夜雨聆风
2025年，Figure AI 估值达到390亿美元，Tesla Optimus 正在迈向量产，中国 AgiBot 的出货量连月刷新纪录——人形机器人行业正在经历史无前例的资本与技术双重爆发。但所有人都在追问同一个问题：为什么拥有足够先进硬件的机器人，在真实家庭和工厂里依然像个学步的婴儿？
答案既不在芯片，也不在马达。答案在数据。大型语言模型的崛起已经证明：当训练数据的规模和质量达到临界点，模型的涌现能力会发生质变。但人形机器人面对的是一个更复杂的维度——它需要理解人类如何在混乱、非结构化的现实空间里移动、抓取、判断。这类数据，无法从互联网爬取，无法靠仿真引擎批量生成，只能来自真实的人类身体。
融资概要
2026年6月，总部位于纽约的 Mecka AI 宣布完成累计 6000 万美元融资，分两轮完成：2025年11月完成 2500 万美元 Series A，随后追加 3500 万美元跟投。两轮均由 Framework Ventures 领投，参投方包括 Menlo Ventures、SV Angel、Kindred Ventures，以及前 Google DeepMind 研究员 Ted Xiao。公司由 CEO Josh Gao 创立于 2024 年，总部设在纽约，在加拿大马克汉姆设有运营基地。据 Josh Gao 披露，基于已签订合同，公司年化收入（ARR）预计将达到 1 亿美元。
问题：为什么人形机器人在真实世界里「失灵」
人形机器人的研发一直有一个悖论：在实验室里表现完美的机器人，一旦进入真实家庭或仓库就会频繁出错。 原因在于真实世界的混乱性远超仿真环境的表达能力——物体摆放不规律、光线变化、人类的随机行为、不同材质的手感……这些「噪声」在训练数据中如果没有被充分覆盖，机器人模型就无法泛化。
传统的解决方案是遥操作（Teleoperation）：由人类远程操控机器人完成任务，同时记录动作数据。但这种方式存在根本性缺陷：数据采集速度极慢，成本极高，而且采集到的数据依然是「机器人视角」而非「人类自然行为」——人类在真实生活中用手抓起一杯咖啡和远程控制机械手完成同一动作，两者在运动模式上存在根本差异。
Mecka AI 认为，要让机器人真正学会「像人一样做事」，训练数据必须来自真实人类的自然运动，而不是被机器人「中介」过的动作数据。
技术路线：让每个巴里斯塔都成为数据供应商
Mecka AI 的核心方法论是人体运动数据的规模化采集与结构化处理。公司将真实生活中的工人——咖啡师、技工、零售员工、家政人员——配备上身体传感器和 iPhone，记录他们在日常工作中的手势、步态和任务行为。
这套系统的关键不只是「录视频」。Mecka AI 构建了完整的数据处理流水线：将原始多模态传感器数据（视觉、IMU、深度、触觉）转化为结构化、已标注、可被 AI 模型直接消化的训练集。公司还管理着开源数据集 EgoVerse——一个大规模的第一人称（Egocentric）人机交互数据集，专门用于训练机器人理解物体操控和空间导航。
商业模式：Physical AI 时代的「镐与铲」
Mecka AI 的商业定位借鉴了 Scale AI 的路径——不做机器人本身，而做所有机器人公司都不可或缺的基础设施。Scale AI 在 NLP 和视觉 AI 时代通过数据标注服务累积了强大的网络效应；Mecka AI 的赌注是：在 Physical AI 时代，专门针对人体运动的数据采集和处理能力将形成同等量级的护城河。
根据 CEO Josh Gao 透露，公司基于已签订合同的年化收入（ARR）预计将突破 1 亿美元——对于一家成立不到两年的公司，这一数字意义重大。
据研究机构预测，人形机器人市场规模预计到2030年将达到 40-180 亿美元区间，而这一市场对训练数据的需求量级将以数量级倍增——因为每一个新任务、新场景、新垂直应用都需要新的特定领域数据。
公司已表示将在纯数据供应之外进一步扩展，直接参与机器人底层模型的训练和部署。这意味着 Mecka AI 的长期愿景不是做一个被动的「数据供应商」，而是成为 Physical AI 模型链路中的核心节点。
竞争格局分析
投资人逻辑解读
Framework Ventures 领投两轮，是一个值得深究的信号。Framework Ventures 历史上以 Web3 和基础设施投资著称，但近年来在 Physical AI 赛道的押注越来越明显。这一选择背后的逻辑清晰：数据基础设施是 AI 赛道中最具「网络效应」的生意——越多公司使用，数据飞轮转得越快，护城河越深。
参与者 Ted Xiao（前 Google DeepMind 研究员）的加入同样值得关注。Xiao 长期研究具身智能（Embodied Intelligence）和机器人操控，其个人背书为 Mecka AI 的技术路线提供了专业背书——意味着该方向在学界和顶级研究机构层面的认可。
核心风险与挑战
1. 数据采集的规模化瓶颈：将人体传感器数据采集从「实验项目」扩展到工业级规模，需要复杂的物流、标准化协议和质量控制，任何环节的短板都可能拖慢产能。
2. 客户集中度风险：如果主要收入来自少数几家头部机器人公司，一旦这些公司决定自建数据能力，Mecka AI 的护城河就会受到挑战。Figure AI、Tesla Optimus 等均有自建数据飞轮的财力和动机。
3. 「仿真 vs. 真实」的技术路线之争：DeepMind、NVIDIA 等巨头在大规模仿真合成数据领域投入巨资，如果合成数据质量在未来实现跨越式提升，Mecka AI 以真实人体数据为核心的差异化优势将面临挑战。
4. ARR 可持续性存疑：1 亿美元 ARR 预测基于「已签订合同」，而非实际到账收入。机器人公司的合同执行周期较长，实际兑现情况需要时间验证。
5. 隐私与数据合规：采集真实人类的身体运动数据涉及生物特征信息，在欧盟 GDPR、美国各州隐私法等日益严格的监管框架下，合规成本可能持续上升。
Mecka AI 押注的核心命题是：人形机器人的「寒武纪爆发」不会因为硬件不够好而被阻止，而只会因为数据不够好而被延迟。 如果这个判断正确，那么率先构建起最大规模、最高质量人体运动数据飞轮的公司，将在未来五年成为整个 Physical AI 产业链中最不可或缺的「隐形冠军」。2024年诞生、2026年已触碰亿元 ARR 门槛——Mecka AI 的速度本身，就是一份回答。
