| 公司 | Mecka AI |
|---|---|
| 融资轮次 | B轮 |
| 融资金额 | 6000万美元 |
| 投资方 | 红杉资本（领投）、英伟达、微软旗下M12、高通、三星、Kindred Ventures（现有投资方）、Framework Ventures（现有投资方）、Neo（现有投资方）、Tony Xu（DoorDash联合创始人兼CEO，个人）、Frank Slootman（前ServiceNow、Snowflake CEO，个人）、Milan Kovac（前特斯拉Optimus负责人，个人） |
| 总部 | 多伦多与纽约（Toronto- and New York City-based）；公司注册地在美国（domiciled in the US），大部分员工在多伦多 |
| 创始人 | 四位联合创始人，其中三位为加拿大人；联合创始人兼CEO为Josh Gao（来源未逐一列出其余创始人姓名） |
| 官网 | 暂无官网 |
从互联网抓不到的“动作数据”，到按任务付费的采集网络
Mecka AI 的产品逻辑建立在一个简单但常被忽视的事实上：大语言模型依赖的文本、图像和视频可以从互联网公开抓取，但机器人所需的动作数据无法通过爬虫获得。一个人类拧开瓶盖的完整过程，涉及手指的接触点分布、施加的扭矩、前臂的旋转角度、身体为保持平衡做出的微调——这些信息不会以结构化形式存在于任何公开网页上。Mecka AI 的解法是自建采集硬件，在人体上布置传感器，同时利用 iPhone 记录第一人称视频，再通过计算机视觉与多模态模型将原始记录转化为训练就绪数据。
据 TechCrunch 报道，Mecka AI 的采集模式是付费让个人记录日常任务，例如冲咖啡或修车。据 BetaKit 报道，数据采集覆盖的场景包括家庭环境、烹饪工作、化学实验室、任务平台、金属加工与皮革作坊。这种场景多样性直接对应 Mecka AI 的采集硬件策略：家庭和烹饪场景要求设备轻便、低侵入，化学实验室和金属加工场景则要求传感器能承受腐蚀性环境和金属粉尘，皮革作坊涉及柔性材料的力反馈。Mecka AI 试图通过覆盖这些场景，构建一个跨环境、跨任务的动作数据池。据 BetaKit 报道，Mecka AI 将数据转化为面向多个前沿机器人实验室和大型科技公司的训练就绪数据，但来源未披露其收入构成。
从产业链角度看，Mecka AI 与 Scale AI 等公司的关键差异不在“卖数据”这一层，而在数据采集的物理约束。Scale AI 的标注可以在线上完成，采集者只需一台电脑；Mecka AI 的采集必须发生在真实物理空间中，涉及硬件分发、采集者培训、现场质量控制和物流管理。这意味着 Mecka AI 的规模化难度远高于传统数据标注公司，其成本结构和运营复杂度更接近一家硬件驱动的服务公司，而非纯软件平台。
自建传感器硬件与多模态模型，构成一条垂直整合的数据管道
Mecka AI 的技术路线有一个关键特征：它没有选择只做软件平台，而是自建了带传感器的硬件采集设备。据 BetaKit 报道，公司已构建了硬件以及将数据转化为可用训练素材的计算机视觉与多模态模型。这一垂直整合策略的合理之处在于，如果依赖第三方可穿戴设备，Mecka AI 将无法控制数据采集的精度、频率和格式一致性；而机器人训练对数据的时空对齐、力反馈和动作连贯性有极高要求，消费级设备未必能满足。
但自建硬件也带来了一个不可回避的问题：资产变重。硬件研发、生产、库存、维护和迭代都需要资本投入，且硬件迭代速度通常慢于软件。Mecka AI 选择这条路，意味着它必须在数据质量和运营成本之间找到平衡。从已披露的信息看，公司同时使用身体传感器和 iPhone 作为采集工具，这暗示其硬件策略可能是“专用传感器+消费级成像设备”的混合模式，而非全栈自研。iPhone 承担视频记录功能，专用传感器负责捕捉力、压力、角度等物理量，这种组合可以降低硬件成本，同时保留关键物理数据的采集能力。
在数据转化环节，Mecka AI 使用计算机视觉与多模态模型将第一人称人类视角视频转化为机器人可用的训练数据。这里存在一个技术难点：人类动作与机器人动作之间存在“形态鸿沟”。人类有肌肉、肌腱和柔性关节，机器人可能是刚性关节或软体结构；人类的第一人称视角与机器人的传感器视角也不一致。如何将人类动作映射到不同形态的机器人上，是具身智能领域尚未完全解决的问题。来源材料未涉及 Mecka AI 数据产品在不同机器人平台上的通用性表现，也未涉及客户是否需要二次处理。
红杉、英伟达与 M12 同时下注，但投资逻辑并不相同
本轮投资方名单呈现出明显的战略分层。红杉资本作为领投方，延续了其在 AI 基础设施层的大额押注逻辑；英伟达的参与则更接近产业链协同——机器人训练数据的需求直接与其机器人芯片和仿真平台生态相关；微软旗下 M12 和高通的加入，则分别指向云计算与边缘计算在机器人部署中的潜在角色。以下为编辑分析：上述协同关系尚无公开文件支持，投资方未披露各自参与本轮的具体战略意图。可核验的替代指标包括投资方与 Mecka AI 之间的联合开发、采购或关联交易文件，目前均无公开文件支持。据 BetaKit 报道，三星、现有投资方 Kindred Ventures、Framework Ventures、Neo，以及 DoorDash 联合创始人兼 CEO Tony Xu、前 ServiceNow 和 Snowflake CEO Frank Slootman、前特斯拉 Optimus 负责人 Milan Kovac 也参与了本轮。
个人投资者的背景值得注意。Tony Xu 是 DoorDash 的联合创始人兼 CEO，DoorDash 的核心业务涉及大量真实世界配送场景，对机器人执行非结构化任务有直接需求；Milan Kovac 曾负责特斯拉 Optimus 项目，对人形机器人训练数据的缺口有第一手认知。这些个人投资者的加入，可能意味着 Mecka AI 的数据产品已经在特定产业场景中获得了某种程度的验证，或者至少引起了关键决策者的兴趣。但需要明确的是，投资本身并不等同于客户关系，DoorDash 或特斯拉是否使用 Mecka AI 的数据，来源材料中并未披露。
从资本结构看，Mecka AI 的融资节奏异常密集。据 BetaKit 报道，公司此前完成 2500 万美元 A 轮首轮（2025 年 11 月）和 3500 万美元 A 轮扩展轮（2026 年夏季），合计 6000 万美元。加上本轮 6000 万美元，公司累计披露融资约 1.2 亿美元。TechCrunch 此前报道其新一轮融资估值约 5 亿美元，该口径未经独立核实，且未明确是否对应本轮 B 轮。考虑到公司成立仅两年，这一估值已隐含了较高的增长预期。
年化收入从 1 亿到 3 亿美元的跳跃，需要比采集网络更快的扩张速度
Mecka AI 的收入数据是理解本轮融资的关键。据 BetaKit 报道，公司称，2026 年 6 月已超过 1 亿美元年化收入，并预计到 2026 年底达到 3 亿美元。公司未披露 run-rate 的具体计算口径，因此该数字不能等同于实际全年收入。这意味着 Mecka AI 计划在六个月内将年化收入增长约两倍。这种增速在数据服务公司中并非不可能，但需要满足两个条件：一是客户需求足够刚性且预算充足，二是数据采集网络的扩张速度能跟上订单增长。
从商业模式看，Mecka AI 向机器人实验室和大型科技公司提供训练就绪数据。这类客户的付费能力较强，但采购决策周期通常较长，且对数据质量和合规性有严格要求。Mecka AI 未披露客户名称，因此无法判断其收入集中度和客户留存情况。如果收入高度依赖少数几个大客户，那么 3 亿美元年化收入目标的实现将面临较大的集中度风险；如果客户基础较为分散，则意味着其数据产品已经通过了多家机构的验证，商业模式的可持续性更强。目前这两种情形都无法从公开信息中确认。
另一个需要审视的问题是收入质量。年化收入是一个容易被操纵的指标，如果 Mecka AI 在 6 月恰好完成了一笔大额合同，其年化收入就会被显著放大。公司预计到年底达到 3 亿美元，这意味着下半年需要持续获得大规模订单。从已披露的融资节奏和投资方阵容看，Mecka AI 确实处于快速扩张期，但“公司称”的收入数据尚无独立第三方验证，投资者需要等待更完整的财务披露来判断其真实增长质量。
与 XDOF、Scale AI 的竞争，本质是数据采集模式的路线之争
Mecka AI 并非唯一瞄准机器人训练数据的公司。据 TechCrunch 此前报道，XDOF 曾洽谈以 12 亿美元估值进行 B 轮融资，来源未披露该洽谈的后续状态。XDOF 的具体业务模式在来源材料中未详细披露，但其存在本身就说明，资本市场对机器人数据赛道的兴趣正在升温，且竞争已经开始围绕估值和融资规模展开。两者估值口径、轮次和完成状态不同，不具直接可比性。
TechCrunch 在报道中提及，Scale AI 和 Micro1 等从大语言模型起步的人类数据平台也在向机器人领域扩展。Scale AI 拥有庞大的数据标注网络和成熟的客户关系，如果它将其标注能力延伸到物理动作数据，将对 Mecka AI 构成直接竞争。但 Scale AI 的核心能力在于线上数据标注，其是否具备管理物理世界数据采集网络的运营能力，仍是一个未知数。Mecka AI 的先发优势在于它从成立之初就围绕物理数据采集设计了硬件、模型和运营流程，而不是将线上标注模式简单移植到机器人领域。
从竞争约束看，Mecka AI 的付费采集者网络和自建硬件策略，使其在数据采集的物理覆盖和格式一致性上可能优于纯线上标注平台，但同时也意味着更高的固定成本和更慢的扩张速度。来源未披露其与纯线上标注平台在物理覆盖和格式一致性上的比较数据，因此无法判断其相对优劣。下游机器人公司若自建数据采集团队，则可能绕过 Mecka AI 直接获取训练数据；但自建团队同样面临硬件、培训和隐私合规的固定投入。Mecka AI 的竞争位置取决于其能否在数据质量和采集成本之间建立足够宽的护城河，而这一点的验证需要客户留存和复购数据，来源材料未涉及。
资金将投向基础设施、研究实验室与部署层，但“部署层”的定义仍然模糊
据 BetaKit 报道，本轮资金将用于扩大数据基础设施规模、深化内部研究实验室，并建设商业机器人部署层。“商业机器人部署层”为公司披露的融资用途原文，公司未进一步定义。前两个用途相对清晰：扩大数据基础设施意味着增加采集硬件产能、扩展采集者网络、提升数据处理能力；深化内部研究实验室则指向数据转化模型和采集技术的持续研发。但“商业机器人部署层”是一个模糊的表述，它可能意味着 Mecka AI 将从数据提供商向更下游的机器人部署服务延伸，也可能只是指将数据产品更高效地交付给客户的交付层。以下为编辑分析：公司未披露部署层的具体定义和资金分配比例，上述解读仅基于已披露的融资用途表述。
如果 Mecka AI 确实在向机器人部署层延伸，这将是一个重大的战略转变。数据提供商和部署服务商是两种完全不同的业务：前者卖数据，后者卖运营能力。部署层涉及机器人的现场调试、任务配置、持续监控和故障处理，需要与终端客户建立深度服务关系。Mecka AI 目前的核心能力在数据采集和转化，而非机器人运维。进入部署层意味着它需要建立一支具备机器人工程能力的团队，并直接面对终端客户的服务需求。这一战略的合理之处在于，部署层可以反过来为数据采集提供真实场景的反馈闭环；但风险在于，它可能将 Mecka AI 拖入一个资本密集且竞争激烈的服务市场。
隐私、规模化运营与数据通用性，是 Mecka AI 必须跨越的三道坎
Mecka AI 的商业模式建立在大量个人参与者的数据采集之上，这带来了隐私和合规的系统性风险。采集者在家庭、厨房、化学实验室等环境中记录第一人称视频，视频中可能包含无关人员、敏感信息或受保护的空间内容。来源材料未涉及 Mecka AI 的数据脱敏、知情同意、合规流程以及采集者法律关系等具体安排。以下为编辑分析：若这些基础问题未解决，可能影响大型科技客户的采购合规审查。待核验指标包括采集者规模、合规流程文件和数据脱敏方案。
规模化运营是另一个被低估的挑战。来源未披露采集者规模、培训流程和质量控制机制。据 BetaKit 报道，Mecka AI 收购了温哥华创业公司 Docula，来源未披露该收购的具体业务目的。
数据通用性是第三个待验证假设。Mecka AI 采集的是人类动作数据，但机器人训练需要的是机器人可执行的动作数据。人类动作与机器人动作之间的映射关系，取决于机器人的形态、自由度、驱动方式和传感器配置。一个为五指灵巧手设计的数据集，未必适用于两指夹爪；一个为双足人形机器人优化的动作序列，未必能迁移到轮式移动机器人上。来源未披露其数据产品在不同机器人平台上的适配测试结果。如果数据的通用性有限，Mecka AI 的市场空间将被分割为多个细分的机器人形态市场，而非一个统一的“物理 AI 数据层”。
若公司自述的 1 亿美元年化收入和媒体报道的约 5 亿美元估值成立，则隐含较高的增长预期；两项数据均未经独立核实。如果收入数据经得起验证，且客户集中度可控，这一估值尚有支撑；如果收入高度依赖少数客户或一次性合同，则当前估值可能透支了未来两年的增长空间。Mecka AI 的叙事逻辑——机器人需要真实世界数据，而 Mecka AI 是这一数据的供应商——在方向上是对的，但从方向正确到商业成功之间，隔着硬件运营、数据质量、客户验证和竞争壁垒四道关卡。红杉、英伟达和 M12 的背书降低了融资风险，但无法替代 Mecka AI 自己必须完成的验证工作。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：Mecka AI 讲了一个足够锋利的故事：机器人学不会真实世界，因为真实世界的动作数据从未被系统性地数字化。但采集动作数据不是抓取网页，它是一场涉及硬件、人力、隐私和物理空间的苦战。6000 万美元能买来采集设备和传感器，却买不来一个经过验证的规模化运营网络。Mecka AI 的真正考验，不在于它能否融到下一轮，而在于它能否证明：从人类手腕上采集到的每一次拧动，真的能让机器人的关节学会用力。
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。