机器人基础模型的融资速度，正在把训练数据变成一个比算力更紧的约束。公司通稿称，2026 年上半年投资者向物理 AI 投入 474亿美元，接近 2025 年下半年总额的四倍。但钱不能直接教会机器人叠衣服、装洗碗机。机器人需要反复观看人类完成这些日常任务才能学会，而目前尚无人以模型所需规模采集这类工作数据。缺口不在模型架构，而在真实世界的工作画面本身：谁来拍、在哪里拍、如何保证几百万小时素材仍然可用。以下公司数据均来自公司通稿，未独立核证。
Maxinsights 试图用最直接的方式补上这一层。2026 年 10 月 22 日，这家总部位于美国加州圣克拉拉的公司宣布完成 3000万美元种子轮融资，由 Peak XV 领投，Tola Capital、South Park Commons、INCE Capital 与 Alumni Ventures 参投。公司通稿称，Maxinsights 构建物理 AI 的数据层，把真实人类活动转化为机器人可用的训练数据。与多数数据供应商不同，它不依赖模拟环境，而是付费让承包商佩戴自研摄像设备，记录他们原本就在做的工作。来源仅披露种子轮总额 3000万美元，未披露股权与债务分项。
| 字段 | 内容 |
|---|---|
| 公司 | Maxinsights |
| 轮次 | 种子轮 |
| 金额 | 3000万美元 |
| 投资方 | Peak XV（领投）、Tola Capital、South Park Commons、INCE Capital、Alumni Ventures |
| 总部 | 美国加州圣克拉拉 |
| 创始人 | Yuguang (YG) Yuan（创始人兼CEO）、Kun Wang（联合创始人兼CTO） |
| 官网 | maxinsights.ai |
把“真实工作”变成可交付数据，Maxinsights 押注一条与模拟采集相反的路
Maxinsights 的流程覆盖采集、检查、标注、筛选与交付五个环节。采集端由自有全球网络完成，记录真实工作场景的第一人称视频；检查端对每条片段做自动与人工审核，覆盖采集质量、任务完成度、可见性、同步与元数据；标注端用专有模型按环境、任务、子任务、指令四层打标，并标注手部姿态、身体动作与物体交互；筛选端按任务、场景、地域、行为、复杂度或客户需求检索与再平衡语料；交付端输出原始或处理后数据集，并把客户与模型反馈带入下一轮采集。
这套流程的关键不在某一项技术，而在公司所称的“每一步都在内部完成”。公司通稿称，Maxinsights 通过各地人力机构雇佣并直接管理承包商，而非把采集外包给供应商。公司另称，承包商因记录原本就在做的工作而获得报酬，并佩戴自研摄像硬件。公司称，超过 5000 名承包商分布在六个国家，佩戴公司自研摄像硬件完成装洗碗机、做奶昔、洗车等任务。公司通稿称，相比摇晃的 iPhone 或 GoPro 视频，这种硬件能获得更清晰的画面。
这构成了 Maxinsights 与竞争对手最直接的差异。公司通稿称，竞争对手在模拟环境中布置任务，并要求操作者放慢手部动作以便处理素材；Maxinsights 则在真实家庭、餐厅与酒店中以自然速度记录真实工作。通稿未点名具体竞争对手，也未提供可核实的竞品名单或对比数据。Maxinsights 的立场是，机器人最终部署在真实厨房而非搭建好的场景中，因此边缘案例本身就是工作内容。这一判断来自公司创始人，尚未被独立验证为行业共识。
MaxLoop 把审核从人力成本变成工程问题，但 80% 降幅仍是单方口径
Maxinsights 同时发布了两款产品：MaxLoop 与 MaxGlove。公司通稿称，MaxLoop 是一个 agent-in-the-loop 系统，在数据采集过程中即时打分与纠正。其技术起点是真实场景素材对通用标注工具的破坏性：手被物体遮挡、多人手同框、操作者戴手套与戒指、运动模糊。公司通稿称，Maxinsights 用自己采集的素材训练了手部追踪模型。MaxLoop 在片段到达时即时打分。同一模型还从每条片段提取姿态、物体状态、接触与力等信息。
通稿要点称人工审核团队减少 90%，正文称审核成本下降约 80%，两者为不同指标，均未独立核证。操作者反馈从一到两周缩短到当天，公司每月处理 45 万小时。若以 45 万小时月处理量计算，年化处理能力约 540 万小时，但该处理能力与已采集量、可交付量之间的关系未披露。“模型可用”的定义、审核通过率、返工率与客户验收标准均未披露，因此无法从外部判断 150 万小时中实际交付并被客户接受的比例。
Peak XV 董事总经理 Rohit Agarwal 在通稿中称，这一类别中几乎所有公司都在卖小时数，而 Maxinsights 是唯一把质量控制当作工程问题而非人力成本问题的公司。他还称，这一决策事后难以复制，因此尝试过其他供应商的实验室会持续回流。这是投资方判断，不是独立事实。值得注意的是，Agarwal 的表述建立在“其他公司都在卖小时数”这一未具名的竞争格局判断上，通稿未提供可核实的竞品名单或对比数据。
MaxGlove 试图补上视觉之外的力量数据，但 2027 年百万小时目标仍停留在开发阶段
MaxGlove 是 Maxinsights 与 Genesis AI 共同开发中的传感器手套，用于采集触觉与力数据。公司通稿称，该设备记录抓握力度、物体重量与任务中接触变化；力与力矩信号可反映接触、压力、阻力与滑动，帮助机器人判断是否抓稳、施加多大力以及何时调整。公司通稿称，市面手套需要长校准周期，每天仅能获得 10 至 20 分钟可用采集，而 MaxGlove 可与自我视角系统集成，并能在多种环境中可靠部署。
这一产品仍处于共同开发阶段。公司通稿称，MaxGlove 计划在 2027 年采集 100 万小时力数据。从已披露信息看，该目标依赖两个未验证前提：一是 MaxGlove 能按公司所称的可靠性跨环境部署，二是现有承包商网络能同时承担视觉与力数据采集而不显著推高成本。通稿没有披露 MaxGlove 的单台成本、校准流程、故障率或承包商培训周期。因此，100 万小时力数据目标应被理解为公司规划而非已锁定的交付承诺。
公司通稿称，尚无公司展示过真正可规模化的力数据采集方式。这一表述是公司对行业的判断，但通稿未披露 MaxGlove 自身的规模化验证数据，因此无法判断其是否已接近解决该问题。
Genesis AI 与 Dyna Robotics 构成可见客户锚点，但“最大数据提供方”缺乏独立验证
Maxinsights 的客户结构是本次披露中最具信息量的部分。公司通稿称，Maxinsights 服务超过 30 家客户，包括前沿 AI 实验室与基础模型公司，其中 8 家为经常性合同客户。通稿称 2026 年最受关注的两个机器人基础模型部分使用了 Maxinsights 数据，随后分别介绍 Genesis AI 与 Dyna Robotics 两家客户。公司通稿称，Genesis AI 用于训练 GENE-26.5 的全部 20 万小时自我视角数据由 Maxinsights 独家提供；Maxinsights 是 Dyna Robotics 的 Dyna-2 世界-动作模型背后最大的数据提供方。
Genesis AI 联合创始人 Johnson Wang 在通稿中表示，机器人需要从日常生活的复杂性与变化中学习，仅靠精心控制的数据集无法捕捉这一点。他还称，在 Genesis 26.5 中，团队专注于人们自然完成日常任务的画面，其中大部分数据由 Maxinsights 提供。这是客户方引语，但仍来自公司通稿的转述，并非独立采访。
“独家提供”与“最大数据提供方”是两个不同强度的主张。前者意味着 Genesis AI 的 20 万小时自我视角数据没有第二供应商，后者意味着 Dyna Robotics 的数据供应商中 Maxinsights 份额最高。两项主张均来自公司通稿，尚无独立第三方验证。编辑分析认为，公司通稿的“全部独家提供”与客户引语“大部分由 Maxinsights 提供”在表述范围上存在差异，需以公司进一步说明为准。从商业逻辑看，若这两家客户确为 2026 年最受关注的机器人基础模型之一，Maxinsights 的客户集中度可能较高；但通稿未披露前五大客户收入占比、合同金额或续约率，因此无法判断其收入质量。
3000万美元种子轮背后的资本结构与未披露项
本轮融资的资本结构有一个值得注意的细节：来源仅披露种子轮总额 3000万美元，未披露股权与债务分项。考虑到 Maxinsights 需要自研摄像硬件、传感器手套，并维持六个国家超过 5000 名承包商的直接管理，其资本开支与运营开支结构可能比纯软件数据公司更重。本轮资金用途未在来源中披露，因此无法判断这笔钱将优先投向硬件制造、承包商网络扩张、MaxLoop 模型训练，还是 MaxGlove 的工程化。
创始人背景是投资方愿意下注的因素之一。公司通稿称，创始人兼 CEO Yuguang (YG) Yuan 此前联合创办工业机器人公司 Mega Gear Robotics，该公司已被收购；更早前，他作为 Eaton 最年轻的高管团队成员，管理年业务约 1.5亿美元、逾 1500 名员工的产品团队。联合创始人兼 CTO Kun Wang 曾是 Google X/Waymo 早期工程师，后联合创办 QCraft，公司通稿称 QCraft 成长为拥有逾 1000 名员工的独角兽，其自动驾驶技术部署在超过 100 万辆车上。这些履历来自公司通稿，未做独立核证。
从投资组合逻辑看，Peak XV 的领投与其在印度和东南亚市场的布局存在协同空间。公司通稿称，Maxinsights 总部位于圣克拉拉，在中国、印度尼西亚设有办公室，土耳其与墨西哥办公室即将设立。公司通稿在简介段称其记录工作场景的国家为八个，在承包商段称承包商分布在六个国家。两个口径在原文中并列出现，分别对应不同语境，通稿未进一步解释。
真实场景采集的规模化瓶颈：隐私、合规与承包商管理
Maxinsights 的商业模式建立在一个敏感前提上：付费让普通人在真实家庭、餐厅与酒店中佩戴摄像设备记录工作。这带来三类风险，通稿均未展开讨论。
第一是隐私与同意。真实家庭场景中，除了承包商本人，还可能出现家庭成员、客人、未成年人或未签署同意书的第三方。公司通稿称其审核覆盖“可见性”与“元数据”，但未说明如何处理无意入镜者的肖像权、数据删除请求或跨境数据传输。第二是劳动合规。公司通稿称其通过各地人力机构雇佣并直接管理承包商，但未披露承包商的法律身份、薪酬水平、保险安排或工伤责任。若承包商在佩戴摄像设备工作时受伤，责任归属可能因国家而异。第三是数据安全。第一人称视频可能包含家庭布局、门锁位置、个人物品等敏感信息，公司通稿未披露其匿名化流程或数据保留政策。
这些风险不必然否定 Maxinsights 的商业模式，但它们构成真实场景采集规模化的隐性成本。具体而言，Maxinsights 已披露的 5000 名承包商分布在六个国家，而公司简介段又称记录工作场景的国家为八个；国家数量越多，隐私同意、劳动身份与数据跨境规则越可能不一致。公司通稿称审核覆盖“可见性”与“元数据”，但未说明这些环节如何识别并剔除未获同意的入镜者。若 Maxinsights 要在八个国家持续扩张，其合规成本可能随规模非线性上升。这一点在通稿中完全缺席，是本次披露最显著的空白之一。
待验证假设：从“采集了多少”到“客户愿意为什么付费”
Maxinsights 的核心叙事是规模：约 200 万小时已采集、约 150 万小时模型可用、每月处理 45 万小时、5000 名承包商、30 家客户。但数据供应商的真正壁垒不在采集量，而在客户愿意为哪一层付费。公司通稿未披露收入、客单价、合同期限或毛利率，因此无法判断其商业模式的单位经济性。
一个关键问题是：Maxinsights 卖的是原始小时数，还是经过标注与筛选的数据集？公司通稿称其交付“原始或处理后数据集”，这意味着产品形态可能因客户而异。若客户主要购买原始数据，Maxinsights 的毛利率取决于采集成本与交付价格的差额；若客户购买处理后数据，毛利率则取决于 MaxLoop 的自动化程度能否持续压低人工审核成本。公司通稿称 MaxLoop 将审核成本下降约 80%，但未披露审核成本在总成本中的占比，因此无法推算对整体毛利率的影响。
另一个待验证假设是数据复用性。公司通稿称，同一小时视频“过去只能教模型一件事，现在可以教它几件事”，因为 MaxLoop 能从每条片段提取姿态、物体状态、接触与力等多层信息。若这一能力成立，Maxinsights 的库存数据价值将随标注深度提升而增加，边际成本下降。但通稿未披露客户是否愿意为多层标注支付溢价，也未披露不同客户之间是否存在数据排他性冲突。Genesis AI 的 20 万小时数据为“独家提供”，若其他客户要求类似排他性，Maxinsights 的库存复用空间将受到限制。
从已披露的约 200 万小时采集量与约 150 万小时可交付量看，其余部分的构成未披露：是审核未通过、客户拒收、还是等待标注，通稿未提供任何拆解。这是判断其商业模式能否成立的关键变量。
Maxinsights 的融资故事在逻辑上是自洽的：物理 AI 资本涌入快于数据供给，真实场景数据稀缺，公司用自研硬件与软件把采集、审核、标注垂直整合，并以两家具名客户作为产品验证。但自洽不等于已验证。公司通稿披露的数字与文章基于这些数字的推算应被区分：前者是公司单方陈述，后者是编辑分析。Maxinsights 能否把“采集规模”转化为“付费规模”，取决于其单位经济性、数据复用能力与合规成本，而这些恰恰是本次披露中最薄弱的环节。
RecodeX 极客视：Maxinsights 把机器人训练数据从模拟环境拉回真实世界，并用自研硬件与审核系统试图解决规模与质量的矛盾。但 3000万美元种子轮买到的是一张进入真实场景数据层的门票，而不是已经跑通的商业模型。真正的考验不在采集了多少小时，而在客户是否愿意为“真实”持续付费，以及 MaxGlove 的校准与部署验证、Genesis AI 独家条款对库存复用的限制这些具体约束会不会在规模扩张时反噬毛利。
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。