2026年7月，慕尼黑，一家成立仅10个月的机器人初创公司 Microagi 宣布完成 5500 万美元种子轮融资，由 VC 机构 Hummingbird 领投，Northzone、LocalGlobe、Village Global 和 Redalpine 跟投。这不仅是德国历史上最大的一笔种子轮融资，更是一声信号：欧洲正在用真金白银，押注一条看似遥远却别无选择的路径——通过海量人类操作数据，训练出能真正走进工厂和家庭的通用人形机器人。

当全球资本在 AI 大模型上烧掉数千亿美元后，目光正转向物理世界的“最后一公里”。机器人的核心痛点从未改变：它们无法像人类一样灵活、适应性强且低成本地完成复杂任务。传统工业机器人是“铁笼里的野兽”，被编程、被隔离，无法应对非结构化环境。而 Microagi 的赌注是：解决这一痛点的钥匙，不是更精密的硬件，而是更海量、更真实的人类操作数据。 这家由前 F1 工程师创立的公司，正试图用“数据采集-模型训练-现场部署”的闭环，为欧洲制造业找回失去的竞争力。

信息维度 详情
公司名称 Microagi
总部 德国慕尼黑
成立时间 2025年9月（约10个月前）
最新融资 5500万美元种子轮
领投方 Hummingbird
跟投方 Northzone、LocalGlobe、Village Global、Redalpine
创始人背景 前红牛F1车队工程师（CEO Bercan Kilic、CTO Nico Nussbaum）
核心业务 通过人类穿戴摄像头采集工厂和家庭数据，训练人形机器人
融资里程碑 德国历史上最大种子轮
核心判断 数据规模和质量将决定人形机器人商业化的速度，而非硬件突破

行业痛点与底层逻辑：欧洲制造业的“失传手艺”与机器人的“数据饥渴”

它的客户名单很短，但电费账单很长

欧洲制造业正在经历一场无声的危机。CEO Bercan Kilic 在接受 Sifted 采访时直言：“在过去的60年里，我们将大量制造能力外包给了东方，因此欧洲从未掌握许多技能。我们在内部做事的能力已经落后，失去了价格竞争力。” 这句话背后是一个残酷的现实：当德国汽车工厂的流水线工人退休后，年轻一代不再愿意从事重复、枯燥的体力劳动；当东欧的劳动力成本上升，原本依赖低工资的组装线开始外迁；当疫情和地缘政治冲击供应链，欧洲突然意识到，自己连最基础的螺丝拧紧、零件分拣、餐具清洗等“手艺”都在流失。

传统工业机器人无法解决这个问题。它们被设计用于高度结构化、可预测的环境：汽车焊接、芯片封装、码垛堆叠。它们需要昂贵的编程、精确的定位、固定的工位。一旦环境发生变化——比如零件位置偏移、光照条件改变、任务顺序调整——这些“铁笼野兽”就会失灵。更致命的是，它们无法执行人类日常中最常见的“精细操作”：比如从一堆杂乱餐具中挑出玻璃杯并轻轻放入洗碗机，或者在不损坏电路板的情况下将螺丝拧到特定扭矩。

人形机器人的“阿喀琉斯之踵”：不是硬件，是数据

近年来，人形机器人赛道火热。特斯拉的 Optimus、Figure AI、1X Technologies 等公司吸引了数十亿美元投资。但一个尴尬的事实是：至今没有一家公司能让人形机器人在真实家庭或工厂中稳定执行超过10种日常任务。 原因很简单：机器人缺乏“常识”。它们可以学会走路、抓取物体，但无法理解“把脏盘子放进洗碗机”这一行为背后的因果逻辑——盘子是脏的、洗碗机是清洁工具、需要先开门再放进去、不能放得太满、不同材质的餐具需要不同摆放方式。

这种“常识”的缺失，源于训练数据的匮乏。传统机器人训练依赖仿真环境（simulation），但仿真与真实世界之间存在巨大的“Sim-to-Real Gap”：仿真中的物理规律过于理想化，无法模拟真实世界的摩擦力、光照变化、物体变形、人类干扰等复杂因素。而真实世界的数据采集成本极高：需要人类操作员反复演示、标注、验证。Microagi 的 CTO Nico Nussbaum 坦言：“没有人知道到底需要多少数据才能训练出合格的机器人。但所有初创公司都在押注——我们需要很多很多数据。”

这正是 Microagi 的切入点。它没有选择从零开始造硬件，而是选择了一条更“笨”但可能更有效的路径：让人类戴上摄像头，在真实环境中执行任务，采集海量操作数据。 这种“数据优先”策略，本质上是在赌：当数据量达到某个临界点，机器人模型将涌现出类似人类的泛化能力。

技术创新与核心架构：从 F1 赛道到厨房水槽的数据飞轮

工程师戴着头盔上班：一场针对“人类技能”的数字化考古

Microagi 的技术方案听起来简单，执行起来却极其复杂。公司派遣工程师进入客户工厂和家庭，让他们佩戴头部摄像头，记录下每一个操作细节。这些摄像头不是普通的 GoPro，而是经过定制的多视角、高帧率、带深度感知的传感器阵列。它们记录的不只是画面，还包括手部位置、工具角度、施加的力、物体运动轨迹等元数据。

“我们把工程师放在每个客户现场，系统从他们的真实操作中学习，并将这些经验反馈到下一轮迭代中。”Nussbaum 解释道，“因此，我们每个月在现场停留的时间越长，客户就越能领先于竞争对手。” 这句话揭示了 Microagi 的核心竞争力：数据飞轮。每一次现场采集，不仅训练了模型，还优化了采集流程本身。工程师会分析哪些操作被模型误解、哪些场景数据不足，从而调整下一轮采集的重点。

这种“人机协作”的数据采集模式，与自动驾驶领域的“影子模式”有异曲同工之妙。特斯拉通过数百万辆量产车采集真实驾驶数据，而 Microagi 则通过派遣工程师进入真实场景，获取机器人所需的“操作数据”。区别在于：自动驾驶的数据采集成本相对较低（车辆本身就是传感器平台），而机器人操作数据需要人类亲自到场，成本高昂且难以规模化。这正是 Microagi 面临的最大挑战，也是它必须快速证明商业价值的原因。

从 F1 到工厂：前红牛工程师的“系统思维”如何重构机器人训练？

CEO Bercan Kilic 和 CTO Nico Nussbaum 的前 F1 工程师背景，为 Microagi 带来了独特的工程哲学。F1 赛车是世界上最复杂的系统工程之一：空气动力学、动力总成、轮胎管理、实时策略……每一个子系统都必须极致优化，且相互耦合。这种“系统思维”被带到了机器人训练中。

传统机器人公司往往将“感知-规划-控制”拆分为独立模块：视觉系统识别物体，规划系统生成路径，控制系统执行动作。但 Microagi 认为，这种模块化架构在真实世界中效率低下。例如，当机器人抓取一个杯子时，视觉系统可能识别出杯子，但规划系统生成的抓取点可能因为光照反射而偏移，控制系统则可能因为摩擦力不足而让杯子滑落。每个模块的误差会累积，最终导致任务失败。

Microagi 的解决方案是：端到端学习（End-to-End Learning）。它不试图显式建模物理世界，而是让神经网络直接从原始传感器数据映射到电机控制指令。这种方法在自动驾驶领域已被证明有效（如 Wayve 的端到端模型），但在机器人操作领域仍处于早期。其优势在于：模型可以自动学习到模块化架构中难以捕捉的隐式特征，比如“抓取玻璃杯时应该用更小的力”“洗碗机门打开到45度时阻力最小”。其劣势在于：需要海量数据，且模型的可解释性差，难以调试。

数据规模 vs. 数据质量：一场没有标准答案的军备竞赛

“没有人知道你需要多少数据。”Kilic 的这句话，道出了整个行业的焦虑。目前，主流机器人训练数据集规模在百万到千万级之间。例如，Google 的 RT-2 模型使用了约 10 万条机器人操作数据；而特斯拉的 Optimus 据称使用了数百万条。但 Microagi 认为，这些数据远远不够。

原因在于：真实世界的任务分布是长尾的。 人类可以轻松应对“把杯子放进洗碗机”这一任务，但杯子有不同形状、材质、位置；洗碗机有不同品牌、型号、内部布局；环境有不同光照、背景、干扰物。每个变体都需要足够的数据覆盖。如果数据只覆盖了 80% 的场景，机器人就会在剩下 20% 的场景中失败，而正是这 20% 决定了它能否被部署到真实场景。

Microagi 的策略是：优先覆盖高价值、高重复性的工业任务。 例如，在工厂中，零件分拣、工具递送、设备清洁是每天重复数百次的操作。这些任务的数据采集效率高，且一旦模型学会，就能直接替代人类劳动力。相比之下，家庭任务（如洗碗、叠衣服、整理床铺）虽然市场更大，但任务变体更多、数据采集成本更高，因此被列为第二阶段目标。

商业模式与市场竞争：欧洲的“数据护城河”与全球的“硬件军备赛”

卖数据还是卖服务？Microagi 的“数据即服务”模式

Microagi 的商业模式尚未完全公开，但从其业务逻辑可以推断出几种可能路径：

1. 数据授权：将采集并标注好的操作数据集出售给机器人硬件公司或 AI 公司。这类似于自动驾驶领域的 Waymo 或 Cruise 向其他公司出售高精地图数据。但问题在于：机器人操作数据具有高度场景特异性，一家工厂的数据很难直接用于另一家工厂，更不用说跨行业应用。

2. 模型训练服务：为客户提供定制化的机器人操作模型。客户支付费用，Microagi 派遣工程师到现场采集数据，训练模型，并持续迭代。这种模式类似于“AI 咨询+模型开发”，但难以规模化，且客户粘性取决于模型效果。

3. 机器人即服务（RaaS）：Microagi 自身拥有或合作机器人硬件，将训练好的模型部署到机器人上，按小时或按任务收费。这是最理想的商业模式，因为收入可预测、客户粘性高、数据飞轮效应强。但这也意味着 Microagi 需要解决硬件成本、部署维护、安全合规等一系列问题。

从目前信息看，Microagi 更倾向于第二种模式：先通过数据采集和模型训练建立技术壁垒，再逐步向 RaaS 模式演进。 Kilic 的言论也印证了这一点：“我们让工程师驻场，系统从他们的真实操作中学习，并反馈到下一轮迭代。因此，客户每个月都在拉开与竞争对手的差距。” 这句话暗示，Microagi 的核心价值在于“持续迭代”而非“一次性交付”。

全球竞争格局：西方擅长软件，中国擅长硬件，欧洲擅长什么？

Kilic 在采访中给出了一个有趣的判断：“训练模型在西方世界更先进，而中国在机器人硬件上领先。” 这反映了当前全球人形机器人赛道的格局：

  • 美国：以 Tesla Optimus、Figure AI、Apptronik 为代表，注重硬件设计、规模化制造和 AI 模型。Figure AI 已获得微软、OpenAI、亚马逊等巨头的投资，估值超过 20 亿美元。其优势在于：强大的品牌效应、资本获取能力、以及 OpenAI 等合作伙伴的 AI 能力。
  • 中国：以优必选、小米 CyberOne、傅利叶智能为代表，在硬件成本控制、供应链整合、量产能力上具有明显优势。中国拥有全球最完整的机器人供应链，电机、减速器、传感器等核心部件成本远低于西方。但中国公司在 AI 算法和软件生态上相对薄弱。
  • 欧洲：以 Microagi、Uma、Monumental 为代表，更注重“软硬结合”和“场景落地”。欧洲的制造业基础（尤其是德国汽车工业、瑞士精密制造）提供了丰富的应用场景，但缺乏大规模资本和硬件制造能力。Microagi 的策略是：避开硬件军备赛，专注于数据这一“软件”层面的差异化。 这类似于 AI 领域的“数据飞轮”策略：先积累数据，再反哺模型，最终形成数据-模型的良性循环。

竞争壁垒：数据飞轮 vs. 硬件护城河

Microagi 的核心壁垒在于“数据飞轮”的启动速度。一旦它在一个工厂或家庭中建立了数据采集-模型训练-现场部署的闭环，客户将很难更换供应商，因为更换意味着重新采集数据、重新训练模型，成本极高。这种“数据锁定”效应类似于 SaaS 公司的“迁移成本”。

但这一壁垒的脆弱性同样明显：数据飞轮需要时间积累，而竞争对手可能通过更快的部署速度或更低的价格抢走客户。 例如，Figure AI 如果推出“免费试用三个月”的促销策略，Microagi 将面临巨大压力。此外，如果开源机器人模型（如 Google 的 RT-2、斯坦福的 ALPHA）在通用性上取得突破，Microagi 的定制化数据优势可能被削弱。

另一个潜在威胁是：硬件公司可能自建数据采集能力。 特斯拉已经在通过 Optimus 原型机在工厂中采集数据；Figure AI 也在与宝马等车企合作，获取工业场景数据。如果这些硬件巨头同时掌握硬件和软件，Microagi 的生存空间将被压缩。

战略发展与关键挑战：12-18 个月的生死时速

里程碑一：证明“10个任务”的商业可行性

Kilic 预测，一年内人形机器人将能自主完成约 10 个常规任务。对于 Microagi 而言，这意味着它需要在 12-18 个月内，在至少一个客户现场部署机器人，并稳定执行 10 个以上的工业任务（如零件分拣、工具递送、设备清洁）。如果成功，这将是一个里程碑式的证明：数据驱动的方法确实能产生商业价值。

但如果失败——比如机器人只能执行 3-5 个任务，或者任务执行的成功率低于 90%——Microagi 将面临信任危机。投资人可能会质疑：数据采集的成本是否值得？模型是否真的能泛化？此时，5500 万美元的种子轮可能不足以支撑下一轮融资。

挑战一：数据采集的规模化瓶颈

目前，Microagi 的数据采集依赖工程师驻场。这种方式成本高昂：一个工程师的月薪加差旅费可能超过 2 万欧元，而一个工厂可能需要 3-5 名工程师持续工作 6 个月才能积累足够的数据。如果 Microagi 只有 10 个客户，年数据采集成本就可能超过 1000 万欧元，占种子轮融资的近 20%。

解决方案包括：开发更高效的远程数据采集工具（如让客户自己的员工佩戴摄像头）、利用仿真环境生成合成数据、或者与第三方数据标注公司合作。但每种方案都有风险：远程采集可能降低数据质量；合成数据可能无法弥合 Sim-to-Real Gap；外包标注可能泄露客户敏感信息。

挑战二：人才争夺战

欧洲的 AI 和机器人人才本就稀缺，而 Microagi 需要的是“既能理解 F1 系统思维，又能适应工厂现场”的复合型人才。这类人才通常被大公司（如特斯拉、宝马、西门子）或高薪初创公司（如 Figure AI）抢走。Microagi 的种子轮融资虽然创纪录，但 5500 万美元在人才市场上并不算多——Figure AI 的估值已超过 20 亿美元，其员工期权价值远高于 Microagi。

Kilic 的应对策略可能是：强调“使命驱动”和“欧洲本土优势”。 他反复提到“欧洲制造业的存亡”，这能吸引那些希望为欧洲工业复兴贡献力量的人才。此外，慕尼黑作为欧洲科技中心，生活成本低于旧金山或上海，对欧洲本土人才有一定吸引力。

挑战三：监管与伦理

人形机器人进入工厂和家庭，将引发一系列监管和伦理问题。例如：如果机器人在工厂中造成工伤，责任在谁？如果家庭机器人记录下用户的隐私数据，如何保护？Microagi 的数据采集涉及人类操作视频，这些视频可能包含商业机密（如工厂布局、工艺流程）或个人隐私（如家庭内部画面）。如何确保数据安全，是 Microagi 必须解决的合规问题。

欧洲的 GDPR 法规对数据采集和使用有严格限制。Microagi 需要确保：所有数据采集都获得明确同意；数据存储和传输符合加密标准；数据使用范围仅限于模型训练，不得用于其他目的。一旦出现数据泄露，Microagi 可能面临巨额罚款和声誉损失。

核心判断：Microagi 的 5500 万美元种子轮，本质上是一场关于“数据是否足以驱动机器人通用化”的豪赌。未来 12-18 个月，核心观察指标包括：

1. 客户数量与续费率： 能否从 1-2 个试点客户扩展到 10 个以上付费客户？客户是否愿意续约？

2. 任务成功率与泛化能力： 机器人在同一工厂中能否稳定执行 10 个以上任务？能否在不同工厂中快速迁移？

3. 数据采集成本下降曲线： 每采集 1 小时有效数据的成本是否在下降？能否从“工程师驻场”转向“远程+自动化”模式？

4. 竞争对手动态： Figure AI、Tesla Optimus 等是否在数据采集上取得突破？开源模型是否削弱了 Microagi 的差异化优势？

如果 Microagi 能在 18 个月内实现上述任一指标的大幅突破，它将成为欧洲机器人赛道的标杆；否则，它可能成为另一场“数据泡沫”的注脚。