【以下为假设性场景】2026年，一座超大规模AI数据中心的配电室内可能出现这样的情形：800伏特直流电不再被隔离在独立的配电单元中，而是被直接引入机柜内部。这种架构将电流传输损耗降至最低，却把每一个必须打开机柜的人暴露在电弧闪光风险之下。与此同时，数以万计的光纤、收发器和硬盘仍在以可预测的概率失效，需要人手去拔插、清洁和更换。一边是800V直流配电的引入，一边是仍然依赖肉身的物理层运维，这个矛盾正随着AI算力需求的膨胀变得尖锐。

2026年8月，刚结束隐身模式的苏黎世机器人公司Exclaim Robotics给出了它的回答：用自主移动机器人替代人类执行这些越来越危险的任务。公司同时宣布获得429万欧元（约合495万美元）融资。这不是一个关于“未来工厂”的泛泛承诺，而是对准了一个被电流、光纤和紧迫工期填满的狭窄战场。

字段 内容
公司 Exclaim Robotics
轮次 EU-Startups/Crunchbase标记为前种子轮（Pre-Seed），TechFlowPost/Gate等称为种子轮；来源冲突，公司未明确披露
金额 495万美元（429万欧元）
投资方 Founderful、Playfair Capital联合领投
总部 瑞士苏黎世
创始人 Helen Oleynikova
官网 https://exclaimrobotics.com/

物理层的“最后一公里”成了危险工种

在现代数据中心的运营版图中，几乎所有关键管理动作都已迁移到远程控制台：资源分配、任务调度、故障切换、组网拓扑调整——这些操作在几毫秒内即可完成，操作者可能身处地球另一端。然而，当一块硬盘物理性损坏、一个光收发器需要清洁或一条光纤跳线出现信号衰减时，既有的远程化管理能力瞬间失效。一个技术人员必须物理走进数据中心大厅，定位到特定机柜，打开柜门，用手执行拔插和更换动作。物理层，成了数据中心运营链条里唯一的非数字化环节。

Exclaim Robotics 创始人兼CEO Helen Oleynikova 在一个场景描述中勾勒出这一问题的紧迫性：“数据中心基础设施的创新速度让人想起太空竞赛：功率密度正把整个行业推向物理定律的边缘。液冷、整座设施的800V直流配电、可能用液氮冷却的超导母线——年年靠人手维护这些东西只会越来越危险，而这正是机器人应该承担的部分。”她的这段话揭示了一个被行业叙事系统性忽略的矛盾：基础设施本身正在向更高功率密度演进，但与之交互的人机界面仍停留在几十年前的运维范式上。

据公司表述，下一代AI数据中心将直接在机柜内部分配800V直流电。在较低电压直流配电环境下，打开机柜主要面临的是电气安全的基础规范要求，但在800V直流电压等级下，打开机柜这一动作本身就构成电弧闪光风险。电弧闪光可在瞬间释放极高温度，造成严重灼伤甚至致命伤害，而传统上属于低风险的日常维护操作——例如更换一块故障硬盘、重新插拔一个光收发器、更换一条铜缆——在这种新架构下都变成了需要专门防护装备和特殊操作资质的危险作业。

随着AI算力需求的膨胀，更高电压的配电方案成为工程上不可避免的选择。800V直流在机柜侧的采用速度，将直接决定这一风险的时间线是以年计还是以月计。

与此同时，Exclaim Robotics 指出，AI数据中心的建设速度正超过合格技术人员的供给速度。这种错配不是薪资谈判能解决的短期摩擦，而是一个结构性的劳动力缺口——数据中心设施在全球范围内不断新建，而能够安全操作高压环境下精密硬件的技术人员培养周期远长于设施建设周期。部分数据中心运营商在液冷和浸没式冷却方案中寻求减少人工接触热点的路径，但冷却方式的改变并不能从根本上消除内存条、存储介质和网络接口等硬件故障所需的物理操作。

一台必须在仿真里练到吐的机器人

Exclaim Robotics 的产品定义很具体：一款自主移动机器人，能够自主导航至目标机柜，操作其正面硬件，无需对数据中心进行改造。这一条“无需改造”的要求看似简单，实则构成关键的约束条件——机器人必须能够适配现有和未来的机柜布局、线缆走向和地面高度差，而不能要求数据中心运营商为机器人的引入而重建通道、重铺地面或修改机柜结构。产品切入更换和清洁光纤、SFP、铜缆和硬盘等最高频任务，这些任务覆盖了数据中心物理层运维中的大部分工单量。

Oleynikova 直指核心瓶颈：“更难的问题在于环境，而非运动：机柜里线缆密布，机器人在安全触碰任何东西之前必须先理解自己眼前的是什么。”这句话揭示了数据中心维护机器人区别于工业流水线机械臂的本质难度。在结构化生产线环境中，工件的位置、形状和材质是已知且重复的；但在一个真实的数据中心机柜内部，光纤跳线以非标准化的方式缠绕、标签可能被遮挡或脱落、不同供应商的硬盘托架结构细节各异，机器人的感知系统必须在操作前完成对这一切的实时建模和理解。

公司的技术路径是“仿真优先”——先在仿真中反复练习，再迁移到真实机架，直到可靠。这种方法论在机器人操纵领域正成为主流趋势，但在数据中心场景中面临一个独特挑战：机柜内部缺乏统一的CAD模型。汽车装配线可以用完整的数字孪生覆盖每一个工作站，但数据中心机柜的真实内部状态往往仅存在于运维人员的记忆和几张过时的照片中。不同代次、不同供应商的设备布局和线缆编码方案各不相同，仿真环境的构建本身就需要大量真实数据采集和持续更新。这意味着Exclaim Robotics可能需要在仿真训练与现场数据采集之间建立一个闭环的迭代流程，而这一流程的效率将直接影响机器人从开发到部署的时间窗口。

在导航层面，Oleynikova 共同创建的 nvblox（如今集成在 NVIDIA Isaac ROS 中）为机器人在复杂的过道中安全移动提供碰撞避免与三维映射能力。这套库已由全球多个机器人团队使用，其技术成熟度在此场景中构成了一个已知量的基础层。但导航只是任务的前置条件——从停在机柜前方到准确识别一个被遮挡的光纤接口、以适当力度拔出并完成端面清洁后再插回，涉及的精细操作远超出路径规划的复杂度。

公司同时披露一项安全策略：当机器人对任务信心不足时，将控制权交回远程操作员，而非冒险执行。这种半自主模式在本质上是一个风险缓冲设计，但同时也意味着自主率将直接决定人力节省效果。如果自主率停留在较低水平，远程介入的频率将使机器人降格为一台昂贵的远程操作终端；只有自主率达到足以让一名操作员同时监控多台机器人的水平，这套方案的经济性才能超越传统的轮班人工模式。这是一个产品化过程中的关键指标。

Founderful 押注的不是赛道，是一个人的十五年

本轮融资由 Founderful 和 Playfair Capital 联合领投。Founderful 一位合伙人在引述中直言：“AI数据中心的扩张速度超过了任何组织能够配备人员和进行安全维护的速度，而800V的转型将彻底改变基础设施的运行方式。Helen和她的团队——来自 ETH Zurich、NVIDIA、Microsoft、Google——是解决这个问题的人。我们投资 Exclaim，是因为当一项艰难的问题变得紧迫时，Helen恰好是你需要的那类创始人。”

这段话点出了投资判断的核心锚点：创始人的履历与问题的匹配度。在一个尚无商业验证的节点投资一家机器人初创，Founderful的押注逻辑高度依赖于对创始人能力纵深和问题理解的判断，而非赛道规模或市场趋势的推演。Oleynikova 拥有 ETH Zürich 博士学位，其研究方向聚焦于杂乱非结构化环境中的地图构建与路径规划——这与数据中心机柜内部线缆密布、视觉特征复杂的环境形成了精确对应。她此前在 Willow Garage、Google、Microsoft、NVIDIA 和 ETH Zürich 的十五年职业生涯涵盖了机器人操作系统、感知算法、仿真工具链和硬件集成等多层次技术栈。

联合创始人 Patrick Pfreundschuh 同样拥有 ETH Zurich 博士学位，创建了 BIEVR-LIO 激光雷达惯性里程计系统，并参与赢得 DARPA 地下挑战赛。DARPA地下挑战赛的环境——GPS拒止、视觉退化、路径不规则的地下空间——与数据中心过道虽然物理形态不同，但同时对精确里程计和鲁棒感知提出了相似的高要求。这一经验可能意味着Exclaim Robotics在自主导航部分拥有比一般移动机器人初创更深的积累。

公司还计划在2027年引入另外两名创始工程师，团队扩张节奏审慎。这一节奏暗示了一种“先验证核心子系统、再规模化团队”的策略，而非在融资后迅速膨胀。对于一个需要在紧约束物理环境中达成高可靠性的产品而言，团队规模和产品进展之间并非线性关系——核心工程师的质量和协作效率可能比人数更能决定原型的成败。

495 万美元与一项未经验证的技术迁移

Exclaim Robotics 计划使用这笔资金制造首批原型、采购机器人硬件和扩充工程团队。495万美元的规模属于典型的首轮验证性资本——在欧美机器人初创语境下，这一规模足以支撑一支小型工程团队在12至18个月内将概念原型推进到物理世界中的功能样机，但距离建立批量生产能力和部署多台机器人在真实客户现场运行，资金空间仍然紧张。

公司需要在硬件策略上做出关键抉择：如果选择自研大部分硬件组件，包括末端执行器、传感器阵列和底盘结构，研发投入和技术风险将同步上升，但长期可控性和差异化空间更大；如果集成成熟工业组件，开发速度将加快，但竞争差异将更集中于软件与系统集成层面，硬件本身难以构成护城河。在没有硬件选型信息的情况下，这种路径选择对公司的资源分配和融资节奏都将产生深远影响。

更核心的挑战在于技术迁移——从仿真环境到真实数据中心的迁移，从实验室样机到生产环境部署的迁移。每个光模块的锁定机构细节各异，有的采用推拉式锁扣，有的采用旋转式锁定；光纤的弯曲半径限制要求机器人在操作中准确感知线缆张力；硬盘托架的手柄设计和紧固螺丝位置在不同制造商之间存在差异。机器人必须结合多模态传感器信息——视觉、力反馈、触觉感知——做出维护判断，而不仅仅是执行预设动作序列。这些操作在人类技术人员手中高度依赖触觉反馈和多年积累的隐性知识，将这些隐性知识编码为机器可执行的程序是产品化过程中最不确定的环节。

公司尚未披露商业客户或收入，商业模式——是出售设备、按服务收费、还是打包SLA合同——仍待明确。不同的商业模式对机器人的计费方式、运维责任分配和技术支持深度有着截然不同的要求。如果是设备销售，产品可靠性必须达到客户自主运维的水平；如果是SLA合同模式，公司需要承担运维质量的全部责任，这对自主率和远程介入体系提出了更高的门槛。

被忽略的竞争维度：远程操作是在绕路还是在铺路

Exclaim Robotics 的自主移动机器人方案目前依赖远程操作作为信心不足时的后备，这揭示了全自主感知决策在当前阶段尚不成熟。这一技术路径选择并非独特，在手术机器人、空间探测和深海作业等领域，半自主加远程介入的模式已被广泛验证。但在数据中心运维场景中，这种模式的经济性和可行性仍然是一个开放问题。

其面临的竞争并非来自同类机器人初创——目前公开市场上鲜有直接瞄准数据中心内部物理层运维的移动操纵机器人产品——而是来自两个不同方向的替代方案。其一，大型数据中心目前普遍采用轮班制度和安全防护装备管理800V环境下的风险，这种方案虽然在安全性和效率上存在妥协，但已经嵌入既有运营流程，切换成本极低。转向机器人的动力取决于800V配电的普及速度、人力成本上涨幅度以及真实安全事件的触发——这些驱动力并非技术创业者所能完全掌控。

其二，纯遥操作方案绕过了自主感知的难题，将机器人简化为一个可移动的远程操作终端。这种方案的优势是技术风险低——感知和决策由远程操作员完成，机器人只需执行指令——但其缺陷同样明显：只减少人员在危险环境中的暴露时间，并未减少对人力的需求，每一台机器人仍需要一名操作员的全程注意力。对于追求降低人力的数据中心运营商而言，纯遥操作的价值主张有限。

Exclaim 选择中间路径：追求自主，以远程介入填补感知缺口。这一选择将自主率推向了核心KPI的位置。如果自主率停留在较低水平，一名操作员只能监控少量机器人，净人力节省几乎为零；如果自主率能够达到较高水平，一名远程操作员可同时监控多台机器人，经济模型将发生质变。机器人领域的从业者通常知道，从低自主率到高自主率的提升往往比从零到中等自主率更为困难——因为剩下的案例往往是长尾中的异常情况和边缘场景，捕捉和模拟这些场景的投入产出比急剧下降。

待验证假设清单上写着同一个词：真实

将 Exclaim Robotics 的故事放置到行业时间轴上，它的成立时机踩在了 AI 数据中心爆发与高压配电演进的节点。但每一项待验证假设都与真实世界紧密绑定，而非在可控实验室中可完全复现。

第一，800V 直流配电在机柜侧的铺开速度。虽然下一代AI数据中心的高功率密度趋势在物理上指向更高电压等级的配电方案，但技术标准的确立和行业共识的达成往往需要比单个公司的时间表更长。这可能导致800V直流在机柜侧的采用速度低于Exclaim Robotics的预期。此外，部分数据中心运营商可能在液冷和浸没式冷却中探索减少人工接触的路径，但这些冷却方案的普及并不能消除内存、存储和网络等硬件故障所需的物理操作——它们可能改变故障频率和类型，但不会消除对操作手的需求。

第二，仿真到真实的迁移 gap 在接触式操作中尤为突出。现代仿真技术在视觉感知和碰撞检测方面取得了巨大进展，但力反馈的仿真精度仍是一块难啃的骨头。一个典型例子是老化光纤跳线在拔插时表现出的微妙不均匀阻力——新线缆的拔插力曲线平滑可预测，但使用多年后连接器可能存在的轻微氧化、跳线护套的老化变形、锁扣机构的磨损，都会改变所需的拔插力度和施力方向。这种阻力差异恰恰是经验丰富的技术人员判断“该换了”还是“重新插紧就行”的关键依据。仿真环境中的力反馈模型很难准确复现这种微观层面的物理变化，这意味着机器人在真实机柜中的首次表现可能显著低于仿真测试中的成功率。这一 gap 可能导致自主率的显著差异，也是Exclaim Robotics独有的技术挑战——它不属于通用机器人领域已解决的基础问题，而是此特定应用场景催生的特定技术问题。

第三，经济可行性。机器人的总成本在什么部署规模下才能低于等效人力方案，目前没有客户数据可以支撑精确估算。但可以确定的是，这个平衡点在不同地区和不同规模的部署中会高度异质——在劳动力成本较高的北欧和北美市场，机器人的替代经济效益更明显；而在数据中心规模较小、工单密度较低的设施中，机器人的巡检利用率可能不足以分摊初始投入。一个可观察的先行指标是远程介入的频率——如果首批原型能够在真实数据中心实现较高比例的完全自主工单完成率，那将是强有力的正面信号，意味着长尾场景的覆盖面已足够宽；但如果这一比例较低，则意味着产品距离商业化还需要在感知和决策能力上进行一轮甚至多轮重大迭代。

这三个假设相互关联：800V的铺开速度决定了市场需求的紧迫程度，仿真到真实的迁移 gap 决定了产品成熟度的时间线，经济可行性决定了客户在什么时点愿意签下第一张订单。三个变量的不确定性叠加，使Exclaim Robotics面临的是一个多维度的验证挑战。

押注硬件的时针，等待安全的哨声

Exclaim Robotics 是那种典型的“第一性问题”公司：它发现了一个被行业叙事忽略但物理定律不允许忽略的矛盾——当配电电压从较低水平跃升至800V，当机柜功率密度向物理极限逼近，物理层的运维却仍依赖人类的双手和常识——然后用一个工程上可定义、但执行上极其艰巨的方案去回应。这个方案的核心不是某一项天才的算法突破，而是一个系统工程：仿真训练、环境感知、精细操纵、安全后备机制，四个模块必须在真实数据中心的高压、高密度和高不确定性环境中同时跑通。

团队的技术背景与问题间存在高度匹配——Oleynikova 在非结构化环境中的建图与路径规划经验、Pfreundschuh 在激光雷达里程计方面的专长、团队在 NVIDIA Isaac 生态中的深层参与，以及两位创始人的 ETH Zurich 学术脉络，共同构成了从感知到导航到操纵的完整自主研发能力。这种纵深的技术匹配度是投资方愿意在未看到商业验证前下注的核心原因，也是 Founderful“押注创始人而非赛道”策略在这个案例中的具体投射。

但从产品首次曝光到真正在付费客户的数据中心里替换掉一个人类技术员，中间横亘的距离不是用500万美元能完全覆盖的。这里需要的不仅是更好的仿真、更稳定的视觉感知——这些属于技术层面的迭代——还包括数据中心运营商对机器人进入生产环境的信任建立、安全认证的完成（在高压环境中运行的移动机器人需要通过哪些电气安全和功能安全认证仍未明确），以及一套可规模化复制的部署范式。每一家数据中心的机柜布局、网络拓扑和冷却方案都有独特性，如何让机器人适应这种异构性而不需要每个站点都进行数周的定制化调试，是规模化的前提条件。

这些问题的解决是商业化和工程化的并行推进，每一步都可能暴露新的约束条件。例如，如果安全认证要求机器人必须在任何情况下不中断数据中心运营，那么故障保护机制的设计将直接影响可部署场景的范围；如果远程操作依赖低延迟网络，而部分数据中心的网络架构无法保障，那么自主率的底线就必须相应抬高。这些系统层面的权衡在原型阶段可能被暂时搁置，但在首批付费部署中会逐一浮现。

从更长期的角度看，公司披露的长远目标是将其能力应用于高压和能源基础设施维护等更广泛的场景。这意味着数据中心的物理层运维可能只是第一个垂直市场，背后的通用能力——在带电危险环境中执行精细操作的自主移动操纵机器人——是一个更大的故事的起点。但长期愿景在当前节点仅仅是方向性陈述，它的可信度依赖于第一个垂直市场的验证结果。

根据公司表述，几乎所有现代数据中心的管理都是远程完成的：资源分配、调度、故障切换、组网，而物理层是唯一的例外。这句话背后是一种技术意志：不让物理层成为AI时代基础设施链条里最后一块必须由人类用双手填上的空缺。而 Exclaim Robotics 要证明的是，那双替代的手，已经准备好了——或者至少，已经有了一条可以在真实世界中验证的准备路径。这条路径的每一步都将在数据中心运营商的实地环境中接受检验，而不是在仿真报告或融资公告中被提前宣告成功。

RecodeX 极客视：Exclaim Robotics切中了数据中心行业一块真实存在的空白——当电流强度足以瞬间致命，物理维护的自动化不再是效率问题，是安全命题。但安全命题转化为采购决策的道路往往比效率命题更漫长，因为驱动方不在追求增长，而在规避责任。这轮的495万美元买下的不是答案，而是一张进入最高压环境的入场券，真正的考试是它能否在真实机柜间跑出可衡量的自主率，而不只是在仿真里刷新成功率。当远程介入的频率成为比技术demo更有说服力的指标，这家公司的真实成色才会浮现——问题在于，那个数字只有它的第一批客户才会知道。

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。