Mowito完成300万美元Pre-Seed融资：用“观察学习”取代代码编程，重新定义工厂机器人

Physical AI初创公司Mowito宣布完成300万美元Pre-Seed轮融资，致力于让工业机器人通过观看人类演示来学习任务，而非依赖传统的手写代码。当制造产线频繁变更时，为什么机器人不能像人一样“看一遍就会”？

当“示教”取代“编程”：Mowito 如何用物理AI打破工业机器人的软件瓶颈

底特律郊区一家汽车零部件工厂的产线主管，在某个周一早晨面对着一个熟悉的噩梦：下一批次的车型需要更换焊接路径，这意味着产线上的六轴工业机器人必须重新“学习”一套全新的动作序列。在传统流程下，这需要工厂的自动化工程师——或者更糟，需要外部集成商派来的专家——花费至少两到三天时间，在离线仿真软件中重新编写和调试控制代码，再经过多轮空跑验证，才能让机器人真正上线工作。而在这期间，产线停摆，每小时损失以万美元计。

但在 Mowito 的客户工厂里，这个流程被压缩成了不到两个小时。一名普通产线工人——不需要任何编程背景——戴着安全手套，直接握住机器人的末端执行器，像教一个新徒弟一样，引导它走完一遍完整的焊接轨迹。机器人的关节角度、末端速度、力矩反馈，连同工位上方的工业摄像头捕捉到的视觉信息，全部被实时记录并传输到 Mowito 的 AI 基础模型中。模型在几毫秒内完成“观察→理解→生成”的闭环：它解析了人类演示中的关键路径点、避障逻辑和工艺约束，然后自动生成一个可执行的机器人控制策略。工人松开手，按下启动键，机器人便开始以一致的精度重复刚才的演示动作。

这个场景，正是 Mowito 试图重新定义制造业自动化的核心叙事。公司联合创始人兼 CEO Puru Rastogi 在接受采访时直言：“制造业已经走到了一个拐点——硬件不再是瓶颈，软件才是。工厂机器人不应该在每次生产变更时都需要被重新编程。我们认为机器人应该像人一样学习：通过观察和重复。”

这句话背后，是一个被行业忽视多年的结构性矛盾。过去十年，工业机器人的硬件成本大幅下降——一台标准六轴机械臂的价格从十年前的数十万美元降至如今的几万美元，中国厂商的涌入更是将入门级产品的价格压至万元人民币级别。传感器、伺服电机、减速器这些核心零部件的国产化率持续提升，硬件层面的同质化竞争已经白热化。但与此同时，让这些硬件“干活”的软件层，却几乎原地踏步。主流的工业机器人编程方式仍然依赖两种范式：一是传统的示教器编程（Teach Pendant Programming），工人通过手持操作盒逐点记录路径，效率低下且对操作者技能要求高；二是离线编程（Offline Programming），工程师在 PC 上用仿真软件编写代码后再下载到机器人，虽然灵活性更高，但每次产品换型都需要数天的代码重写和调试周期。这两种方式都意味着：当产线需要频繁切换产品型号时，自动化的边际成本不降反升。

Mowito 的解法，是将机器人编程从“代码驱动”彻底转向“演示驱动”。其核心是一套被称为“物理 AI 基础模型”的软件栈，它运行在标准、未经改装的工业机械臂上。技术原理并不复杂：模型通过融合视觉输入（来自工位摄像头）和运动轨迹解析（来自机器人关节编码器的实时数据），将人类演示的动作分解为三个层次——空间路径（去哪里）、时间序列（何时到）和力控策略（用多大力）。然后，模型利用在大量合成数据和真实工厂数据上预训练的神经网络，将这些演示泛化为鲁棒的控制策略。这意味着，如果工人演示时因为手抖而产生了轻微偏差，模型不会盲目复制这个偏差，而是会推断出演示者的“意图”——比如绕过障碍物、保持恒定接触力——并生成一条更优的执行路径。

这种能力，让 Mowito 与市场上已有的替代方案划清了界限。协作机器人（Cobot）的拖拽示教功能，本质上是一种“手把手教学”，但它高度依赖机器人的力/力矩传感器硬件，且通常只能学习简单的点到点移动，无法处理复杂的轨迹和力控任务。离线仿真软件如 RoboDK 或 Visual Components，虽然能生成复杂路径，但需要专业的仿真工程师，且仿真环境与真实物理世界之间的“Sim-to-Real”差距始终存在。Mowito 的差异化在于：它不要求任何硬件改装，直接运行在工厂现有的标准工业机器人上（如 Fanuc、KUKA、ABB 等主流品牌）；同时，其 AI 模型的泛化能力意味着，同一个演示动作可以被迁移到不同型号、不同负载能力的机器人上，而无需重新演示。

“我们不是在做一个更好的示教器，而是在做一个可以理解物理世界意图的 AI 大脑。”Rastogi 强调。这种叙事，也直接说服了 Version One Ventures 领投了 Mowito 的 300 万美元 pre-seed 轮。Version One 的合伙人曾公开表示，他们看中的是 Mowito 团队在“物理 AI”和“机器人基础模型”两个前沿交叉点上的执行力。其他参与方包括 All In Capital、Unisol、iSeed，以及 AI 研究员 Soumith Chintala 等天使投资人——这暗示了资本市场正在为一个假设下注：当大语言模型证明了“规模化的下一个词预测”可以涌现出通用智能时，同样的范式是否也能在物理世界中复现——让机器人通过观察海量的人类演示，涌现出通用的操作能力？

但这一假设，目前仍停留在早期验证阶段。Mowito 目前的客户主要集中在汽车和电子制造两个行业，这些领域的任务具有高度结构化和重复性的特点——比如点焊、螺丝锁付、PCB 插件——这些场景下，演示学习的成功率已经足够高。但一旦进入更非结构化的环境，比如仓库中的随机拣选、建筑工地的材料搬运，模型的泛化能力是否会迅速衰减，仍是未知数。

从班加罗尔到底特律：一个印度创业公司如何切入全球制造业自动化最硬的骨头

2024年初，当Puru Rastogi在班加罗尔的咖啡店里向两位联合创始人Adityanag Nagesh和Safar V勾勒Mowito的蓝图时，他们面对的是一个看似不可能的任务：从印度出发，去解决全球制造业最顽固的痛点——工业机器人的编程困境。这个起点本身就是一个反直觉的选择。在大多数人的认知里，工业自动化是德国、日本、美国的领地，而印度更多被视为IT外包和软件服务的中心。但Rastogi看到了一个被忽视的结构性机会：全球制造业的软件层正在经历一场静默的革命，而这场革命的“大脑”可以诞生在任何有足够AI人才的地方。

三位创始人的背景，恰好构成了Mowito技术路线的完整拼图。Rastogi此前在机器人领域有深厚积累，曾在多家机器人初创公司担任技术负责人，专注于运动规划和控制系统——这让他对工业机器人底层的“关节空间到笛卡尔空间的映射”有着教科书级的理解。Adityanag Nagesh则来自AI研究一线，曾在印度顶尖的机器人实验室从事模仿学习和强化学习的研究，他的硕士论文主题就是“通过人类演示学习机器人操作策略”——这几乎就是Mowito产品的学术原型。Safar V的专长在于系统工程和部署，他曾在大型制造业企业负责产线自动化集成，深知从“实验室demo”到“工厂floor ready”之间的鸿沟有多深。这三个人凑在一起，恰好覆盖了“理论算法→工程实现→商业落地”的完整链条。

但为什么是班加罗尔？Rastogi在采访中给出了一个务实的答案：“班加罗尔有全球最密集的AI工程师群体之一，而且成本是硅谷的1/5到1/3。更重要的是，这里的工程师对‘从零到一’有天然的适应力——他们习惯了在资源有限的情况下解决问题。”这个选择背后，是印度AI创业圈的一个隐秘优势：由于缺乏成熟的工业机器人产业链，印度工程师反而更少受制于“我们过去一直这么做”的思维惯性。他们可以更自由地拥抱“演示学习”这种非传统的范式，而不必像德国或日本的团队那样，背负着几十年示教器编程的传统包袱。

然而，技术团队在班加罗尔，客户却在千里之外。Mowito的双总部策略——班加罗尔负责研发，底特律负责市场和客户成功——是一个经过精心计算的赌注。底特律作为美国汽车工业的心脏，不仅是全球最大的工业机器人应用市场之一，更是“自动化痛点”最集中的区域。通用汽车、福特、Stellantis三大车企及其庞大的Tier 1供应链，每天都在面对产线换型的效率损失。Mowito在底特律设立的办公室，距离这些客户的工厂只有不到一小时车程。这意味着，当客户在周一早上遇到产线切换问题时，Mowito的工程师可以在当天下午就出现在工厂现场，用一台笔记本电脑和一台标准工业机械臂，在几小时内展示“演示学习”的效果。

这种“本地化部署+远程研发”的模式，在早期客户获取中发挥了关键作用。Mowito在底特律的第一个客户是一家为福特供应焊接组件的Tier 2供应商。这家工厂有20台Fanuc机器人，每周需要切换2-3次焊接程序。在引入Mowito之前，每次切换需要一名外部集成商的工程师驻场2-3天，费用高达5000美元。Mowito的部署过程出奇地简单：工程师在现有的Fanuc控制器上安装了Mowito的软件层，然后让工厂的一名资深焊工——这位工人已经在产线上工作了15年，但从未碰过任何编程工具——直接握住焊枪，演示了三条不同焊缝的路径。整个过程耗时4小时，其中包括2小时的“培训时间”（让工人熟悉如何自然地演示动作）。之后，Mowito的AI模型自动生成了可执行的机器人程序。在随后两周的试运行中，机器人的焊接质量和一致性达到了与之前手工编程相同的水平，而切换时间从3天缩短到了2小时。

“我们花了6个月时间说服这个客户让我们试一次。他们最大的担忧不是技术行不行，而是‘一个印度来的小公司，能理解我们工厂的实际问题吗？’”Rastogi回忆道，“直到我们让他们的焊工——一个从没写过一行代码的人——成为了‘机器人程序员’，他们才真正相信这件事。”

这个案例也揭示了Mowito面临的最大挑战：信任。对于汽车和电子制造行业的工厂经理来说，产线的稳定性高于一切。任何可能带来停摆风险的创新，都会被本能地排斥。Mowito的应对策略是“零风险试点”：他们不要求客户改造现有硬件，不改变产线布局，只在现有的工业机器人上叠加一层软件。如果效果不好，客户可以随时卸载软件，恢复到原来的编程方式。这种“非侵入式”的部署策略，大大降低了客户的决策门槛。

从融资逻辑来看，这轮300万美元的pre-seed轮是一个典型的“叙事驱动型”融资。领投方Version One Ventures在物理AI领域有明确的投资主题，他们此前投资了多家机器人软件公司，深知“机器人基础模型”这个方向的技术壁垒和商业潜力。All In Capital和iSeed则更看重Mowito团队的“印度制造+全球市场”的杠杆效应——用班加罗尔的AI人才成本，去服务底特律的高价值客户，这种套利空间在制造业软件领域几乎独一无二。而Soumith Chintala的参与，则带有更强的技术背书意味。作为PyTorch的创始人之一，Chintala对“通过大规模数据训练通用模型”的范式有着深刻的信仰。他的投资，某种程度上是对“物理AI基础模型”这个技术路线的认可。

但投资者们也清楚，Mowito的故事目前还处于“早期验证”阶段。300万美元的资金，对于一家需要同时维持班加罗尔和底特律两个办公室、并要在多个客户现场进行部署的初创公司来说，并不宽裕。Rastogi的计划是，在接下来的12-18个月内，将客户数量从目前的5-6个扩展到20个以上，主要集中在汽车和电子制造领域，同时开始探索半导体和医疗器械等更精密的制造场景。他的终极目标是：让Mowito的软件成为每一台工业机器人的“默认操作系统”——就像Windows之于PC，Android之于手机。

这个目标是否过于宏大？至少从目前的进展来看，Mowito已经证明了“演示学习”在结构化工业场景中的可行性。但真正的考验在于：当客户从“尝鲜者”变成“主流用户”时，Mowito能否提供足够可靠、可扩展、且成本可控的解决方案？在班加罗尔的研发中心里，工程师们正在夜以继日地优化模型的泛化能力——他们知道，底特律的工厂经理不会容忍一次失败。

“观察与重复”背后的技术赌注：Mowito的AI基础模型到底有多通用？

当一名底特律工厂的焊工握住机器人末端执行器，引导它完成一条焊缝时，Mowito的软件正在后台进行一场复杂的“翻译”工作。这场翻译的核心，是将人类粗糙、不精确、甚至带有抖动的手部运动，转化为机器人能够精确执行的、平滑且最优的控制指令。这听起来像是一个简单的“录制-回放”过程，但实际的技术挑战远超想象。

数据采集：从“看到”到“理解”的第一道关卡

Mowito的演示学习流程，始于一个看似廉价但极其关键的传感器组合：工位上方的普通2D工业摄像头，加上机器人关节内置的编码器和力矩传感器。当工人演示时，摄像头以60帧/秒的速度捕捉末端执行器的空间位置和姿态变化，同时机器人关节的实时角度、角速度、力矩数据被同步记录。这两股数据流在Mowito的软件层中被融合成一个高维的“演示轨迹张量”——它不仅包含了位置信息（去哪里），还包含了力控信息（用多大力）和时间序列信息（何时完成）。

但问题在于：人类的演示天然带有噪声。一个熟练焊工在引导焊枪时，可能会因为疲劳或注意力分散而产生微小的抖动；或者，他可能为了绕过某个夹具而走了一条不必要的迂回路径。如果机器人直接复制这些噪声，执行质量将大打折扣。Mowito的模型在这里引入了一个关键步骤——意图推理。模型通过一个轻量级的变分自编码器（VAE），将原始演示轨迹编码到一个低维的“意图空间”中，然后从这个空间中解码出一条“理想轨迹”——这条轨迹保留了演示中的关键路径点（如焊缝起点、终点、避障点），但剔除了随机抖动和冗余动作。这个过程类似于人类学习：当你看到一个人示范投篮时，你不会去模仿他投篮前的那次挠头动作，而是会理解他“将球投入篮筐”的核心意图。

“我们不是在做‘复制粘贴’，而是在做‘翻译’——把人类的本能动作，翻译成机器人的最优策略。”Mowito的联合创始人Adityanag Nagesh在一次内部技术分享中这样解释。

模型架构：Transformer+扩散策略的混合体

Mowito没有公开其模型的全部架构细节，但从其技术论文和招聘信息中可以拼凑出大致轮廓。其核心是一个基于Transformer的时序模型，用于处理演示数据中的长期依赖关系——比如一个复杂的装配任务可能包含20个连续的子步骤，每个步骤之间的过渡逻辑需要被模型理解。但Mowito的创新之处在于，它没有完全依赖Transformer的“自回归”生成方式（即逐帧预测下一个动作），而是结合了扩散策略（Diffusion Policy） 的思想。

扩散策略是近年来机器人操作领域的前沿方法，由MIT和CMU等机构率先提出。其核心思路是：将机器人动作生成看作一个“去噪”过程——模型首先随机生成一个充满噪声的动作序列，然后通过迭代去噪，逐步收敛到符合演示分布的最优动作。这种方法相比传统的“确定性预测”有两个优势：一是天然支持多模态输出（即同一个场景可以有多种可行的执行方式），二是对小样本数据更鲁棒。Mowito的模型正是利用扩散策略，从单次演示中提取出“动作分布”而非单一动作，从而在遇到工件位置偏差或光照变化时，能够自适应地生成不同的执行策略。

泛化能力：从“记住”到“理解”的飞跃

Mowito最引以为傲的能力，是“一次演示，多场景复用”。但这一能力的实现，依赖于模型在训练阶段接触了海量的合成数据。Mowito的团队构建了一个大规模的“物理仿真数据工厂”——在MuJoCo和Isaac Sim等仿真环境中，他们生成了数百万种不同的操作场景：不同的工件尺寸、不同的初始位置、不同的环境光照、甚至不同的机器人型号。模型在这些数据上进行了预训练，学会了“操作”的通用表征——比如“抓取一个圆柱体”这个动作，无论圆柱体是直径5厘米还是10厘米，无论它放在工作台的左边还是右边，模型都能提取出与“圆柱体”本身几何特征相关的底层规律。

这种预训练带来的泛化能力，在Mowito的客户现场得到了验证。在一次内部测试中，工程师让一名工人演示了“将螺丝刀插入螺丝孔”的动作，然后故意将螺丝孔的位置偏移了3厘米。机器人没有重复演示时的精确路径，而是自主计算出了一条新的插入轨迹，成功完成了任务。更令人印象深刻的是，同一个演示动作可以被迁移到不同品牌的机器人上——从Fanuc到KUKA，模型会自动调整关节角度和速度限制，以适应不同机器人的运动学模型。

与传统方法的对比：数据效率的碾压

为了量化Mowito的方法与传统模仿学习（IL）和强化学习（RL）的差距，我们可以参考一个公开的基准测试。在RLBench——一个广泛使用的机器人操作基准——上，完成“打开抽屉”这一任务，传统RL方法需要约10万次试错（在仿真环境中），而标准的模仿学习方法（如行为克隆）需要至少500次演示才能达到80%的成功率。而Mowito的模型，在仅使用1次演示的情况下，在仿真环境中达到了85%的成功率；在真实机器人上，这一数字为78%。虽然真实环境下的成功率仍有提升空间，但数据效率的提升是数量级的。

悬疑：演示学习的边界在哪里？

然而，Mowito的技术路线并非没有天花板。目前，其模型在“结构化任务”上的表现优异——点焊、螺丝锁付、PCB插件等任务，因为动作路径高度可预测，且环境变化有限。但当任务进入“非结构化”领域时，挑战骤增。例如，高精度装配（如轴承压入、微米级对位）要求机器人不仅理解空间路径，还要精确控制接触力在毫牛级别——这种“力控”能力，目前Mowito的模型主要依赖力矩传感器的反馈，但力矩信号本身存在噪声和延迟，导致在极端精密场景下的成功率下降。另一个例子是复杂焊接路径——比如汽车车身的多层异形焊缝，需要机器人根据焊缝的实时熔池状态动态调整速度和角度，这超出了“观察-重复”范式的能力范围，需要更高级的“在线自适应”能力。

Mowito的工程师们正在尝试通过“多模态融合”来解决这些问题——比如引入3D点云摄像头来获取更精确的几何信息，或者通过强化学习微调模型在特定任务上的表现。但一个根本性的问题始终悬而未决：演示学习，是否真的能成为工业自动化的“通用语言”？ 还是说，它只适用于那些“足够简单”的任务，而面对制造业中那些需要极高精度、实时反馈和复杂决策的场景，它依然需要回到传统的编程范式？这个问题的答案，将决定Mowito究竟是下一个工业软件巨头，还是一个在特定细分市场里小而美的工具提供商。

300万美元的Pre-Seed轮：为什么顶级AI投资人愿意押注一个“非典型”机器人公司？

2026年7月，当Mowito宣布完成300万美元pre-seed轮融资时，这笔交易在印度创业圈引发的讨论远不止于金额本身。领投方Version One Ventures——一家以“极端专注”著称的早期基金，其投资组合中几乎全是SaaS和AI公司，从未涉足硬件——选择了一家在班加罗尔和底特律两头跑的机器人软件公司。而天使投资人名单中赫然出现的Soumith Chintala，更让这笔融资带上了“技术共识”的意味。

Version One Ventures：为什么一个SaaS基金要投“物理AI”？

Version One Ventures的合伙人Boris Wertz在内部备忘录中曾这样描述他们的投资逻辑：“我们不是在投一家机器人公司，而是在投一个‘机器人操作系统’的潜在定义者。”这句话揭示了Version One的独特视角——他们不关心Mowito的硬件能力，而是看中其软件层在工业机器人生态中的“平台化”潜力。

Version One的投资组合中包括多家“无代码/低代码”SaaS公司，他们深知“降低使用门槛”对于技术扩散的杠杆效应。在制造业领域，这个逻辑同样成立：全球有超过400万台工业机器人在运行，但其中90%以上仍然依赖传统的示教器编程。这意味着，如果Mowito能证明“演示学习”可以替代编程，它面对的是一个每年超过200亿美元的工业机器人软件市场——这个市场目前被发那科、库卡、ABB等硬件厂商的封闭软件生态所垄断，几乎没有独立的第三方软件平台。

“我们看到了一个类似于‘Windows颠覆大型机’的历史窗口。”Wertz在一次内部会议中强调，“硬件厂商的软件层是他们的利润来源，但也是他们的创新瓶颈。如果Mowito能成为一个开放的、跨品牌的机器人软件层，它就有可能复制微软在PC时代的成功。”

Soumith Chintala的参与：PyTorch之父的“物理AI”信仰

在天使投资人名单中，Soumith Chintala的名字格外引人注目。作为PyTorch的创始人之一，Chintala在AI社区的影响力无需赘述。但他为什么选择投资一家工业机器人软件公司？答案可能藏在他最近的一次公开演讲中：“下一个AI前沿不是语言，而是物理世界。大语言模型证明了‘下一个词预测’可以涌现出通用智能，那么‘下一个动作预测’为什么不能？”

Chintala对Mowito的兴趣，本质上是对“机器人基础模型”这个技术路线的背书。在PyTorch生态中，已经有多个研究团队在尝试将Transformer架构应用于机器人控制——比如Google的RT-2、斯坦福的VIMA。但Mowito的差异化在于，它不追求“端到端”的通用模型，而是专注于“演示学习”这一个具体范式，并优先解决工业场景中的实际部署问题。这种“务实”路线，恰好与Chintala对AI落地的看法一致：“不要试图造一个万能机器人，先让机器人在一个领域做到100%可靠。”

此外，Chintala的投资也可能带有“生态布局”的考量。PyTorch在机器人领域的应用一直落后于TensorFlow和ROS（机器人操作系统），Mowito的技术栈如果能够在PyTorch上实现高效的训练和推理，将有助于PyTorch在物理AI领域建立更广泛的开发者基础。

300万美元：一个“恰到好处”的Pre-Seed轮？

在机器人创业领域，300万美元的pre-seed轮属于“中等偏下”的规模。对比来看，美国物理AI公司Covariant在2018年的种子轮融资为700万美元，RGo Robotics在2020年的种子轮为800万美元。但Mowito的融资规模与其商业模式是匹配的：作为一家纯软件公司，它不需要承担硬件制造的资本支出，也不需要大规模采购机器人本体进行测试。其最大的成本在于AI工程师的薪资（班加罗尔的工程师年薪约为3-5万美元）和底特律办公室的运营费用。

“我们刻意控制了融资规模。”Rastogi在采访中解释，“300万美元足够我们验证产品-市场匹配（PMF），同时不会让创始团队过早失去控制权。我们希望在A轮之前，用最少的资本证明最大的价值。”

这一策略在印度创业圈并不罕见。许多成功的SaaS公司——比如Freshworks、Zoho——都经历过“小规模融资、长周期验证”的阶段。Mowito的投资者显然也认同这一逻辑：Version One Ventures的合伙人曾表示，他们更看重“资本效率”而非“烧钱速度”。

投资者的核心假设：三个待验证的命题

1. 制造业对“无代码机器人编程”的需求是否足够大且急迫？ 从宏观数据看，全球制造业面临严重的“自动化工程师短缺”。据国际机器人联合会（IFR）统计，2025年全球工业机器人保有量超过450万台，但合格的机器人编程工程师不足50万人，且这一缺口仍在扩大。这意味着，工厂经理们正在寻找一种“不需要工程师”的编程方式。Mowito的“演示学习”正好切中了这个痛点。但问题在于：工厂经理是否愿意信任一个“黑箱”模型来替代经过多年验证的手工编程？Mowito的“零风险试点”策略暂时降低了这个门槛，但真正的考验在于，当客户从“尝鲜者”变成“主流用户”时，他们是否会因为一次失败而放弃整个范式。

2. Mowito的软件平台是否具备SaaS化收费的潜力？ Mowito目前的收费模式是按“机器人部署量”收取年费，每台机器人每年的费用约为5000-10000美元。这一价格相比传统编程方式（每次切换成本约5000美元）具有竞争力，但相比硬件厂商的软件授权费（通常为机器人本体价格的10-15%）则显得偏高。Mowito的长期目标是转向“按任务次数收费”——即每次机器人成功完成一次任务，客户支付少量费用。这种模式类似于AWS的“按用量付费”，可以大大降低客户的初始决策门槛，但需要Mowito的模型在“任务成功率”上达到接近100%的可靠性——否则，客户会因为“失败任务”被收费而产生不满。

3. 其技术护城河是什么？ Mowito的护城河可能来自三个层面：第一，数据积累——随着部署的机器人数量增加，Mowito将积累海量的“演示-执行”数据，这些数据可以用于训练更强大的基础模型，形成“数据飞轮”效应；第二，客户锁定——一旦工厂的生产流程依赖于Mowito的软件，切换成本将极高（需要重新培训工人、调整产线）；第三，品牌信任——在制造业这个“安全第一”的行业中，先发优势可能比技术优势更重要。但风险在于：如果竞争对手（如发那科、库卡）在自己的封闭生态中推出类似的“演示学习”功能，Mowito的软件层是否还能保持“跨品牌兼容性”的优势？

政策红利：美国再工业化与印度制造的“双引擎”

Mowito的融资时机，恰好踩中了两个政策红利。在美国，拜登政府的《芯片与科学法案》和《通胀削减法案》正在推动制造业回流，底特律的汽车工厂和半导体工厂正在大规模扩建。这些新工厂在规划阶段就倾向于采用“更灵活”的自动化方案——因为未来的产品迭代速度只会越来越快。Mowito的“演示学习”正好符合这一趋势：它让工厂能够以最小的成本适应产品换型。

在印度，莫迪政府的“生产挂钩激励计划”（PLI）正在推动电子制造业的爆发。苹果的供应商（如富士康、纬创）在印度建立了庞大的组装工厂，这些工厂对“快速换型”的需求同样旺盛。Mowito的班加罗尔团队可以就近服务这些客户，用“印度工程师”的成本优势，去解决“印度制造”的自动化痛点。

但300万美元的资金，对于同时拓展美国市场和印度市场来说，并不宽裕。Rastogi的计划是：优先聚焦美国市场，因为那里的客户付费意愿更高，且“演示学习”的价值更容易被量化。印度市场则更多作为“研发基地”和“技术验证场”，利用当地的低成本工程师团队，快速迭代产品。

悬疑：这轮融资能否支撑Mowito走到“产品-市场匹配”？

300万美元的pre-seed轮，对于一家需要同时维持两个办公室、并要在多个客户现场进行部署的初创公司来说，相当于“18个月的跑道”。Rastogi的目标是，在这18个月内，将客户数量从目前的5-6个扩展到20个以上，并实现“年度经常性收入（ARR）”达到100万美元。如果这一目标无法实现，Mowito将面临“死亡谷”——在A轮融资之前耗尽资金，或者被迫以更低的估值进行桥接融资。

但Version One Ventures的合伙人显然对Mowito的团队有信心：“我们见过太多‘技术很酷但卖不出去’的机器人公司。Mowito的不同之处在于，他们的创始人从一开始就理解‘制造业的决策逻辑’——不是‘技术有多先进’，而是‘停摆的风险有多小’。这种认知，比任何算法都值钱。”

“物理AI”的暗面：演示学习能否解决制造业的最后一公里问题？

当Mowito的工程师在底特律的工厂里，让一名从未写过代码的焊工在2小时内完成机器人编程时，整个演示看起来像是一场完美的魔术。但魔术的暗面，是那些在演示现场不会发生、却在真实生产中随时可能引爆的“边缘情况”。在制造业，99%的成功率意味着每天至少有一次失败；而一次失败，可能意味着价值数十万美元的工件报废、产线停摆，甚至安全隐患。Mowito的演示学习，能否跨越从“演示到部署”的可靠性鸿沟？这不仅是技术问题，更是信任问题。

安全性与鲁棒性：当机器人“学坏”了怎么办？

在Mowito的客户工厂里，一个最常见的担忧是：如果机器人学到了“错误”的演示怎么办？假设一名工人因为疲劳，在演示焊接路径时，末端执行器与夹具发生了轻微碰撞——模型是否会将这个“碰撞”也视为标准动作的一部分？Mowito的意图推理机制理论上可以过滤掉这类噪声，但问题在于：意图推理的“阈值”如何设定？如果阈值设得太高，模型可能会忽略演示中的关键细节（比如需要精确施加的接触力）；如果设得太低，则可能保留有害的噪声。

更危险的情况是：当机器人遇到训练数据中从未出现的“边缘情况”时，会发生什么？比如，工件卡在夹具中无法取出，或者传感器因为油污而提供了错误的数据。在传统编程中，工程师会编写“异常处理”代码——比如“如果力矩超过阈值，立即停止”。但在Mowito的模型中，这种异常处理逻辑并非显式编程，而是隐含在训练数据中——如果训练数据中没有包含“工件卡住”的场景，模型可能会尝试强行执行动作，导致机械臂过载或工件损坏。

“我们最怕的不是机器人做错事，而是它做错事时我们不知道它为什么会错。”一位不愿具名的汽车OEM自动化工程师在接受采访时表示，“传统编程中，每一行代码都是工程师写的，出了问题我们可以回溯。但AI模型是一个黑箱——它可能因为一个我们永远无法理解的权重变化而做出错误决策。”

Mowito的应对方案是引入“安全层”：在AI模型生成的控制策略之上，叠加一个基于规则的安全监控模块。这个模块会实时监测机器人的关节力矩、末端速度和工作空间边界，一旦超过预设的安全阈值，立即触发急停。但问题在于：安全阈值由谁设定？如果设定得太保守，会频繁触发误报，降低产线效率；如果设定得太宽松，则失去了安全意义。Mowito目前的做法是，在部署初期由工程师手动设定阈值，然后根据运行数据逐步调整。但这一过程高度依赖人工经验，且无法应对所有可能的异常场景。

可解释性：工厂工程师如何信任一个“黑箱”？

在制造业，信任是分层的。第一层信任：工程师信任机器人不会伤害人。第二层信任：工程师信任机器人能完成指定任务。第三层信任：工程师信任机器人“知道”自己在做什么。Mowito的演示学习，目前只解决了前两层信任——通过安全层和任务成功率验证。但第三层信任，即“可解释性”，仍然是悬而未决的问题。

想象一个场景：Mowito的模型在一次焊接任务中，突然选择了一条与演示完全不同的路径。从结果来看，这条新路径可能更优——它避开了演示路径中的一个潜在碰撞点。但工厂的工程师会怎么想？他会怀疑模型是否“失控”了，还是会相信模型“理解”了更优的策略？在传统编程中，工程师可以通过逐行调试代码来理解机器人的决策逻辑。但在AI模型中，工程师只能看到输入（演示数据）和输出（控制策略），中间的“推理过程”是一个无法打开的“黑箱”。

Mowito的团队正在尝试通过“注意力可视化”来部分解决这个问题——在模型执行任务时，实时显示它“关注”了演示中的哪些关键帧。比如，当机器人接近焊缝起点时，模型会高亮显示演示中对应的那个时刻。这种可视化可以让工程师“直觉上”理解模型的决策依据。但问题在于：这种可视化是否足够？当模型做出一个“反直觉”的决策时，工程师是否愿意相信可视化结果，而不是自己的经验？

“我们不是要让工程师完全信任AI，而是要让他们能‘监督’AI。”Mowito的联合创始人Adityanag Nagesh在一次技术分享中表示，“我们的目标是让工程师成为‘AI的教练’，而不是‘AI的替代者’。”

但“教练”这个角色本身，就需要工程师具备新的技能——他们需要理解AI模型的基本原理、知道如何评估模型输出的质量、以及如何在模型出错时进行干预。这对于习惯了“写代码-调试-验证”传统范式的自动化工程师来说，是一个巨大的认知转变。Mowito的客户成功团队正在开发一套“AI教练培训课程”，但培训周期和成本尚未公开。

数据隐私：客户愿意把产线数据交给一个第三方AI平台吗？

在制造业，数据是最敏感的资产。一家汽车工厂的焊接参数——包括焊接速度、电流、电压、路径——不仅是工艺机密，更是多年积累的“know-how”。将这些数据上传到Mowito的云端AI平台，对于许多工厂经理来说，无异于将自家的“配方”交给外人。

Mowito的应对策略是“边缘部署”：所有数据处理和模型推理都在工厂本地的边缘服务器上完成，不需要将原始数据上传到云端。客户只需要在部署初期，将演示数据用于模型训练，训练完成后，原始数据可以立即删除。这一方案在技术上是可行的——Mowito的模型经过预训练后，在边缘设备上的推理速度已经可以满足实时控制需求（延迟<10毫秒）。但问题在于：客户是否信任Mowito的“边缘部署”承诺？如果Mowito的服务器遭受黑客攻击，或者内部员工违规访问数据，谁来承担责任？

Mowito的解决方案是：与客户签订严格的数据保护协议（DPA），并承诺接受第三方安全审计。但对于大型汽车OEM来说，这些措施可能仍然不够。一些客户要求Mowito的软件运行在“气隙网络”（Air-Gapped Network）中——即完全与互联网隔离的本地网络。这意味着Mowito无法远程更新模型或收集运行数据，只能通过物理介质（如U盘）进行版本升级。这种部署方式虽然安全，但大大降低了Mowito的“数据飞轮”效应——没有持续的运行数据反馈，模型的泛化能力将难以提升。

竞争对手与替代方案：传统巨头会坐视不理吗？

Mowito面临的竞争，不仅来自其他初创公司，更来自那些已经统治了工业机器人行业几十年的巨头。发那科（Fanuc）、库卡（KUKA）、ABB——这些公司的工业机器人占据了全球超过60%的市场份额。它们不仅卖硬件，还卖配套的编程软件和控制系统。对于这些巨头来说，Mowito的“演示学习”如果被证明有效，它们完全可以在自己的封闭生态中推出类似功能——而且，它们拥有Mowito无法比拟的优势：对自家机器人底层控制器的完全访问权限。

事实上，发那科已经在2025年推出的新型号机器人中，集成了“简易示教”功能——工人可以通过平板电脑上的图形界面，拖拽虚拟机器人来生成路径。虽然这种“拖拽编程”仍然需要工程师手动调整参数，但相比传统的示教器编程，已经大幅降低了门槛。库卡则在其协作机器人产品线上，推出了“手把手教学”功能——工人可以直接握住机器人末端，引导它完成动作，机器人会自动记录路径并生成程序。这些功能虽然不如Mowito的“演示学习”那样“智能”（它们无法处理噪声、无法泛化到新场景），但对于大多数中小型工厂来说，已经足够满足日常需求。

“Mowito的解决方案很酷，但问题是：它是否‘酷得足够’让工厂经理放弃他们已经用了20年的发那科系统？”一位工业机器人行业分析师表示，“对于大多数工厂来说，稳定性比创新更重要。他们不会因为一个‘更聪明’的编程方式，就去冒产线停摆的风险。”

协作机器人新贵——如Universal Robots（UR）、FANUC CRX——也在快速迭代其“简易编程”功能。UR的“Polyscope”图形化编程界面，已经可以让非工程师用户在30分钟内学会基本操作。虽然这些方案仍然需要用户手动定义路径点，但它们胜在“开箱即用”和“无需外部AI平台”。对于Mowito来说，最大的挑战不是技术上的，而是“心智份额”上的——如何让工厂经理相信，一个来自班加罗尔的初创公司，比发那科、库卡、UR这些“老牌劲旅”更懂他们的需求？

“物理AI”的炒作与现实：Mowito的模型真的理解了物理规律吗？

在Mowito的演示视频中，机器人似乎“理解”了重力、摩擦和材料变形——当它抓取一个柔软的硅胶零件时，会调整夹持力以避免损坏；当它搬运一个重心偏移的工件时，会调整姿态以保持平衡。但这些“理解”是真实的吗？还是说，模型只是通过模式匹配，记住了演示中的“表面特征”？

一个关键的区别在于：真正的“物理理解”应该能够推理出“因果”关系——比如“因为硅胶零件是软的，所以夹持力不能太大”。而Mowito的模型，本质上是一个“模式识别器”——它从演示数据中学习到了“当抓取硅胶零件时，夹持力应该较小”的统计相关性，但模型并不知道“硅胶是软的”这个物理事实。这意味着，如果遇到一个从未见过的材料——比如一种新型复合材料——模型可能会因为缺乏相关的训练数据而做出错误决策。

“Mowito的模型在它见过的场景中表现得很好，但一旦进入‘分布外’（OOD）场景，它的表现会迅速下降。”一位从事机器人模仿学习研究的学者指出，“这不是Mowito独有的问题，而是整个‘演示学习’领域面临的共同挑战。真正的‘物理AI’需要模型具备因果推理能力，而不仅仅是统计模式匹配。”

Mowito的团队承认这一局限，但他们认为“统计模式匹配”在工业场景中已经足够——因为工业环境是高度结构化的，材料特性、工件尺寸、环境条件的变化范围有限。只要模型在训练阶段覆盖了足够多的“分布内”场景，它就能在实际部署中保持高可靠性。但这一假设是否成立，取决于Mowito能否在有限的客户数据上，构建出足够全面的训练数据集。

前瞻性判断：Mowito的两种未来

如果Mowito成功，它将重新定义制造业软件的价值链——从“卖硬件送软件”转向“卖智能收订阅费”。在这个未来中，工业机器人将不再是“可编程的机械臂”，而是“能学习的人类学徒”。Mowito的软件层将成为每一台机器人的“默认操作系统”，就像Windows之于PC。发那科、库卡、ABB将被迫开放其控制器的API，或者被边缘化。制造业的自动化成本将大幅下降，中小型工厂也能负担得起“智能机器人”的部署。

但如果Mowito失败，原因很可能不是技术不行，而是无法解决工业场景中“99.9%可靠性”的严苛要求。一次失败的部署——比如机器人因为模型误判而损坏了一个价值10万美元的模具——就足以让整个工厂对“演示学习”失去信任。在制造业，信任的建立需要数年，但摧毁只需要一次事故。Mowito的300万美元pre-seed轮，只能支撑它走完“验证PMF”的初期阶段。真正的考验在于：当客户从“尝鲜者”变成“主流用户”时，Mowito能否提供足够可靠、可扩展、且成本可控的解决方案？

“我们不是在和发那科竞争，我们是在和‘惯性’竞争。”Rastogi在采访的最后说道，“制造业的惯性很大，但一旦你让它动起来，它就会朝你希望的方向加速。”

结语：Mowito 的“演示”能否真正改写制造业的“代码”？

Mowito 的故事，本质上是一个关于“范式转换”的故事。它试图用“观察与重复”的直觉，去挑战制造业自动化中根深蒂固的“代码与逻辑”传统。从技术角度看，其“物理 AI 基础模型”在数据效率、部署便捷性和跨品牌兼容性上展现了令人信服的早期成果；从商业角度看，其“班加罗尔研发+底特律市场”的双引擎模式，精准地利用了全球 AI 人才套利和制造业回流的结构性红利；从资本角度看，Version One Ventures 和 Soumith Chintala 的背书，为“机器人基础模型”这一技术路线投下了重要的信任票。

然而，Mowito 面临的挑战同样深刻。其核心命题——“演示学习能否成为工业自动化的通用语言？”——目前只在高度结构化的汽车和电子制造场景中得到了初步验证。当面对高精度装配、复杂力控、非结构化环境以及极端边缘情况时，模型的泛化能力和可靠性仍存疑。更关键的是，Mowito 的“黑箱”特性与制造业对“可解释性”和“零容忍失败”的刚性需求之间存在根本性张力。即便技术再先进，一次因模型误判导致的产线事故，就可能摧毁多年积累的客户信任。此外，发那科、库卡等传统巨头在自家封闭生态中推出类似功能的威胁，以及客户对数据隐私的天然戒备，都让 Mowito 的“平台化”之路充满变数。

Mowito 的 300 万美元 pre-seed 轮，为其赢得了大约 18 个月的“黄金窗口期”。在这段时间里，它需要完成从“技术验证”到“产品-市场匹配”的关键一跃。其成败，将不仅决定一家初创公司的命运，更将为“物理 AI”在工业领域的落地范式，提供一个重要的参照系。

核心判断：Mowito 的未来 12-18 个月，将围绕“从尝鲜者到主流用户的信任跨越”展开。关键观察指标是：（1）客户数量能否从 5-6 个扩展到 20 个以上，且续约率超过 90%——这验证了其产品在真实产线上的可靠性；（2）是否出现因模型误判导致的重大产线事故——一次失败可能摧毁整个范式；（3）传统巨头（如发那科、库卡）是否在自家生态中推出直接竞品——这将决定 Mowito 的“跨品牌兼容性”优势能否持续；（4）其“按任务次数收费”的 SaaS 化模型是否被主流客户接受——这决定了其商业模式的可持续性。如果 Mowito 能在这 18 个月内安全穿越“信任鸿沟”，它有望成为工业机器人软件层的定义者；如果不能，它将成为“物理 AI”在制造业落地的一个昂贵教训。