，也称 OP1，面向重复性的履约作业。其任务包括打包、分拣、配套组装和处理退货。机器并不在整栋建筑中自主移动，而是在商品和包装材料送达的工作站运行。

这一设计很重要，因为仓库中已经有传送带、货架、扫描仪、软件和人工流程。替换所有这些基础设施意味着一个漫长且昂贵的自动化项目。能够融入现有工作站的机器人，面对的是更有限的集成问题。

Ultra 表示，其机器可在数小时内安装完成，无需对设施进行重大改造。这些仍是公司的说法，实际表现将取决于每个场地的工作流程和产品组合。

这家初创公司还表示，其机器人已在美国仓库中打包超过 50 万个订单。这一累计数据表明存在真实的运营活动，但仍留下重要问题。Ultra 尚未将这一数字与机队规模、运行周期、错误率或单机器人营收联系起来。

不过，这一订单量使 Ultra 有别于那些机器仍局限于受控演示环境的公司。打包客户订单会让系统面对破损纸箱、反光材料、错放商品、赶时间的员工以及持续变化的库存。

Ultra 公开的公司资料将其机器描述为适用于重复性工业任务的实用机器人，并确认该公司属于 Y Combinator 2024 年夏季批次。

创始团队包括 CEO Jon Miller Schwartz、COO Max Friefeld、CTO Oliver Ortlieb 和首席科学家 Chetan Parthiban。多位创始人此前曾在制造和 3D 打印业务中共事，包括 Layer By Layer 和 Voodoo Manufacturing。

这些经历有助于解释 Ultra 对部署的重视。打造一个令人信服的原型，与在客户日常运营中维护机械设备，是两件不同的事。后者需要备件、服务流程、员工培训，以及在出现问题时可预测的恢复机制。

这笔融资让 Ultra 有更多能力应对这些运营需求。资金可用于制造、现场工程、安装团队和客户服务，也能在持续性客户付款收回生产成本之前为机器人提供资金。

这也是为何不能只凭模型性能评判 Ultra 仓储机器人融资。Ultra 必须将资本转化为可重复的部署体系。每次安装都需要比上一次更容易。

因此，这笔融资开启了真正的考验，而非完成了考验。Ultra 已证明投资者愿意为其方法提供资金。现在，它必须证明客户现场能够以更大规模支撑这一方法。

机器人即服务改变仓库买家的风险

Ultra 的商业模式将自动化从一次性的大型设备采购，转向持续运营关系。

Ultra 以机器人即服务结构出租其机器人。客户支付初始集成费，以及硬件和软件支持的持续费用，而无需一次性购买整套系统。

这种模式降低了仓库运营商的初始承诺，也让买家在订单量变化时拥有更清晰的扩展或重新评估部署路径。

传统自动化项目通常在首个生产班次开始前就需要大量规划。运营商必须预测需求、选择设备、重新设计工作流程，并集成多个软件系统。预测失误可能导致昂贵的机械设备利用不足。

Ultra 押注于，更聚焦的工作站部署能够形成更易于管理的决策。客户无需重建整个履约中心，就能将机器分配给重复性打包工作。

这种方法适合第三方物流供应商，通常称为 3PL。这些公司为多个品牌储存和配送产品。每当客户加入或离开时，其包装要求和库存都可能发生变化。

当周边流程的变化速度快于机械设备时，刚性自动化便难以应对。灵活劳动力更擅长处理变化，但仓库往往面临人员流失、出勤不稳定和季节性需求。

Ultra 将其机器人定位于这两种选择之间。机器旨在持续完成重复性工作，而其学习型控制系统可适应在传统自动化下需要大量编程的任务。

这家初创公司表示，早期业务进展使其能够提高客户支付的价格。但它尚未披露合同金额、利润率、续约率或客户获取成本。这些缺失数据使外界无法独立评估该模式的经济性。

这一结构也将更多财务风险转移给 Ultra。出售设备的供应商可以在系统发货或达到约定里程碑时确认收入。服务供应商则要在数月或数年间收回投资。

因此，Ultra 必须让机器运行足够长的时间，以覆盖制造、安装、维护和模型支持成本。若机器人需要频繁现场干预，就可能削弱持续性收入的逻辑。

客户承担的风险也发生变化。租赁系统降低了初始资本风险敞口，却带来了对供应商的持续依赖。硬件服务、软件更新、AI 表现和工作流程支持，都成为同一段合作关系的一部分。

仓库买家应询问服务水平如何衡量。有用的指标包括有效工作时长、成功完成任务的比例、人工干预次数、恢复时间和每班次产出。仅凭累计订单量无法回答这些问题。

买家还应将技术自主性与商业价值区分开来。机器人可以独立完成大多数动作，却仍可能造成昂贵的例外情况。反过来，一台偶尔需要协助的机器，只要员工能迅速处理这些例外，仍可能具有价值。

这一差异在履约环节尤其重要。延迟或错误打包的订单可能带来补发成本、客户投诉和额外处理。性能末端的可靠性往往比亮眼的平均值更重要。

据报道，Ultra 的早期客户包括 Manifest、Highline Commerce 和 Ships-a-Lot。该公司尚未披露这些场地运行的机器数量。

因此，其扩张挑战十分具体。Ultra 必须证明，服务模式可适用于产品、流程和人员配置模式各不相同的客户。在一个获得精心支持的设施中取得成功，并不能保证其他地方也能实现可重复的经济效益。

不过，这种方法正在给传统自动化供应商施压。如果客户无需承诺全面改造设施就能增加有用产能，采购预期将发生变化。买家将要求更快的安装速度，以及更清晰的运营回报证据。

该模式也给人形机器人开发商带来压力。这些公司通常认为，人形机器人最终可以使用为人类建造的工作场所。Ultra 则采取更受约束的路线，使用针对特定工业工作站优化的机器。

这种更窄的范围缺少行走人形机器人的视觉吸引力。但如果它能更早产出可靠的工作成果，仍可能胜出。

Physical Intelligence 提供大脑，Ultra 掌控仓库现场

这一合作将机器人业务分为两部分：部署有用机器，以及从其经验中训练智能。

Ultra 制造机器人本体、负责安装并管理客户关系。Physical Intelligence 提供 AI 模型，帮助机器理解场景并完成操作任务。

这一模式类似于计算机硬件与操作软件之间的分离。不过，机器人带来了更紧密的依赖关系，因为软件性能与摄像头、夹爪、电机、安全限制和物理环境密不可分。

Physical Intelligence 开发机器人基础模型。机器人基础模型会跨任务和环境学习模式，而不是仅依赖于为每个动作单独编写的例程。

其承诺在于更快的适应能力。工程师不必为每个物体位置编写指令，模型可以从演示和运行期间收集的数据中学习。

Ultra 最初的发布材料称，其研究系统仅从约两小时的遥操作数据中学习到一项自主抓取策略。遥操作是指由人远程控制机器人，从而产生将视觉输入与物理动作联系起来的示例。

这一实验并未证明生产环境中的可靠性。它展示了 Ultra 更广泛方法背后的训练方式。

扩大的合作关系让 Physical Intelligence 获得每一家机器人模型开发商都需要的东西：来自真实工作的多样化数据。实验室基准测试无法复现每一个受损纸箱、光照变化、条码位置或意外的人类动作。

Physical Intelligence 描述了一项合作，其中其模型在完整的打包班次中操作了一台 Ultra 机器人。该公司报告称，这次部署实现了 96.4% 的自主性。

这一结果应谨慎解读。它来自合作伙伴对某个特定班次的描述，而不是对 Ultra 整个机队的独立比较。它并不能证明每种产品、仓库或任务都能实现相同性能。

剩余的比例同样重要。当模型遇到问题时，人工可以介入完成订单。这种干预既保护客户运营，也会创造另一个训练示例。

这种人在回路中的流程将失败转化为数据。但它也引入了可能被标题中的自主率掩盖的人工和支持成本。

该合作的机制很直接。Ultra 将机器部署到实际运营的设施中。机器会遇到真实世界的变化。人工协助处理棘手情况。Physical Intelligence 可以利用由此产生的案例，改进未来模型的行为。

更大的 Ultra 机队将产生更多运营经验。更好的模型随后可以减少人工干预、提升吞吐量，并让未来部署更加容易。这个反馈循环正是该联盟最有力的依据。

这也是 Physical Intelligence 能够从 Ultra 受益、却无需亲自制造每一台机器人的原因。这家软件公司可以跨硬件合作伙伴训练模型，同时将资源集中于模型研究。

对 Ultra 而言，这一安排降低了其在内部构建每一层机器人智能的需求。其团队可以专注于硬件可靠性、部署、工作流集成和服务。

战略问题在于，谁能获取最持久的价值。如果模型智能在相互竞争的机器间广泛可用，Ultra 就必须通过运营能力和硬件经济性实现差异化。如果部署数据仍然稀缺，Ultra 的客户渠道将成为更有力的谈判资产。

Physical Intelligence 拥有相当大的筹码，因为它与多家机器人制造商合作。其软件可以通过 Ultra 安装项目之外积累的经验得到改进。

Ultra 则拥有另一种形式的筹码。它掌控与仓库的关系，并承担运营负担。除非有人打造可靠的硬件并说服客户使用它，否则模型公司无法获得有价值的生产数据。

双方都不能把对方视为简单的供应商。它们的成果取决于共享数据、协调更新以及对故障的谨慎处理。

因此，这种身体与大脑的分工不仅仅是一次技术集成。它也是对专业化机器人公司能否比垂直整合型竞争者更快实现规模化的检验。

主要竞争来自一体化机器人，而不只是人形机器人

Ultra 必须证明，专业化优于同时拥有完整的硬件、软件和部署体系。

人形机器人提供了最直观的对照。其类人形态承诺能够广泛兼容那些围绕手臂、腿、门、楼梯和手持工具设计的工作场所。

但这种形态也带来了棘手的工程问题。行走机器必须同时处理平衡、供电、导航、操控和安全。每一项要求都会增加故障模式，而固定工位机器人可以避免其中许多问题。

一项行业评估指出，人形机器仍面临技术挑战，且难以部署在日常环境中。这并不意味着该类别无关紧要。它解释了为何更具针对性的工业设计仍承担着大量实际工作。

Ultra CEO Schwartz 告诉 Fortune，与其他已经投入商业运营的机器人相比，人形机器人获得了不成比例的关注。他预计，人形机器人的更大规模应用还需要数年时间。

Ultra 的 OP1 做出了刻意的取舍。它放弃类人的移动能力，转而专注于现有工位上的操作。这缩小了任务范围，但也减少了必须同时正常运行的系统数量。

不过，人形机器人公司并非 Ultra 最重要的对手。更深层的竞争来自一体化机器人供应商，它们同时开发硬件、控制软件、机队工具和客户部署方案。

Amazon 是大规模应用中最清晰的例子。其履约网络在员工协作下使用多种机器人，并由内部软件和运营数据支持。这种一体化结构让 Amazon 同时掌控机器和环境。

Exotec 则采用了另一条路线。其系统使用可在存储货架间垂直移动的机器人，将库存带入协调的履约流程。与 Ultra 的工位模式相比，这需要更多基础设施，但能够自动化更广泛的物料流动。

围绕自主移动机器人构建的公司专注于设施内移动。另一些公司则通过工业机械臂实现拣选自动化，或围绕高密度网格重新设计存储方式。每种方法都为问题划定了不同的边界。

Ultra 认为，能够快速安装的工位机器人提供了更好的切入点。这一主张将取决于客户的瓶颈所在。

面临包装劳动力不足的场地，可能会看重 Ultra 的专用机器。受库存移动限制的场地，则可能更受益于移动机器人。高吞吐量运营则可能有理由采用更大型的一体化系统。

与 Physical Intelligence 的合作使这种对比更加鲜明。Ultra 无需资助一个完整的研究组织，便可获得先进的模型能力。理论上，这能降低开发成本并加快改进速度。

垂直整合则提供了不同的优势。一家公司可以协同调优感知、运动、硬件、安全控制和部署流程。它还可以在无需判定应由硬件供应商还是模型供应商负责的情况下处理故障。

当机器人处理客户订单时，这种责任归属尤为重要。如果软件更新降低了性能，仓库仍然需要即时支持。合同边界不会搬运包裹。

因此，专业化合作必须像一个运营系统那样运作。Ultra 和 Physical Intelligence 需要兼容的测试、发布流程、数据治理和事件响应机制。

数据问题同样重要。Physical Intelligence 需要案例用于训练和评估。Ultra 的客户可能会限制仓库图像、订单信息和员工活动的收集或再利用方式。

两家公司尚未公开说明这些安排。买方应询问哪些数据会离开设施、会保留多久，以及是否会被用于训练服务于其他客户的模型。

安全又增加了一层复杂性。学习型机器人行为必须保持在物理约束之内。机器不能将仓库中的错误视作无害的聊天机器人错误。

Ultra 的固定式设计消除了在共用通道中行走相关的风险。但它仍会在产品、设备和人员附近操作电机与夹爪。从不确定状态中安全恢复，与成功完成操作同样重要。

只有当客户将其体验为统一产品时，这种分层模式才具有说服力。当生产停滞时，他们不应需要理解某个具体层级属于哪一家供应商。

这使运营协调成为合作真正的机制。AI 模型吸引注意力，但服务纪律决定了这种安排能否规模化。

这些数字仍掩盖着 Ultra 最棘手的商业问题

融资、累计订单量和一项自主性结果，并不能说明 Ultra 是否能运营一支盈利的机队。

Ultra 展示了三个有说服力的信号：已披露的 6200 万美元融资、超过 50 万个已完成包装的订单，以及一次合作中报告的 96.4% 自主性结果。

每个数字描述的都是故事的不同部分。融资反映投资者信心。已包装订单表明使用情况。自主性描述的是特定部署期间的技术表现。

没有一个数字揭示完整的经济性。

第一个缺失指标是机队规模。由少数获得大量支持的机器完成的累计订单总量，与由广泛标准化部署完成的同一数字，意义截然不同。Ultra 尚未披露有多少机器人产生了其报告的订单量。

第二个指标是吞吐量。仓库关心的是每小时完成的订单数，尤其是在高峰期。性能还必须在长时间班次和不断变化的产品组合中保持稳定。

第三个指标是人工干预的频率和时长。短暂停下来等待远程协助的机器人，与需要工程师到工位处理的机器人，带来的成本不同。

第四个指标是正常运行时间。一台机器即使在运行时能准确完成任务，但如果维护使它频繁停服，仍可能无法创造价值。

第五个指标是客户留存。当客户续约并增加机器人数量时，服务模式会更具说服力。Ultra 尚未公布续约或扩展数据。

硬件成本带来了进一步的不确定性。Ultra 使用了实用组件和聚焦的产品形态，但每个已部署单元仍会占用资本。生产支出会先于持续性服务收入完全回本而发生。

因此，即使客户需求强劲，增长也可能消耗现金。Ultra 增加机器的速度越快，就越需要谨慎管理制造、库存、安装和服务能力。

公司还面临围绕 Physical Intelligence 的集中风险。依赖专业合作伙伴可以加快开发，但也会使 Ultra 面临模型访问、商业条款、优先级或技术方向变化的风险。

构建替代的智能层需要时间。更换供应商可能需要新的数据管道、安全验证和客户测试。

反向依赖确实存在，但集中度较低。Physical Intelligence 可以与不同机器和制造商合作。Ultra 是获取运营数据的一条路径，但未必是唯一途径。

这种不平衡并不意味着合作缺乏合理性。它意味着协议的持久性至关重要。两家公司尚未公开披露排他性、模型许可条款、数据权利或长期服务承诺。

竞争性获取又带来一个问题。如果 Physical Intelligence 向其他仓储机器人供应商提供类似能力，Ultra 就不能将该模型视为独家优势。

届时，Ultra 将通过部署速度、客户支持、机械可靠性和工作流知识展开竞争。这些能力不如 AI 演示显眼，却可能构成更坚实的运营护城河。

客户多样性将检验这条护城河。围绕可预测纸箱训练的机器人，可能会在软包装、反光容器、异形产品或易碎品面前遇到不同挑战。

退货处理带来更多变化。产品可能没有原始包装、标签破损，或处于意料之外的状态。要在这些情况间实现泛化，仍比重复稳定的包装流程更困难。

融资公告并未解决这些问题。它为 Ultra 提供了回答这些问题的时间和资源。

投资者实际上是在押注一条学习曲线。更多部署应当带来更好的安装流程、更丰富的数据、改进的模型和更低的支持成本。如果这些改善的速度快于运营复杂性的增长，业务就能成立。

如果每个新仓库都像一个定制工程项目，这种模式就会被削弱。

这一区别将可规模化机器人业务与由机器支撑的咨询服务区分开来。Ultra 必须证明，其部署知识能够成为可重复交付的产品。

Ultra 与 Physical Intelligence 接下来会如何发展

下一批证据应来自机队扩张、更低的人工干预要求，以及现有仓储客户的重复购买。

第一个值得关注的信号是已披露的部署规模。Ultra 无需公布每一份客户合同，但可信的机队数量将为其累计订单数据提供背景。

运营中机器人的数量增长，将支持公司关于其安装流程可重复的主张。部署数量持平则表明，试点项目仍难以转化为持续运营。

第二个信号是跨更多任务和设施的表现。Physical Intelligence 报告的整班次结果具有参考价值，但更广泛的证据必须涵盖不同的包装材料、产品、员工和布局。

独立验证将进一步增强这一论点的可信度。客户或外部评估机构可以报告在日常运营条件下的正常运行时间、人工干预率、吞吐量和错误处理情况。

重要趋势并非某个单一的高自主率百分比，而是在不降低安全性或订单完成质量的前提下，人类协助是否正在减少。

第三个信号是客户扩张。现有买家的重复订单将表明，这项服务创造的价值足以支撑更大规模的投入。

这一指标同样检验机器人即服务模式。客户可以以更低的前期资本投入开始，但只有当持续性费用相较于人工和其他自动化方案更具竞争力时，他们才会扩大部署。

Ultra 的新一轮融资为其追逐这些信号提供了资源。Physical Intelligence 则让它获得了一家拥有雄厚研究能力的模型开发合作伙伴。

如今，这一安排必须经受日常运营压力的考验。模型会在不寻常的物体上失效，组件会磨损，仓库流程会变化，客户也会期待明确的责任归属。

如果 Ultra 能在扩大机器人集群的同时应对这些条件，公司将验证一条通往工业机器人的模块化路径。硬件专业厂商可以与模型开发者合作，而不必自行构建所有能力。

如果协调成本随着每一次部署而增加，垂直整合型供应商将保留一项重要优势。拥有完整技术栈能够简化调试、安全验证和客户支持。

人形机器人仍然具有相关性，但并非眼下的衡量标杆。Ultra 短期内的竞争对象，是其他争夺同一仓库预算的实用自动化系统。

Ultra 的仓库机器人融资让这场竞争更具分量。这家初创公司如今拥有足够资本，能够超越孤立的技术成功，围绕其机器构建一个运营组织。

对仓库采购方而言，正确的问题不是 AI 能否在演示中移动一个物体，而是一段供应商关系能否在数千个普通而杂乱的班次中，持续交付可靠的工作成果。

对机器人开发者而言，这一合作提出了另一个问题：是拥有完整技术栈更好，还是将专业硬件与共享智能层连接起来更好？

关注下一次机器人集群披露、下一次客户扩张，以及下一项多站点性能结果。这些信号结合起来，将显示 Ultra 和 Physical Intelligence 打造的是可扩展系统，还是一项资金异常充裕的实验。