机器人能看见一个插头，并不意味着它能把插头插进去。在制造业最终装配线上，插线缆、装密封件、拧螺丝这些动作至今仍大量依赖人手。原因并不在于相机不够好，而在于最后几毫米的接触完全由力决定：位置偏差一点点，力就会急剧放大，引脚弯折、卡扣断裂。视觉只能告诉机器人“目标在哪里”，却无法告诉它“现在该用多大的力、往哪个方向退一点、什么时候该停”。
苏黎世初创公司 Enact Intelligence 想从数据源头改写这条路径。2026年10月22日，这家成立仅七个月的公司结束隐身状态，公布了一笔2668万欧元（约3000万美元）的种子前融资。公司称，这笔资金将用于把团队从12人扩大到2027年底的五倍规模，并推进其自研执行器、传感器与模型管线的首批工业部署。
与大多数机器人公司把力觉作为视觉的补充不同，Enact 的主张更彻底：不依赖安装在末端或关节上的单点力传感器，而是从定制执行器本身采集高精度力数据。公司通稿称，这类似于人通过肌肉张力而非仅通过指尖感知力量。Enact 将这套系统描述为“本体感知神经系统”，并配套一个解读这些信号的“皮层”模型，目标是实现全身力觉感知下的灵巧操作。
| 字段 | 内容 |
|---|---|
| 公司 | Enact Intelligence |
| 轮次 | 种子前轮 |
| 金额 | 2668万欧元（约3000万美元） |
| 投资方 | redalpine、Notion Capital、firstminute capital；天使投资人 Yann LeCun、Arthur Mensch、Andrew Lonsberry |
| 总部 | 瑞士苏黎世 |
| 创始人 | Manuel Yves Galliker |
| 官网 | 未披露 |
从执行器里读力，而不是在指尖贴传感器
Enact 的技术路线建立在一个明确判断上：现有机器人几乎完全依赖视觉感知，这限制了可靠操作与高效学习；而现有触觉和力觉方案对工业部署而言要么过贵，要么过脆弱。公司通稿称，Enact 从模型架构、数据管线到执行器与传感器重构全栈，把力数据采集点从传统单点传感器转移到执行器内部。
这一选择有真实的工程含义。单点力传感器通常安装在机械臂末端或手指表面，虽然能直接测量接触力，但会带来额外的布线、标定、防护和成本问题，在工厂的油污、振动和碰撞环境中尤其脆弱。把力感知嵌入执行器本身，理论上可以减少外部传感器数量，并让力信号覆盖更完整的运动链。但代价同样明显：执行器内部信号包含大量与接触无关的动力学噪声，比如电机转矩、摩擦、惯性和温度漂移。要从这些混合信号中分离出真正反映外部接触的力信息，需要高精度的执行器设计、标定流程和模型能力。Enact 尚未披露其执行器在精度、带宽、迟滞或寿命方面的任何数据，因此这条路线能否在成本与可靠性上同时成立，仍是待验证的核心假设。
创始人 Manuel Yves Galliker 在公司通稿中的表述，把 Enact 的模型策略与语言模型时代做了切割。他称，与大语言模型早期不同，物理 AI 可以从已有的推理、语言和视觉能力出发，不必从零收集教会机器人理解世界的全部数据；Enact 会在视频模型等已有基础模型之上适配，使其输出机器人动作。这意味着 Enact 并不试图重新发明视觉或语言基础模型，而是把力觉作为一种新的数据模态接入现有模型体系。redalpine 普通合伙人 Harald Nieder 在公司通稿中称，Enact 从定制执行器的高精度力数据出发，自下而上重构全栈，并利用“正交数据”改进现有模型、构建数据护城河。
这种“力觉作为正交数据模态”的定位，是理解本轮投资逻辑的关键。它回避了与大型视觉语言模型公司正面竞争，转而押注一个数据维度：如果力数据确实能显著提升操作成功率，那么谁掌握高质量、大规模、与硬件深度耦合的力数据，谁就可能在物理 AI 的操作层建立壁垒。但这一逻辑的前提是，力数据确实能带来可泛化的操作能力提升，而不是只对特定任务、特定硬件有效。目前 Enact 没有公布任何成功率、节拍或演示视频，公司通稿也未披露其模型架构、训练数据规模或评测方法。
一个12人团队和一笔不寻常的种子前融资
Enact 由 Manuel Yves Galliker 于2026年3月创立。据公司通稿披露，Galliker 此前在 1X 负责人形机器人 NEO 的软件团队，参与搭建了 1X 在硅谷的 AI 团队，之后在机器人实验室 Physical Intelligence 工作。他的学术背景包括在 ETH Zurich 的机械工程学习和 Marco Hutter 实验室的研究经历，以及在 Caltech AMBER 实验室的工作；其硕士阶段关于双足行走与模型预测控制的研究曾发表在 arXiv，并入围 IEEE Humanoids 2022 最佳论文。i-scoop 在2026年10月22日的分析报道中提到了这些履历细节。
12人团队中，工程人才来自 DeepMind、1X、Amazon Robotics、Helsing、Physical Intelligence 和 ETH Zurich，这是公司通稿披露的信息。前 redalpine 深度科技投资人 Philip Kneis 加入负责增长，startupticker.ch 的报道称这反映了风险投资人转向运营岗位的更广泛趋势。
这笔2668万欧元的种子前融资，在金额口径上存在一个值得注意的细节。EU-Startups 和 startupticker.ch 的报道均表述为“欧洲迄今规模最大的种子前融资之一”；而 KuCoin、Gate 和 TechFlow 转述 ChainCatcher 或 Sifted 的报道时，则称其为“瑞士历史上最大的种子前融资”。两种口径并不矛盾，但“欧洲最大之一”和“瑞士历史最大”在范围与确定性上存在差异。i-scoop 的报道则直接指出，Sifted 称其为瑞士历史上最大的种子前融资之一，同时 Enact 未披露估值。对于一家成立七个月、没有具名客户、没有公开性能数据的公司来说，这个规模的种子前融资本身就构成了一个信号：投资方押注的是团队履历和技术路线的组合，而非已经验证的商业进展。
投资方名单也带有明显的技术判断色彩。Yann LeCun 是 AMI Labs 创始人、Meta 前首席 AI 科学家，其长期主张的世界模型路线与 Enact 招聘信息中提到的 JEPA 架构方向存在关联；Arthur Mensch 是 Mistral 创始人；Andrew Lonsberry 是焊接机器人公司 Path Robotics 的创始人。i-scoop 的分析指出，LeCun 的 AMI Labs 在2026年3月筹集了10亿美元用于构建理解物理世界的世界模型，Lonsberry 的 Path Robotics 则制造从数据中学习的焊接机器人，两人都清楚“能推理的模型”与“能可靠装配的机器”之间的距离。机构投资方中，redalpine 和 Notion Capital 的合伙人均在公司通稿中给出了明确的技术判断，前者强调力数据作为新模态的价值，后者则用“神经系统”比喻 Enact 的全身力觉路线，并称苏黎世 Limmat Valley 已成为机器人领域的硅谷。
最终装配的长尾：为什么是力觉而不是视觉
Enact 的目标场景并非汽车工厂里重复数万次的固定工位，而是小批量、多品种的最终装配。公司通稿称，其技术面向从简单机械臂到人形机器人的多种形态，目标工序包括插线缆、装密封件、拧螺丝等仍以人工为主的环节。这类场景的共同特点是：工件种类多、批次小、接触状态复杂，为每一种变体单独编程机器人并不经济。
i-scoop 的报道引用了一份2025年的文献综述，作者是机器人学者 William Xie 和 Nikolaus Correll。该综述指出，在刚性接触中，位置的小误差会转化为力的大误差；一个基于力觉的策略可以在不到两秒内、以超过90%的成功率将销钉插入间隙小于半毫米的孔中，而仅依赖位置的策略至少需要两倍时间。同一综述还发现，76%的力觉研究训练数据少于200次演示。这个数字从侧面支持了 Enact 的一个隐含判断：力觉数据稀缺，且现有研究规模远不足以支撑需要学习数千种任务的模型。
但这份综述是学术文献，不是 Enact 的产品验证。i-scoop 的报道也明确指出，Enact 尚未公布成功率、节拍或演示视频。对于一家以“可靠执行”为核心卖点的公司来说，这是最关键的空白。工厂环境对可靠性的要求接近零缺陷。i-scoop 引用了机器人先驱 Marc Raibert 在 MIT Technology Review 中的观点：从50%成功率提升到70%，在实践中仍然是失败。Enact 的技术路线能否跨越从演示到量产的鸿沟，取决于它能否在真实工厂的工件变异、光照变化、线缆柔性和装配公差下保持稳定表现，而这些数据目前完全缺失。
Enact 的市场叙事还引用了一组德国数据：4.6%的中小企业使用机器人，大企业为24%。i-scoop 在报道中明确表示，未能追溯这组数字的原始来源。这个细节值得保留：它说明 Enact 的市场论证方向——欧洲制造业的长尾供应商自动化程度低——与公开可观察的产业结构一致，但具体数字的可靠性无法独立核验。创始人 Galliker 对 i-scoop 说的一句话概括了这一定位：“中国赢在规模，我们赢在多样性。”据 i-scoop 引用 MIT Technology Review 的数据，2025年全球约15000台人形机器人出货量中，近90%来自中国公司。在这个背景下，Enact 的差异化不在整机出货量，而在面向欧洲多品种、小批量制造场景的操作能力。
全栈自研的代价与竞争位置
Enact 选择自建执行器、传感器、数据管线和模型，这与大多数机器人软件公司形成鲜明对比。全栈策略的优势在于，力数据的采集质量、硬件接口和模型训练可以协同优化，避免在第三方硬件上做适配妥协。Notion Capital 普通合伙人 Kamil Mieczakowski 在公司通稿中称，Enact 团队“在比特和原子两个层面”都理解这个问题，这种能力很少见。
但全栈自研也意味着更长的研发周期、更高的资本消耗和更复杂的供应链管理。i-scoop 的报道将硬件列为 Enact 的核心待验证项：自建传感器和执行器必须最终比现有方案更便宜、更耐用，否则整个成本论证就不成立。Enact 没有披露其执行器的物料成本、制造工艺、寿命测试或与现有工业力传感器的价格对比。在工业自动化领域，力传感器和执行器都是成熟品类，Enact 需要证明其自研方案不仅在技术上有差异，在总拥有成本上也有竞争力。
竞争格局方面，i-scoop 列举了 Physical Intelligence、NEURA Robotics、RobCo、Agile Robots 和 Gravis Robotics 作为相关问题上的参与者，并提到 Genesis AI 在手部操作上做了类似押注。这些公司的资本规模和商业化阶段各不相同：Physical Intelligence 是机器人基础模型领域资本最雄厚的公司之一；NEURA Robotics 据 i-scoop 报道近期在其 Neuron AI 模型中加入了触觉、听觉和记忆能力；Agile Robots 和 Gravis Robotics 则在工业机器人与特种机器人领域有更明确的落地场景。Enact 与它们的核心差异，公司通稿表述为“将传感器、硬件和模型作为一个系统设计，而不是把触觉附加到视觉模型上”。但这一差异能否转化为可量化的性能或成本优势，目前没有公开数据支持。
从产业链约束看，Enact 的路线还面临一个更隐蔽的问题：力觉数据的采集和标注成本远高于视觉数据。视觉数据可以通过互联网大规模获取，力觉数据则必须通过真实机器人接触真实物体产生。Enact 的招聘信息显示，公司正在苏黎世招聘机器人操作员，通过动作捕捉远程操控机器人完成分拣、使用工具、开门、装配零件和整理线缆等任务，这些演示将成为训练数据。i-scoop 的报道将这种模式与 Walden Robotics 的“演示优先”逻辑做了类比，区别在于 Enact 把力作为一等信号。这种数据采集方式决定了 Enact 的数据规模扩张速度受限于物理机器人的数量、操作员的人数和任务覆盖范围，与可以从互联网视频中学习的视觉模型相比，数据飞轮的转速天然更慢。
资金用途与首批部署的模糊边界
公司通稿称，本轮资金将用于三个方向：到2027年底将团队扩大五倍、加速硬件与研发管线、与制造业、基础设施、零售和食品加工领域的多家欧洲工业伙伴推进首批机器人部署。公司称正在与这些领域的欧洲工业伙伴洽谈，但未披露任何具名客户或部署时间表。
“洽谈”与“部署”之间的距离，是评估这笔资金使用效率的关键。对于一家全栈硬件公司来说，2668万欧元可以支撑一支约60人团队两年的研发，但如果要同时推进执行器量产、传感器标定、模型训练和多个行业的现场部署，资金消耗速度会显著加快。Enact 没有披露其硬件是否已经进入小批量生产、是否已有可交付的原型机、以及首批部署将以何种形态出现——是简单机械臂还是人形机器人。i-scoop 的报道明确指出，Enact 将首先部署哪种形态的机器人尚未披露。
团队扩张计划本身也值得审视。从12人到60人，意味着 Enact 需要在苏黎世同时招聘硬件工程师、嵌入式系统工程师、机器学习研究员、机器人操作员和工业销售团队。Galliker 在公司通稿中解释了选择苏黎世而非硅谷的原因：硅谷在软件和 AI 上很强，但机器人和硬件工程人才稀缺，大量资本追逐少数人才；Enact 的策略是把硅谷的 AI 经验与苏黎世本地人才池结合。苏黎世确实拥有 ETH Zurich 和 Limmat Valley 的机器人产业集群，但欧洲硬件工程师的薪资水平和招聘竞争同样激烈，且全栈硬件公司的人才需求横跨多个稀缺领域。能否在2027年底前完成五倍扩张并保持技术方向聚焦，是执行层面的真实风险。
投资逻辑：押注数据模态，而非产品验证
本轮投资方的公开表态，集中在技术路线和数据模态层面，几乎没有涉及客户、收入或产品性能。redalpine 的 Nieder 强调“高精度力数据”和“数据护城河”；Notion Capital 的 Mieczakowski 强调“神经系统”和“比特与原子”的双层理解；天使投资人 LeCun 和 Mensch 的参与，则更多是技术判断上的背书。i-scoop 的报道指出，LeCun 的 AMI Labs 和 Lonsberry 的 Path Robotics 都清楚模型推理与可靠装配之间的差距，这暗示天使投资人的参与带有技术路线认同的成分，而非商业验证信号。
从资本结构看，这笔种子前融资的金额和投资人组合，更像是一笔“技术路线押注”。在物理 AI 领域，数据模态的选择正在成为投资分化的关键变量：视觉派押注大规模互联网视频数据和世界模型，力觉派押注接触数据的不可替代性。Enact 的融资叙事将两者对立起来，但更准确的描述可能是：Enact 并不否认视觉的价值，而是主张力觉是当前缺失的、能够解锁可靠操作的数据维度。Galliker 在公司通稿中的表述也印证了这一点——他明确说 Enact 会在已有视频模型之上适配，而不是另起炉灶。
这种“在已有基础模型之上加力觉”的策略，降低了 Enact 在模型层的资本需求，但也带来一个依赖性问题：如果底层视频模型或世界模型的进展不如预期，Enact 的适配层能走多远？反过来，如果力觉数据确实能显著提升操作成功率，大型基础模型公司是否会直接收购或复制这一能力？i-scoop 提到 Genesis AI 在手部操作上的类似押注，说明力觉作为数据模态的价值正在被更多团队注意到。Enact 的窗口期，取决于它能否在大型玩家大规模进入之前，完成从执行器到模型的闭环数据积累。
待验证的假设与观察指标
Enact 目前最核心的待验证假设，不是“力觉是否重要”，而是“从执行器内部采集的力数据，能否以工业可接受的成本和可靠性，支撑跨任务的灵巧操作”。这个假设可以拆解为三个可观察的指标。
第一，执行器的力感知精度与成本。Enact 没有披露其定制执行器的力分辨率、带宽、迟滞、温度稳定性或单位成本。如果执行器内部的力信号无法在噪声中可靠分离出接触力，或者自研执行器的成本高于“标准执行器+外置力传感器”的组合，那么全栈自研的经济性就不成立。
第二，力觉数据的泛化能力。Enact 的模型能否将在一个任务、一种工件上学到的力觉策略，迁移到未见过的连接器、密封件或螺丝上，是决定其能否服务多品种、小批量场景的关键。i-scoop 的报道提出了一个具体的观察指标：Enact 机器人插入一个从未见过的连接器的成功率有多高、速度有多快、是否会造成损坏。这个指标比任何融资新闻都更能说明问题。
第三，首批部署的形态与行业。Enact 同时提及制造业、基础设施、零售和食品加工四个领域，但未披露哪个领域会最先落地。不同领域对力觉的需求差异很大：制造业最终装配对力控制的要求最高，零售和食品加工则可能更看重柔性和安全。首批部署的行业选择，将揭示 Enact 对自身技术成熟度的真实判断。
从已披露的信息看，Enact 拥有一个履历扎实的团队、一个逻辑自洽的技术叙事和一笔超出常规的种子前资金。但从公司通稿、投资方声明和媒体报道中，都无法找到任何关于产品性能、客户验证或部署时间表的独立证据。i-scoop 的报道在这一点上最为直接：Enact 发布的是融资新闻，不是产品新闻。对于一家声称要解决机器人灵巧操作难题的公司来说，真正的考验不在苏黎世的实验室里，而在某个工厂车间里，一个从未见过的连接器能否被稳稳插入。
RecodeX 极客视：Enact Intelligence 的故事之所以值得跟踪，不是因为它又融了一笔大钱，而是因为它把机器人学的老问题——力觉——重新放回了物理 AI 的中心。视觉模型可以告诉你目标在哪里，但只有力觉能告诉你接触正在发生什么。Enact 的赌注是，从执行器内部采集力数据，能以工业可接受的成本解锁全身力觉。这个赌注的逻辑是通的，但逻辑通不等于产品通。在它公布第一个真实工厂场景的成功率、节拍和故障率之前，2668万欧元买下的仍然是一个技术假设，而不是一个商业事实。
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。