美国基础设施行业正在同时面对两个方向相反的压力：一面是《基础设施投资和就业法案》拨出的 1.2 万亿美元重建资金，另一面是越来越少的人愿意从事最基础的测绘工作。据公司通稿援引的数据，2011 至 2025 年间美国驻地测绘执照数量下降了 24%。这意味着，即便资金到位、项目获批，工程师在拿到一份可用于设计的工程图纸之前，往往还要等上数周甚至数月。
问题并不出在数据采集环节。激光雷达和移动扫描设备已经可以在一天内扫完数英里道路，瓶颈出现在把点云和影像转化为 CAD 图纸的桌面工作。按照 Mach9 联合创始人兼 CEO Alex Baikovitz 对 TechCrunch 的表述，在 Autodesk 和 Bentley Systems 等既有软件中，人工处理每英里数据大约需要一周，一个项目交付可能耗时数月。Baikovitz 在 2021 年创立 Mach9 Robotics 时原本想做更好的检测硬件，但客户反复告诉他：我们不需要更便宜的扫描设备，我们需要的是把已经采集到的海量数据变成可用的测绘成果。
这一判断最终推动公司去掉名字里的“Robotics”，转向 AI CAD 软件。2026 年 10 月 21 日，Mach9 宣布完成 3400 万美元 A 轮融资，由 First Round Capital 和 Bessemer Venture Partners 联合领投，Prudence 与 Quiet Capital 参投。本轮完成后，公司总融资额达到 4900 万美元。
| 字段 | 内容 |
|---|---|
| 公司 | Mach9 |
| 轮次 | A 轮 |
| 金额 | 3400 万美元 |
| 投资方 | First Round Capital、Bessemer Venture Partners、Prudence、Quiet Capital |
| 总部 | 旧金山 |
| 创始人 | Alex Baikovitz、Haowen Shi、Michael Mong、Zach Sussman |
| 官网 | https://mach9.ai |
从测绘硬件到 CAD 软件：一次被客户反向推动的转型
Mach9 的起点并不在软件。2021 年，Baikovitz 与 Haowen Shi、Michael Mong、Zach Sussman 在卡内基梅隆大学机器人研究所相识后创立 Mach9 Robotics，目标是让土木工程师的视觉检测更快、更便宜。据 TechCrunch 报道，公司最初几年确实做出了硬件，但正是这段经历让创始团队意识到，硬件不是行业瓶颈。Baikovitz 在采访中回忆，一位潜在客户的副总裁曾对他说，自己对更便宜、更低成本的硬件不感兴趣，真正能提升效率的是更好的软件，尤其是在全州范围的交通测绘项目中。
于是公司去掉了名称中的“Robotics”，把产品重心转向 AI 辅助 CAD。这个转型的实质，是把公司从“数据采集工具提供者”重新定位为“数据处理与出图环节的自动化者”。从产业链位置看，Mach9 不再与激光扫描硬件厂商争夺设备预算，而是进入工程交付流程中人力最密集、周期最长的制图环节。这一环节过去高度依赖熟悉 Autodesk 或 Bentley 软件的操作员，而这类熟练人力恰恰是测绘执照数量下降后最稀缺的资源。
公司通稿称，其软件允许土木工程与测绘团队上传用现有设备采集的道路、公用设施和施工现场三维扫描数据，然后自动绘制路缘、标志、杆件、车道标线和电线等物理特征，精度达到厘米级。工程师随后在软件中审阅、修改并最终定稿。需要说明的是，上述“厘米级精度”和“自动绘制”能力均来自公司单方陈述，本次公开来源未提供独立第三方验证。
从产品形态看，这一转型还意味着 Mach9 的交付物从物理设备变成了软件工作流。硬件销售通常以单次采购和后续维护为主，而软件产品更依赖持续订阅、版本迭代和客户成功体系。公司通稿未披露其定价模式，因此无法判断 Mach9 的收入确认方式更接近传统工程软件授权，还是更接近现代 SaaS 订阅。这一差异可能直接影响其后续商业化节奏和估值逻辑。
产品逻辑：先出初稿，再让持证工程师为结果负责
Mach9 的产品设计有一个明确边界：AI 不直接交付最终图纸，而是生成初稿。Baikovitz 对 TechCrunch 表示，系统会给工程师提供绘制、删除、调整顶点和评估 AI 生成模型质量的工具，让他们“能够把自己的名字放在最终成果上”。这一设计对应的是土木工程行业的高责任属性——最终图纸必须由持证专业人员审核并签署，AI 生成内容无法绕过这一环节。
从技术路径看，Mach9 没有依赖现成的通用视觉模型，而是自研并训练内部 AI 模型，将多模态影像和激光扫描数据集转化为测绘级几何。Baikovitz 称，这是很多现成模型无法达到的能力，公司自 2024 年以来的开发重点就是构建能够追踪路缘、路面标线等特征的行业模型。这一说法同样属于公司口径，尚无独立技术评估。
与通用生成式 AI 工具相比，Mach9 的差异点在于输出对象的工程属性：它不是生成一张“看起来像”的图，而是要生成可编辑、可量测、符合测绘精度的几何实体。这决定了其模型训练数据、误差控制和用户交互逻辑都与消费级图像生成不同。但这也意味着，Mach9 必须证明其输出在真实工程项目中能够通过工程师的质检流程，而不仅仅是在演示环境中表现良好。
“先出初稿、人工定稿”的交互逻辑还隐含一个产品哲学：Mach9 把 AI 定位为效率工具，而不是决策主体。这种设计可能降低工程师的抵触情绪，因为最终签字权仍然留在人手里。但反过来，如果初稿质量不稳定，工程师需要频繁修正，那么 AI 节省的时间可能被审核和返工抵消。公司通稿和 TechCrunch 报道均未披露初稿一次通过率或平均修改轮次，这是评估产品成熟度的关键缺口。
客户名单与使用数据：私测阶段的规模信号
公司通稿披露，Mach9 软件已在全美 50 个州超过 2,500 个项目中使用，测绘超过 10 万英里基础设施走廊。TechCrunch 则报道称，软件私测阶段已积累近 100 家客户。客户名单包括土木工程公司 WSP、HNTB、NV5，以及 Caltrans、明尼苏达州交通部、马里兰州公路管理局等公共机构。
这些数据需要放在“私测阶段”的语境下理解。近 100 家客户和 2,500 个项目表明产品已经在真实工程场景中被使用，但公司未披露这些客户中有多少是付费客户、多少是试点合作，也未披露任何收入、ARR 或续约数据。因此，这些数字更适合被视为产品验证信号，而非商业化规模证明。
三个具体案例出现在公司通稿中：在圣地亚哥 I-8 公路，Caltrans 使用 Mach9 清点减速带和其他道路安全设施；在旧金山，Kier + Wright 用它提升学校周边行人安全；在路易斯安那，Fibersmith 用它帮助连接 12.5 万个此前缺乏高速互联网的家庭和企业。这些案例均由公司单方披露，未提供可独立核验的项目文件或客户署名确认。
从客户结构看，Mach9 同时覆盖了私营工程公司和公共交通机构。公共机构客户可能意味着更长的采购周期和更严格的合规要求，但一旦进入其供应商体系，续约稳定性可能高于私营客户。私营工程公司则可能决策更快，但价格敏感度也更高。公司通稿未披露两类客户的占比，也未说明公共机构项目是直接合同还是通过工程公司分包，这会影响对其收入质量的判断。
与 Autodesk、Bentley 的竞争：不是替代，而是切入工作流前端
Mach9 进入的是一个由 Autodesk 和 Bentley Systems 长期主导的市场。Baikovitz 对 TechCrunch 的表述是，Mach9 瞄准的是 CAD 流程中“最慢、最劳动密集”的部分，也就是从实景数据到初始图纸的转化。这意味着 Mach9 在短期内并不试图替代 Autodesk 或 Bentley 的完整设计平台，而是切入其上游的数据处理与出图环节。
这一策略的好处是降低了客户迁移成本：工程公司不必放弃既有 CAD 平台，只需在数据转图阶段引入 Mach9。风险则在于，Autodesk 和 Bentley 同样可以投入 AI 能力来优化这一环节。如果成熟厂商在其现有产品中内置类似自动化功能，Mach9 的独立价值将面临挤压。公司通稿和 TechCrunch 报道均未披露 Mach9 与现有 CAD 平台之间的集成方式或数据互操作细节，这是判断其能否真正嵌入工程工作流的关键信息缺口。
在创业公司层面，TechCrunch 提到了 CivilGrid 和 Blueprints AI 作为同一赛道中的其他参与者。CivilGrid 在 2026 年 8 月融资 2600 万美元，定位为“地下设施的 Google Maps”；Blueprints AI 则用 AI 生成符合规范、可提交审批的建筑蓝图。三者的切入点不同：CivilGrid 侧重地下设施数据整合，Blueprints AI 面向建筑许可图纸，Mach9 聚焦地面交通与公用设施走廊的测绘级 CAD 出图。但三者共同指向同一个判断：基础设施行业的数据到图纸环节存在大量可被 AI 压缩的人工劳动。
竞争维度的另一个观察点是数据资产。Mach9 声称已在 50 个州处理超过 10 万英里走廊数据，如果这些数据能够反哺模型训练，可能形成一定的数据飞轮效应。但公司通稿未说明客户数据是否被用于模型迭代，也未披露相关数据授权条款。在工程行业，项目数据往往涉及公共设施安全信息，数据使用边界可能比消费级 AI 更敏感。
投资逻辑：基础设施重建的软件层，还是又一个 AI 垂直应用？
First Round Capital 合伙人 Bill Trenchard 在公司通稿中表示，美国仅公共道路就有 420 万英里，这还不包括电力线、光纤网络和铁路；Mach9 正在构建“把物理世界转化为工程师可理解、可操作信息的软件层”。Bessemer 副总裁 Caty Rea 则称，AI 正在为新一代 CAD 软件创造机会，Mach9 有可能成为“把土木工程带入 AI 时代的平台”。Rea 与 Brian Feinstein 共同主导了 Bessemer 本轮投资，后者曾主导该机构对 Procore 的投资。
投资方的判断逻辑清晰：基础设施重建资金巨大，测绘人力持续减少，AI 自动化是填补缺口的直接方案。但“平台”叙事与公司当前的产品形态之间仍有距离。Mach9 目前的核心能力集中在实景数据到 CAD 图纸的转化，尚未披露向设计、施工管理或资产运营环节延伸的具体路径。Bessemer 将 Procore 作为参照系，但 Procore 的成功建立在覆盖建筑项目全生命周期的管理平台上，而 Mach9 目前更像是工作流中一个高度聚焦的自动化工具。从工具到平台，需要产品边界的实质性扩展，而非仅靠融资叙事完成。
资本结构方面，Quiet Capital 是既有股东，本轮继续参投；Prudence 是一家总部位于纽约、专注建筑和房地产 AI 应用投资的早期机构。公司通稿未披露各投资方具体出资金额和本轮估值。
从投资阶段看，3400 万美元 A 轮对一家仍处于私测阶段的公司来说规模不算小。这可能反映投资方对基础设施软件赛道的信心，也可能与 Mach9 已经积累的客户名单有关。但私测客户能否转化为付费客户，仍是本轮投资能否兑现的核心假设。公司通稿未披露任何收入数据，也未给出正式商用的时间表。
资金用途与组织扩张：钱会花在产品和行业专家上
Baikovitz 对 TechCrunch 表示，本轮资金将用于三方面：改进产品、招聘行业专家，以及扩展“组织的所有部分以跟上市场发展”。这一表述相当宽泛，没有给出具体的招聘规模、产品路线图或市场拓展区域。
值得注意的是“招聘行业专家”这一项。Mach9 的创始团队背景集中在机器人、感知和系统工程领域，来自 Tesla、SpaceX、Apple、NASA 和 Google X。这些经验对构建 AI 模型和软件产品有直接帮助，但土木工程制图、测绘规范和公共机构采购流程是另一套知识体系。引入熟悉交通机构和工程公司工作流的行业专家，是产品从“能用”走向“被采纳”的必要步骤。公司未披露计划招聘的具体岗位或人数。
组织扩张的另一个隐含挑战是跨领域团队的融合。AI 工程师和土木工程专家的工作语言、验收标准和迭代节奏可能差异很大。如果 Mach9 不能在产品团队和行业团队之间建立有效的协作机制，招聘行业专家的效果可能被组织摩擦稀释。公司通稿和 TechCrunch 报道均未涉及这一管理层面的细节。
待验证的问题：付费转化、工程责任与人才缺口的双重约束
Mach9 面临的核心验证问题不是技术可行性，而是商业可持续性。公司通稿称其软件可将出图速度提升最高 10 倍、成本降至五分之一，客户 Pennoni 的 HDLS 技术总监 Rob Ashley 则表示，Mach9 让团队“用同样的人手多完成 50% 的工作”。这些效率数据均来自公司通稿援引的单方陈述，未提供可独立核验的项目对比或成本核算。
更根本的问题在于付费意愿。私测阶段的近 100 家客户是否愿意在正式商用后按订阅付费，取决于 Mach9 能否稳定地通过工程质检流程。AI 生成图纸的误差如果在后续设计或施工中被发现，责任归属将成为一个敏感问题。Mach9 的应对策略是让持证工程师审核并签署最终成果，但这同时意味着产品价值高度依赖工程师的信任——如果工程师需要逐点检查 AI 生成的每一条线，效率提升就会被质检时间抵消。
测绘人才缺口对 Mach9 是一把双刃剑。一方面，人才减少推动工程公司寻找自动化工具，这是 Mach9 的市场机会；另一方面，能够理解并审核 AI 生成图纸的持证专业人员同样在减少。如果客户内部缺乏足够的技术人员来操作和验证 Mach9 的输出，采用速度可能低于预期。公司通稿和 TechCrunch 报道均未讨论这一约束对客户采用节奏的具体影响。
另一个未披露的关键信息是定价模式。公司通稿仅称其为软件产品，未说明是按项目、按用户还是按数据量收费。对于工程公司而言，按项目收费可能更容易与现有项目预算对接，但会限制收入的可预测性；按订阅收费则更符合 SaaS 逻辑，但需要证明持续使用价值。这一选择将直接影响 Mach9 的收入结构和增长曲线。
从已披露的 2,500 个项目、10 万英里测绘里程和近 100 家客户来看，Mach9 已经完成了从硬件到软件的产品验证，并获得了头部 VC 的资本支持。但从私测到付费、从工具到平台、从效率承诺到工程责任闭环，每一步都需要比融资公告更具体的证据。1.2 万亿美元的基础设施重建资金确实在流向市场，但资金转化为对 AI CAD 软件的采购，中间还隔着工程公司的预算周期、公共机构的采购流程和持证工程师的信任建立。
RecodeX 极客视：Mach9 的融资故事建立在一个真实且紧迫的行业矛盾上——扫描设备已经跑赢了制图人力，但软件层仍在用二十年前的工作方式消化数据。真正的考验不是 AI 能否画出厘米级精度的路缘线，而是工程公司是否愿意为一份仍需人工审核的 AI 初稿付费，以及当责任落在持证工程师签字的那一刻，信任能否被产品稳定性持续兑现。
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。