Maneva 完成 2700 万美元 A 轮融资：当 DeepMind 的强化学习走进钢铁车间

2026 年 4 月，美国制造业有 47.7 万个岗位无人填补。Deloitte 预测到 2030 年，这一缺口将膨胀至 210 万个，可能吞噬 1 万亿美元的 GDP。工人时薪首次突破 30 美元，但生产线旁的招聘告示依然无人问津。一边是投入数十亿美元新建的智能工厂，另一边是找不到人操作机器的工厂主——这道裂缝，正成为一类新公司的入口。

Maneva 就是试图用 AI Agent 填补这道裂缝的公司之一。2026 年 6 月 10 日，这家由前 Google DeepMind 研究工程师创立的加拿大制造业 AI 公司宣布完成 2700 万美元 A 轮融资，累计融资额达到 3840 万美元。

47.7 万个空缺岗位背后的千亿美元赛道

制造业 AI 不是新故事，但它正处在一个关键的加速拐点。

据 MarketsandMarkets 数据，全球”AI in Manufacturing”市场规模 2025 年约 341.8 亿美元，预计 2030 年将增长至 1550.4 亿美元，年复合增长率高达 35.3%。其中，计算机视觉在制造业的细分市场规模约 70.2 亿美元，预计 2032 年将达到 162.1 亿美元（CAGR 12.7%，Research and Markets）。

三重结构性力量正在同时推动这一市场：

第一，劳动力危机从”周期性”转向”结构性”。 美国制造业就业人数稳定在约 1260 万，但岗位空缺率达到 4.1%（NAM 2026 Q1 数据）。四分之一的制造商空缺率超过 5%。这不是经济波动造成的短期现象，而是婴儿潮一代退休与技术型工人供给不足叠加的长期趋势。

第二，边缘计算成本暴跌，让工厂 AI 从概念变成现实。 NVIDIA Jetson 等边缘 AI 芯片的普及，使得在每台摄像头旁部署推理算力的成本大幅下降。不需要把视频流回传云端，工厂车间就能实时做出决策。

第三，大模型技术溢出到工业视觉。 视觉-语言模型（VLM）的成熟，让制造业 AI 从”需要为每种缺陷单独训练模型”进化到”用自然语言描述任务就能部署”，极大降低了落地门槛。

“Video-to-Action”：从看见到动手的跨越

大多数工业视觉公司做的事情是”看”——拍照、检测缺陷、输出报告。Maneva 要做的事情是”看了之后动手”。

这就是它定义的”Video-to-Action”技术架构。具体来说，Maneva 的平台分为三层：

感知层： 接入工厂现有的摄像头基础设施——这是一个关键的产品决策。Maneva 不要求客户购买专用硬件，而是利用工厂已经装好的监控摄像头。这意味着部署成本和阻力都大幅降低。

理解层： Maneva 开发了自研的视觉-语言模型 VITA 和 ALIS。这些模型不仅能”看懂”视频画面中的物体和动作，还能理解工厂生产流程的上下文语义。例如，它能区分”工人暂时离开工位”和”生产线异常停机”这两种表面相似但性质完全不同的场景。

行动层： 这是 Maneva 与纯视觉检测公司的核心差异。AI Agent 不只是生成告警，还能触发自动化响应——调整设备参数、通知特定人员、记录合规数据、甚至与 MES/ERP 系统联动。

整个系统通过 NVIDIA 边缘设备部署，数据在本地处理，不上传云端，满足制造业对数据安全和低延迟的刚性需求。

更值得注意的是部署速度。据 Maneva 官方信息，AI Agent 可以在 5-7 天内通过强化学习掌握新任务——这直接来源于创始人在 DeepMind 的技术积累。传统工业视觉方案的部署周期通常以月计，Maneva 将其压缩到以天计，这对于制造业客户的试错成本和采购决策有本质影响。

从汽车到糖果：横跨九个行业的野心

从 Maneva 官网来看，它的行业覆盖范围相当激进：电子、汽车、糖果、木材、玻璃、钢铁、肉类加工、食品饮料、制药、化妆品——几乎覆盖了离散制造和流程制造的主要门类。

它的产品线围绕四大场景展开：

• 质量保证（Quality Assurance）： 自动检测产品缺陷和异常，替代人工目检
• 停机减少（Downtime Reduction）： 实时监控设备状态，预测性维护
• 生产效率（Productivity Efficiency）： 测量工人和产线的实际产出，识别瓶颈
• 健康与安全（Health & Safety）： 标记安全风险，确保合规操作

这种”平台化”策略的好处是 TAM（Total Addressable Market）足够大，但风险同样明显：在每个垂直行业都建立足够深的领域知识，需要大量的数据和工程投入。Maneva 显然在赌一件事——通用的视觉-语言模型架构加上强化学习的快速适配能力，可以让它用同一套底层技术服务不同行业，而不需要为每个行业从零开始。

五个对手，五种打法

制造业 AI 的竞争格局正在快速分化。Maneva 面对的不是一个统一的战场，而是多个重叠但各有侧重的竞争区间：

Cognex——行业标杆，2025 年收入约 9 亿美元的上市公司。它的核心是硬件：智能相机、3D 传感器配合自研的 VisionPro 和 ViDi 深度学习软件。优势在于成熟的渠道和制造业客户信任度，但它本质上是一个”检测设备”公司，不做端到端的行动闭环。

Landing AI（Andrew Ng 创立）——累计融资约 5700 万美元，旗舰产品 LandingLens 专注于视觉检测。但 2025-2026 年，Landing AI 正在向”文档 AI”方向转型（Agentic Document Extraction），战略重心已不完全在工厂车间。这实际上为 Maneva 留出了空间。

Instrumental——聚焦电子制造的 NPI（新产品导入）阶段，帮助工程师远程分析良率问题。它的定位更窄，主要服务电子组装行业的产品研发到量产过渡期。

Sight Machine——走的是”数据平台”路线，整合 MES、ERP、PLC 等多源数据，构建工厂数字孪生。它更像制造业的 Palantir，强调跨工厂的数据洞察，但不直接做视觉检测。

传统工业自动化巨头（西门子、ABB、罗克韦尔）——拥有庞大的客户基础和系统集成能力，但 AI 能力通常是外采或后期整合的，缺乏 Maneva 那样的原生 AI 架构。

Maneva 的差异化卡位是：用现有摄像头 + 边缘 AI + 强化学习，做从”看”到”做”的全链路闭环。 它既不像 Cognex 那样捆绑硬件，也不像 Sight Machine 那样只做数据层——而是试图成为工厂的”AI 操作系统”。

硅谷老牌 VC 的一次非典型出手

领投方 U.S. Venture Partners（USVP）是硅谷历史最悠久的风投机构之一，投资过 500 多家公司，包括 Box、Yammer、Pluto TV 等。但 USVP 的传统优势领域是网络安全、企业软件和消费科技——工业 AI 并不是它的核心赛道。

这次出手投资 Maneva，可以解读为 USVP 在”AI 落地”方向上的一次战略性布局。制造业是全球最大的未被 AI 充分渗透的垂直行业之一，USVP 可能正在寻找能够将前沿 AI 技术（特别是大模型和强化学习）转化为工业级产品的团队。

跟投方同样值得关注：

• Bling Capital 和 Freestyle Capital 是种子轮的原有投资者，本轮继续跟投，说明对 Maneva 的执行力和产品-市场匹配度有持续信心。Bling Capital 以产品驱动型投资著称，其 Product Council 汇聚了硅谷顶尖的产品领袖。
• Gokul Rajaram 是硅谷最活跃的天使投资人之一，曾在 Google（AdSense）、Facebook、Square（Block）和 DoorDash 担任高管，也是 Bling Capital Product Council 成员。他参投 Maneva，为这家公司带来的不仅是资金，还有在产品战略和规模化方面的经验网络。

从 DeepMind 到钢铁厂：一支”反直觉”的创始团队

Maneva 的创始团队组合本身就是一个有趣的叙事：

Rae Jeong（CEO） 是前 Google DeepMind 研究工程师，专注于终身强化学习（Lifelong Reinforcement Learning）和机器人技术。强化学习的核心思想是让 AI 通过与环境的不断交互来学习最优策略——这恰恰是 Maneva “AI Agent 在 5-7 天内掌握新工厂任务”这一核心卖点的技术基础。Jeong 据报道还有蓝领工作背景，这种”前沿 AI 研究 + 工厂一线经验”的组合在制造业 AI 创始人中非常罕见。

Kelvin Chan（CTO） 是前 Magna International 工程师。Magna 是全球第三大汽车零部件供应商（2024 年收入约 427 亿美元），这意味着 Chan 深谙大型制造业企业的采购逻辑、合规要求和系统集成挑战。

CEO 懂 AI 的极限在哪里，CTO 懂工厂的规则是什么——这种互补性是投资人愿意在 A 轮就给出 2700 万美元估值的重要原因。

公司于 2021 年创立，总部位于加拿大安大略省 North York（大多伦多地区），同时在帕洛阿尔托设有办公室。选择加拿大总部既能利用多伦多-滑铁卢 AI 走廊的人才密度，也能享受加拿大的 SR&ED（科学研发税收激励）政策。

2700 万美元够穿越多少个”死亡之谷”？

尽管前景诱人，Maneva 面临的挑战同样硬核：

风险一：制造业的采购周期可以杀死创业公司。 大型制造企业的采购决策通常需要 6-18 个月，涉及多层审批、安全审计和 POC 验证。2700 万美元在制造业的销售周期面前，可能只够支撑 2-3 年的现金流。如果无法在这段时间内建立足够的收入基础，下一轮融资的压力将非常大。

风险二：横跨九个行业的”通用性”可能是陷阱。 每个制造业子行业都有独特的工艺流程、质量标准和合规要求。汽车零部件的缺陷检测与食品包装的卫生监控是完全不同的问题。试图同时服务太多行业，可能导致在每个行业都不够深入，最终被垂直化的竞争对手逐个击破。

风险三：巨头的 AI 觉醒。 西门子、ABB、罗克韦尔自动化等工业巨头正在加速整合 AI 能力。它们拥有 Maneva 不具备的三样东西：已有的客户关系、庞大的渠道网络、以及与工厂控制系统的原生集成。一旦这些巨头的 AI 产品足够好用，Maneva 的”无需专用硬件”优势可能被稀释。

风险四：数据飞轮的启动难度。 AI Agent 的性能高度依赖训练数据的质量和数量。制造业数据天然分散、格式不统一、且客户对数据共享高度敏感。Maneva 需要在不侵犯客户数据主权的前提下，建立起跨行业的数据飞轮——这在边缘计算架构下尤其具有挑战性。

制造业 AI 是一场马拉松，不是短跑。Maneva 的 3840 万美元总融资，在这条赛道上只是一张入场券。真正的考验是，它能否在巨头尚未完全觉醒的窗口期内，把”Video-to-Action”从概念打磨成客户离不开的基础设施。

分类与标签

官网

🔗 https://maneva.ai

信息来源

1. FinSMEs – Maneva Raises $27M in Series A Funding 2. Maneva 官网 3. Techmeme 报道 4. MarketsandMarkets – AI in Manufacturing Market 5. Research and Markets – Computer Vision in Manufacturing 6. NAM – 2026 Q1 Manufacturing Vacancy Data 7. Deloitte & The Manufacturing Institute – 2030 Manufacturing Skills Gap