Antioch 融资 850 万美元估值 6000 万：这家公司想做机器人开发者的 Cursor
Antioch 刚刚完成了一件看起来不太起眼但野心巨大的事：用 850 万美元种子轮融资和 6000 万美元估值，赌一群机器人创业者最终会在虚拟世界里而不是真实仓库里训练他们的机器。这家纽约初创公司由 A* 和 Category Ventures 领投，MaC Venture Capital、Abstract、Box Group 和 Icehouse Ventures 参投。
它的产品可以用一句话概括：给机器人开发者提供一个高仿真的模拟环境，让他们像软件工程师用 Cursor 写代码一样，在虚拟世界里开发、测试和迭代物理 AI 系统。但这句话背后藏着一个整个行业都还没解决的难题。
机器人行业最大的瓶颈，不是算法，是数据
物理 AI 的理想状态是：工程师可以像编写软件一样轻松地编程控制物理设备。但现实远没有到那一步。机器人行业最痛的瓶颈不是算法不够好，而是来自物理世界的训练数据极度匮乏。
为了训练一个仓库机器人，公司需要搭建一个真实的模拟仓库；为了训练自动驾驶系统，需要让装满传感器的汽车跑上几百万英里。一整个新兴产业正围绕着「监控工厂产线和零工工人」来为深度学习模型提供训练数据。这些方法的共同问题是：贵、慢、不可规模化。
联合创始人 Harry Mellsop 直言：「这个行业的绝大多数公司根本不用模拟仿真，但我认为大家现在正在清楚地意识到，我们需要跑得更快。」
产品逻辑：不造模型，而是把别人的模型变得好用
Antioch 的核心产品允许机器人开发者在云端快速创建多个硬件的数字副本，连接到模拟传感器，让机器人软件接收到与真实世界一模一样的数据流。在这些虚拟环境中，开发者可以测试边缘案例、执行强化学习，或生成新的训练数据。
但 Antioch 并不自己从零构建物理仿真引擎。它的策略是站在 Nvidia、World Labs 等公司的模型之上，构建面向特定行业的工具库，让这些底层模型变得开箱即用。换句话说，Antioch 的定位更像是一个集成层和开发者平台，而不是一个基础模型公司。
这个策略的精明之处在于：通过同时服务多个客户，Antioch 声称能积累比任何单一物理 AI 公司更丰富的场景上下文，从而持续修正仿真精度。
sim-to-real gap：这个行业最核心也最难解决的问题
所有关于模拟仿真的故事，最终都会撞上同一堵墙：sim-to-real gap——虚拟环境里训练出来的模型，放到真实世界里到底管不管用？
Mellsop 的原话是：「我们怎样才能最大限度地缩小这个差距，让模拟环境从你的自主系统的角度看起来就像真实世界？」这个问题听起来简单，但在工程上极其困难——物理引擎的微小偏差、传感器噪声的模拟精度、光照和材质的渲染真实度，任何一个环节的失真都可能导致机器人在真实世界中犯错。
Category Ventures 合伙人 Çağla Kaymaz 指出了一个关键区别：「软件工程和 LLM 领域发生的变革，刚刚开始在物理 AI 领域出现。但挑战不同——在软件世界，糟糕的代码工具造成的风险基本限制在数字领域。在物理世界，风险要高得多。」
创始团队：从加密到机器人，看起来跳跃但有逻辑
Antioch 由五位联合创始人于 2025 年 5 月在纽约创立。CEO Harry Mellsop 此前与另外两位联合创始人 Alex Langshur 和 Michael Calvey 一起创办了安全情报公司 Transpose，并成功将其出售给了区块链分析公司 Chainalysis。另外两位创始人 Collin Schlager 和 Colton Swingle 分别来自 Meta Reality Labs 和 Google DeepMind。
这个团队组合乍看有些跳跃——从加密安全到机器人模拟。但如果仔细看，Mellsop 团队的核心技能是构建数据基础设施和开发者工具，而 Schlager 与 Swingle 带来了 AR/VR 和 AI 领域的一线工程经验。能把这两类能力拼在一起，对于”做模拟仿真开发者平台”这件事来说，其实是对口的。
天使投资人 Adrian Macneil 的背书也值得关注。他曾在自动驾驶公司 Cruise 搭建数据基础设施，后来创办了为物理 AI 创业公司提供数据管道的 Foxglove。Macneil 在旧金山 Ride.AI 大会上表示：「当你在构建安全论证或处理高精度任务时，模拟仿真非常重要。在真实世界中，你不可能跑完足够多的里程。」
当前聚焦感知系统，通用机器人还很远
Antioch 目前主要聚焦在传感器和感知系统的模拟——这是自动驾驶汽车和卡车、农业和建筑机械、无人机等领域最大的需求所在。至于让通用机器人复制人类任务，行业共识是还需要更长的时间。
值得留意的是，虽然 Antioch 的官方叙事是服务创业公司，但它最早的一些客户实际上是已经在机器人领域大规模投入的跨国巨头。MIT 计算机科学与人工智能实验室的研究员 David Mayo 还在用 Antioch 的平台做一件有趣的实验：让 LLM 自己设计机器人，然后在 Antioch 的模拟器中测试性能，甚至让不同 AI 模型设计的机器人互相对抗。这种「用 AI 开发 AI 硬件」的范式，可能为 LLM 的评估提供一种全新的基准测试方法。
这门生意的核心问题：开发者平台的故事能讲多大？
Mellsop 的判断非常激进：「我们真心认为，两到三年之内，所有构建真实世界自主系统的人，都将主要在软件中完成这项工作。」如果这个判断成立，Antioch 就有机会成为物理 AI 领域的基础设施级平台。
但也有明确的挑战。首先，sim-to-real gap 至今没有被任何公司彻底解决，Antioch 的仿真精度必须经受住真实部署的检验。其次，Nvidia 自己就有 Omniverse 这样的模拟平台，大客户完全可能选择直接用巨头的方案。第三，850 万美元的融资规模对于一个需要持续提升物理仿真精度的平台来说并不宽裕——烧钱速度和下一轮融资的节奏将是关键。
Macneil 的观点或许最好地概括了 Antioch 的机会和风险：他希望看到像 GitHub、Stripe 和 Twilio 那样推动了 SaaS 革命的工具，也能在物理 AI 领域出现。「我们需要整条工具链都能开箱即用。」如果 Antioch 能成为那条工具链中不可替代的一环，6000 万美元的估值将只是起点。但如果 sim-to-real gap 迟迟无法收窄，这个美丽的愿景也可能停留在 PPT 上。
