地下深处数百米，一台17立方码的铲运机在狭窄巷道中轰鸣，驾驶员视野被粉尘和水雾压缩到不足三米，而左后方一台铰接式卡车正在倒车。GPS信号在地表以下早已消失，照明系统在爆炸烟尘中形同虚设，留给操作手反应的时间窗口，往往只有几秒。在许多地下矿山，这样的场景是日常作业的一部分，而非意外。
把自动驾驶逐步推向量产的汽车行业，依赖的是高精地图、激光雷达、摄像头和毫米波雷达的多传感器融合方案，底层始终假设卫星信号稳定、道路边界清晰。但井工矿没有这些条件——没有车道线，没有固定路线，没有统一的光照，电磁环境复杂到足以让消费级传感器间歇性失效。当“感知、决策、执行”这个经典技术栈被抽掉基础设施假设，整个系统就需要从物理学层面重新构建。
这正是 LoopX Innovation 试图切入的缺口。2026年8月4日，这家总部位于多伦多与萨德伯里的物理 AI 公司宣布完成 405 万美元种子轮融资，由 BDC Seed Venture Fund 与 Orion Industrial Ventures 联合领投，全球工程及专业服务公司 Hatch 参与。资金将用于扩充应用 AI 工程、客户成功与市场拓展团队。
| 字段 | 内容 |
|---|---|
| 公司 | LoopX Innovation Inc. |
| 轮次 | 种子轮 |
| 金额 | 405万美元 |
| 投资方 | BDC Seed Venture Fund、Orion Industrial Ventures（联合领投）、Hatch（参与） |
| 总部 | 加拿大多伦多与安大略省萨德伯里 |
| 创始人 | Chao Yu（CEO）、Lucas Cui（CTO）、James Zhang（产品负责人） |
| 官网 | https://www.loopx.ai/ |
当“看见”本身成为系统瓶颈
理解 LoopX 的产品逻辑，需要先理解地下矿山感知问题的特殊维度。消费级自动驾驶处理的通常是可见光波段下的物体分类与距离估算，而井工矿的挑战在于：可见光成像本身就可能失效。矿尘、柴油烟雾、爆破后的硝酸铵残留、高湿度凝结的水雾，使得环境中充满了米氏散射粒子，摄像头的成像距离会从几十米骤降至几米。这不是算法不够好，而是光学定律决定了能见度。
LoopX 的回应是一套以热成像计算机视觉为核心、搭配边缘计算模块和自研 AI 模型的感知平台。热成像的长波红外波段对粉尘穿透力天然优于可见光，且不受环境光照影响，在完全黑暗的巷道中仍能形成稳定图像。这种技术路径并非 LoopX 独创——军事、消防和部分安防领域早有应用——但将其固化为可部署在移动采矿设备上的量产级产品，并使其在海量真实工况数据中持续迭代，是该公司试图建立的壁垒。
据 VentureBeat 报道，LoopX 平台目前承载了三款核心应用：移动设备碰撞避免系统 CAS、自动载荷计量与物料追踪系统 LoadSight，以及围绕悬臂机械的主动安全系统 BoomGuard。三者的共同点在于，它们都不要求对矿山基础设施做大规模改造，而是以传感器和边缘计算单元的形式加载到现有设备上。这种“不依赖环境改造”的切入方式，在矿业这样一个资本支出周期极长、对停产极为敏感的行业中，降低了部署阻力。
八座矿山的真实数据，能形成飞轮吗
公告显示，LoopX 的系统已在八座活跃矿场部署，覆盖 Vale Base Metals 和 Cementation Americas 等运营商与承包商。这是目前该公司向外释放的最核心的商业验证信号。创始人兼 CEO Chao Yu 将其描述为一个持续学习循环：“每一次部署都在扩充我们的专有采矿数据集，并强化我们的 AI 模型，推动我们更接近下一代智能工业机器。”
这个“部署-数据-模型增强-新部署”的叙事，暗合当前物理 AI 投资中最受欢迎的飞轮逻辑。但值得区分的是：这个飞轮能否真正闭合，取决于数据质量是否随着部署量呈线性或超线性提升，也取决于不同矿山的工况差异是否大到令模型迁移变得困难。一个在萨德伯里盆地的镍矿中训练出色的碰撞避免模型，移植到智利铜矿的完全不同岩层应力环境和作业流程后，是否能保持性能？这不仅是算法泛化能力的问题，也涉及传感器在不同矿种粉尘成分干扰下的鲁棒性。目前公开材料中没有提供跨矿迁移测试的数据，这也是所有工业 AI 初创在种子阶段都需面对的待验证假设。
此外，BDC Seed Venture Fund 合伙人 Mark Smith 公开确认 LoopX“正将先进智能引入业内最具挑战性的环境”，并认为其技术“有潜力改善矿业安全与生产率”。Orion Industrial Ventures 管理合伙人 Mark Frayman 则强调了“旗舰客户的早期现场验证结果”。投资人对“差异化技术”和“现场验证”的反复提及，暗示了尽职调查中他们看到的材料，可能包含未在新闻稿中披露的具体性能指标或事故率数据。但此类数据的缺失本身也构成外部观察者评估的盲区。
矿业安全的“无 GPS 约束”，既是壁垒也是天花板
要进一步判断 LoopX 的竞争位置，必须将其放进矿业自动化的真实产业链条中来看。目前井下作业中，能够实现部分自动化功能的供应商大致可归为几类：一是设备原始制造商的自研系统，如山特维克、小松旗下的自动化铲运机和钻机，它们将感知和控制系统嵌入自有设备，技术封闭但集成度高；二是专注特定安全功能的第三方供应商，如碰撞预警领域的 Hexagon、Booyco、Strata Worldwide，它们多基于射频标签、雷达或单一种类传感器；三是试图做全栈自动驾驶的矿业科技公司，但多数仍受限于 GPS/RTK 依赖和昂贵的激光雷达方案。
LoopX 把自己定位在这张地图上一个相对窄但关键的缝隙：全工况感知层。它不是整车厂，不造铲运机，不做钻井自动化，而试图成为一个横跨不同设备品牌、不同矿种、不同作业环节的中间件型平台。这在商业上有两面性。好处是理论上可触达的总市场规模更大，且不受单一设备厂商的生态锁死；风险则在于，这种“跨品牌兼容”需要与各设备制造商的电控与液压接口对接，每一家协议不同、安全冗余标准不同，集成工作量远超预装在自己设备上的 OEM 方案。
Hatch 的参与在此处提供了超越纯财务投资的解释空间。作为一家在全球 150 个国家拥有超过万名专业人员的工程服务公司，Hatch 在矿业领域的角色不是资本方，而是大型矿业项目的设计、采购、施工管理和技术顾问。其全球矿业总监 Mark Deziel 在新闻稿中明确使用了“既是投资者也是合作伙伴”的说法。在工业 AI 的部署链条中，缺少工程落地环节是许多算法团队商业化的致命瓶颈。Hatch 的工程资源与既有客户网络，可能为 LoopX 提供了一条更短的从试验场到产线部署的路径。
资金用途透露的工程化信号
这笔 405 万美元的用途被明确划为三块：应用 AI 工程、客户成功和市场拓展。没有提及基础研究或算法框架开发。这对于一家 2022 年成立、刚从地下矿部署数据中走出来的公司来说，是一个清晰的工程化转向信号——它认为自己已经越过了从 0 到 1 的技术原型阶段，现在需要解决的是如何在八个矿场之外，把系统以可持续的单位经济模式复制到八十个、八百个矿场。
“客户成功”这个职能的出现尤其值得注意。订阅制 SaaS 公司设置客户成功团队，通常是为了提升续费率和扩展账户营收。将这一角色纳入一家刚刚结束种子轮的硬件-软件混合公司的核心招聘计划，说明 LoopX 可能正在向某种重复性收入模式靠拢，或者至少在与客户的合同中嵌入了需要持续服务的交付条款。具体商业模式未披露，但从“每部署一次就增强一次模型”的技术架构推测，单纯卖硬件的毛利率模型很难支撑该叙事，数据服务、软件订阅或按设备按年收费的模式更符合逻辑推演。但这目前还只是基于行业惯例的推断。
资本结构：矿业基金、开发银行与工程公司的三角配置
本轮三家投资方的组合值得单独拆解，因为其背后代表的资本逻辑差异，会在后续轮次中牵引公司走向不同方向。
BDC Seed Venture Fund 是加拿大开发银行旗下的种子期基金，其核心诉求并非最大化财务回报，而是培育加拿大本土创新企业，符合公共政策导向。这意味着 BDC 对退出周期的容忍度可能高于纯市场化的 VC，但也会在后续融资中持续关注公司是否留在加拿大生态内。
Orion Industrial Ventures 则截然不同。它是 Orion Resource Partners 集团的子公司，后者是全球最大的金属矿产私募资本之一，管理资产超 96 亿美元。这只基金的投资方向直接锚定在“提升关键矿物、材料和自然资源可持续与经济性供应的新技术”上。换言之，其 LP 结构本身就与矿业资产的长期回报深度绑定，这类产业资本的典型逻辑不是等 IPO，而是希望技术能在自身投资组合内的矿山中创造运营价值，甚至为未来整合铺路。Mark Frayman 所说的“这正是 Orion Industrial Ventures 成立初衷所要支持的公司类型”，并非客套，而是产业资本在标的稀缺时的直白表达。
Hatch 的角色则介于上述二者之间：不控股、不要求退出路径，但通过技术和工程层面的深度合作，将 LoopX 的技术绑定到自己的服务链条中，增强自身在大型矿山项目中的数字化议价能力。三家投资者的诉求形成了一种微妙的平衡——政策耐心、产业闭环动力、工程落地能力——但平衡也可能在下一轮打破，尤其是当财务投资者以更高估值进入，要求更快商业化节奏时。
待回答的硬问题：数据、标准化与替代方案
回到井下环境本身。LoopX 提供的产品描述中，热成像和边缘计算解决的是“看清楚”问题，模型迭代解决的是“看懂并决策”问题。但在矿业自动化领域，一条暗线始终存在：监管和保险。井下设备的安全系统并非完全由技术性能定义，更多时候受制于各国矿山安全法规中关于功能安全等级的硬性规定。一个视觉 AI 系统的碰撞避免决策，是否被加拿大安大略省的《职业健康与安全法》或智利 Sernageomin 的监管框架接受为合规的安全冗余层级，需要提供完整的故障模式与影响分析验证链。这比拿到一个商业化合同更难，周期也更长。
竞争对手方面，声明中未点名任何特定公司，但将 LoopX 置于真实市场中，需要面对的不是某个单一敌人，而是一个替代方案矩阵。对于大型矿业公司，最简单的替代方案是继续使用已被证明可用的传统方案：射频标签识别人员位置、超声波雷达测距、严格的物理隔离和规程管理。这些方案的技术先进性远不如 AI，但它们成本确切、供应链成熟、工会和安全部门熟悉。说服矿企用一个尚在积累案例的 AI 系统替代或部分替代已有方案，需要的不仅是“看得更清楚”的演示，而是量化的成本效益数据和可复现的安全绩效。
Cementation Americas 这类承包商的参与提供了另一种验证逻辑：承包商的设备跨矿流动性强、作业环境多变，其对感知系统的通用性要求甚至高于矿主自有的固定车队。如果 LoopX 的系统能在不同承包合同的转移过程中稳定表现，那将是比单一矿场部署更强有力的证据。但目前同样缺乏这方面的纵向数据。
物理 AI 叙事下的“数据特权”与天花板
LoopX 将自身定义为“物理 AI”公司，而非简单的计算机视觉或矿业科技公司。这在当下的融资环境中是精心选择的标签——它试图与虚拟世界中的数据驱动 AI（如语言模型、推荐系统）拉开距离，强调其模型训练数据来自真实物理世界的传感器回流。这种叙事获得溢价的前提是：这些物理世界数据的获取具有垄断性。如果任何矿山都可以轻易采购热成像设备、部署边缘端并积累自己的数据集，那么 LoopX 的专有数据优势就会被稀释。
Chao Yu 强调的“专有采矿数据集”究竟有多大程度的专有性，取决于模型训练的工程细节：是仅使用自有部署数据，还是融合了公开或授权数据集；模型更新方式是集中式再训练还是联邦学习架构；多矿部署之间的数据是否打通。这些都是技术架构层面的未披露信息，但却是判断“数据飞轮”是否真实成立的关键。
无论如何，八座运营矿山的部署量，放在全球数万座井下矿山的总量面前，渗透率极低，但也意味着如果单个矿场的验证周期能跑通，天花板还很高。接下来的 12 到 18 个月，LoopX 能否将部署矿山数量从个位数推到两位数以上，并且让客户成功团队真正跑出续约或扩展数据，是检验这轮种子轮叙事是否为真的唯一标准。
RecodeX 极客视：LoopX 的 405 万美元种子轮不只是为矿车装上 AI 眼睛，更是试图在 GPS 和可见光双双失效的地下世界，建立一套靠热量、边缘算力和现场数据驱动的机器感知新规则。热成像长波红外从物理原理上穿透了粉尘和黑暗，这给了公司一个不依赖环境改造的部署起点，也让它在设备制造商自有系统和传统射频方案之间找到了缝隙。但缝隙也意味着通道狭窄——跨品牌集成的工作量、不同矿种间模型的泛化鸿沟、以及安全法规对 AI 决策的认证周期，每一项都在测试这个“数据飞轮”能否真正转起来。投资方阵容中，Orion 的产业闭环动力和 Hatch 的工程交付能力，给了 LoopX 比纯 VC 投资更强的落地推手，也要警惕产业资本是否在某个拐点要求技术优先服务于其自身资产组合。矿井深处没有观众席，接下来每一份实际的性能数据和客户续约，都是它必须交出的答卷。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。