# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
今天分享一家很新的公司，Mecka AI，
https://www.mecka.ai/
Mecka AI 是一家给机器人公司提供训练数据的公司。
更具体一点，Mecka AI 做的是“人类动作数据”。
比如，一个人怎么切洋葱、怎么擦桌子、怎么洗碗、怎么做咖啡、怎么整理冰箱、怎么拆手机、怎么给面团塑形、怎么把盘子放进洗碗机。
也就是说，Mecka 做的事情很像“机器人时代的 Scale AI”。
只不过，Scale AI 当年帮大模型和自动驾驶公司处理图像、文本、标注数据；Mecka 想做的是机器人训练数据的采集、清洗、标注、评估和交付。
Mecka 在 2026 年披露完成 6000 万美元融资，包括 2500 万美元 A 轮和 3500 万美元后续融资。
更值得注意的是，Mecka 还声称，基于已经签下的合同，公司年化收入可以达到 1 亿美元。
Mecka AI 是一家面向物理 AI 的数据和部署基础设施公司。
换成更直白的话，Mecka 主要做三件事：
第一，采集真实世界里的人类动作数据。
第二，把原始视频、传感器数据、动作信息处理成机器人模型能用的数据集。
第三，帮助机器人团队做模型评估和真实场景部署前的准备。
也就是说，Mecka 自己不造机器人，而是作为机器人生态里的集成者，连接硬件、模型和商业场景，负责中间的数据与集成层。
现在机器人行业最热的是人形机器人、机械臂、灵巧手、机器人基础模型。
但无论硬件怎么进步，机器人想真正进入厨房、仓库、工厂、实验室，都绕不开一个问题：它需要大量真实世界的任务数据。
Mecka 做的就是这块。
过去训练机器人，常见有几种方式。
一种是遥操作。
也就是人坐在控制端，远程操控机器人完成任务。
机器人一边做，一边记录自己的视觉、动作和结果。这个方法的好处是数据很直接，因为它来自真实机器人。
但问题是：慢、贵、难规模化。
你要有机器人，要有人操作，要有场地，要不断采集。如果只是让机器人学会一个任务，还可以这样做。
但如果要覆盖上千种任务、上万个场景变化，靠遥操作很难堆出足够数据。
第二种是仿真。
在虚拟环境里生成机器人训练数据。仿真的好处是便宜、快、可重复。
但真实世界很复杂。
厨房里的反光、桌面的遮挡、布料的褶皱、杯子的倾斜、手和物体的接触、食材切开后的形态变化，很多细节很难完全模拟。
仿真数据再多，落到真实环境里仍然会有差距。
第三种是互联网视频。
互联网上当然有大量人类做饭、修东西、清洁、手工制作的视频。
但这些视频大多不是为机器人训练准备的。它们缺少统一视角、动作轨迹、任务标签、物体信息，也很难直接转成机器人可执行的动作。
Mecka 押的是另一条路：第一视角的人类动作数据。
也就是让人用 iPhone、身体传感器、定制硬件，从自己的视角记录真实任务。
这种数据有几个优点：
它比遥操作更容易规模化，因为人类本来就在真实世界里做这些事；
它比普通互联网视频更有结构，因为采集可以围绕特定任务设计；
它比纯仿真更接近现实，因为它来自真实厨房、真实实验室、真实工作台和真实工厂。
Mecka 的核心判断是：机器人要学习现实世界，最好的老师可能不是机器人，而是人。
如果只理解成“拍一堆人类做家务的视频”，可能会低估 Mecka。
Mecka 要做的是一套数据工厂。
第一步，是定义任务。
客户可能是一家机器人公司，想让机器人学会咖啡制作、实验室操作、厨房整理、仓储分拣、工业装配，或者某个非常具体的工序。
Mecka 要先把任务拆清楚：
场景是什么，动作是什么，需要哪些视角，需要哪些物体，需要多少样本，需要什么传感器，数据最后怎么标注，如何判断成功和失败。
机器人数据不是拍得越多越好，如果任务定义不清楚，后面采集再多，也只是噪音。
第二步，是采集数据。
Mecka 的公开资料里提到，它会使用 iPhone、身体传感器和定制硬件采集人类动作数据。
它还上线了一个 iOS App，用于第一视角数据录制。
这个 App 的功能是：
当手进入画面时自动开始录制；把录制内容快速上传到内部基础设施；按照实验、用户和目标管理任务；减少研究团队每天采集数据时的操作成本。
这说明 Mecka 没有只停留在“组织人拍视频”的层面，而是在做采集工具。
因为数据采集要规模化，不能每次都靠人工沟通、手动命名、手动上传、手动整理。采集流程越标准，后面的清洗、标注、训练和复用才越容易。
第三步，是处理原始数据。
原始视频不等于训练数据。
机器人模型需要知道：任务是什么，手在哪里，物体是什么，动作顺序是什么，关键接触点在哪里，哪些动作成功，哪些动作失败，环境有什么变化。
所以光有原始视频还不够，Mecka 的团队还需要标注、上下文、质量检查、动作理解和评估流程，才能把真实世界活动变成有用训练数据。
所以 Mecka 真正卖的是：
把真实世界的人类活动，处理成机器人模型能学习、能检索、能评估的数据。
第四步，是交付和评估。
Mecka 服务的客户包括机器人实验室、前沿模型团队，以及正在部署具身系统的企业。
合作方式也不只是买一个数据包，而是可以从数据集访问、定制任务采集、模型评估，到完整数据项目。
这说明它想做长期基础设施，而不是一次性数据外包。
理解 Mecka，必须看 EgoVerse。
EgoVerse 是一个围绕第一视角人类数据建立的机器人学习生态。
它不是简单的数据展示页，而是一个由学术实验室和产业伙伴共同参与的数据项目。
公开信息显示，EgoVerse 当前版本包含：
1362 小时人类演示；约 8 万个片段；1965 个任务；240 个场景；2087 名演示者。
这些数据来自第一视角人类活动，覆盖不同任务、空间和环境。它的目标不是简单存视频，而是研究人类数据如何迁移到机器人学习里。
EgoVerse 的任务非常具体：
比如做面团环、整理毛绒玩具、洗碗、清理冰箱零件、组装架子、切姜、擦桌子、拔草、包装礼物、熨衣服、切土豆、切洋葱、装洗碗机、擦干盘子。
这些任务看起来很日常，但也正好说明 Mecka 为什么有价值。
对人来说，装洗碗机几乎不用思考。你会判断盘子大小，调整角度，避开旁边的碗，把盘子插到合适位置，再确认不会倒。
但对机器人来说，这里面有视觉理解、空间判断、手眼协调、接触控制和任务规划。
如果机器人要学会这类动作，文字说明远远不够。它需要看大量真实操作，看不同人如何处理不同物体、不同角度、不同场景。
EgoVerse 的作用，就是把这些人类动作组织成一个更标准的数据生态。
对 Mecka 来说，它像一个公开样板间：
证明自己不是只会讲“机器人需要数据”的故事，而是真的在搭建数据采集、处理、浏览和研究协作的基础设施。
Mecka 的四位创始人分别是 Josh Gao、Mogen Cheng、Jason Chong 和 Duy Nguyen。
四位创始人都不是从顶级机器人实验室出来，也不是典型的“机器人博士创业”。
CEO Josh Gao 和 CPO Mogen Cheng，此前一起做过餐饮支付/软件创业。
CTO Jason Chong，此前是 Utopia Labs 的联合创始人兼 CTO。Utopia Labs 是一家加密支付/财务工具公司，后来被 Coinbase 收购。
Jason 的背景更偏工程、基础设施和数据系统。
COO Duy Nguyen 的经历更不典型。公开报道里提到，他是一个很早进入球鞋转售市场的人，曾通过倒卖球鞋赚到数百万美元。
Mecka 这四位创始人的组合很特别：
一个做过餐饮支付创业的 CEO；
一个同样来自餐饮科技和产品背景的 CPO；
一个卖过加密基础设施公司的 CTO；
一个做过球鞋转售和运营的 COO。
很显然，这不是传统机器人创业团队，但也正是它有意思的地方。
第一层，是定制数据集。
客户告诉 Mecka：我需要某类任务、某类场景、某种动作的数据。Mecka 负责组织采集、处理、标注和交付。
比如，让机器人学习厨房操作，就需要不同厨房、不同器具、不同食材、不同光线下的数据。
让机器人学习实验室操作，就需要实验器具、手套、试剂、流程规范、操作顺序的数据。
这类数据不是网上随便下载就能用的，需要按客户需求定制。
第二层，是数据平台访问。
EgoVerse 这样的数据生态如果继续扩大，未来可能形成可订阅、可授权、可检索的数据平台。客户可以按任务、场景、物体、动作类型查找数据。
这会比一次性数据项目更有平台价值。
第三层，是模型评估。
机器人公司拿到模型后，需要知道它在真实任务里表现如何。不是跑一个 benchmark 就够了，而是要看它在真实环境、真实物体、真实流程中能不能稳定完成任务。
Mecka 官网也明确提到 evaluation，也就是评估。它如果能建立一套真实任务评估体系，价值会比单纯卖数据更高。
第四层，是部署支持。
Mecka 反复强调自己是 data and deployment layer，不只是 data layer。
这意味着它不想停在“给你一批数据”，而是希望参与机器人进入真实商业场景前后的集成工作。
比如进入某个工厂、实验室、厨房，Mecka 可以帮客户拆任务、采数据、做评估、调模型、看部署问题。
这会让它更像机器人部署服务商，而不只是数据供应商。
第一，人类数据能不能迁移到机器人，还需要持续验证。
人和机器人不一样。
人的手有五根手指，有柔软皮肤，有触觉，有复杂的关节和运动控制能力。机器人可能是两指夹爪，也可能是灵巧手，也可能是机械臂。
人的动作不能直接复制给机器人。
所以 Mecka 的关键不是“采集更多人类视频”，而是把人类动作处理成机器人能学习的表示。
这里涉及动作对齐、任务语义、场景理解、机器人本体差异。
EgoVerse 的公开信息里也提到，人类数据通常能提升策略表现，但有效扩展取决于人类数据和机器人学习目标之间的对齐。
不是数据越多越好，而是要采对、处理对、和机器人任务对齐。
第二，大客户可能自建。
最核心的机器人公司，会把数据看成自己的护城河。它们可能愿意找 Mecka 做一部分采集和处理，但不一定愿意长期依赖第三方。
所以 Mecka 要证明自己不只是外包团队，而是客户自建也很难快速复制的基础设施。
它需要有更低的数据获取成本、更快的交付速度、更稳定的质量控制、更丰富的任务库、更成熟的评估工具。
第三，数据合规会越来越复杂。
第一视角数据天然敏感。
家庭、厨房、实验室、工厂、商店，都可能拍到人、空间布局、物品细节、操作流程，甚至商业机密。
如果 Mecka 要大规模采集真实世界数据，就必须处理授权、匿名化、用途限制、跨境传输、数据归属、删除机制等问题。
这不是小问题。
尤其当客户进入医疗、工业、实验室、供应链等场景时，数据治理会变成企业采购的前置条件。
最后，Mecka 也好，Scale 也好，做数据采集、数据处理、模型评估和场景部署，是一门很苦的生意。
但是再高大上的 AI 背后，也离不开这些苦生意。
以上，祝你今天开心。
文章来自于微信公众号 “Fun AI Everyday”，作者 “Fun AI Everyday”
