当大多数机器人公司竞相收集海量真实世界数据时，伦敦初创企业Machenta选择了一条截然不同的路径：在无需任何真实世界数据的情况下训练机器人。近日，该公司宣布完成4000万美元种子轮融资，由Creandum和Union Square Ventures联合领投。
对于一家仅有11名员工的初创公司而言，这笔巨额种子资金不仅是对其技术路线的认可，更是对行业主流建模仿真方式的一次大胆押注。
帝国理工团队创立，主打“零真实数据”训练
Machenta由帝国理工学院教授Edward Johns及其前博士生Vitalis Vosylius于2025年创立，Johns担任首席执行官。该理念的雏形源于约六年前，Johns试图探索机器人能否像人类一样快速掌握物理任务，这一追问最终催生了Machenta。
据悉，早期支持者Hoxton Ventures曾在2025年参与了一轮约430万英镑的较小规模融资。随着本轮4000万美元资金的注入，Machenta获得了更雄厚的资源以验证其技术假设。
Machenta的核心突破在于，其模型完全在计算机生成的虚拟世界中学习。这些模拟环境逼真地复现了物体移动、滑动和碰撞的物理特性，整个训练过程未使用任何真实世界数据像素。其优势显著：机器人只需一次演示即可学会新任务，无需额外训练。在演示中，机器人已能完成整理桌面及将物体装入流水线盒子等操作。
尽管技术尚不完美，精确复杂的动作仍具挑战性，且早期实验室版本每项任务仍需约30分钟的数据收集，但Machenta的目标是彻底消除这一步骤。
对标百亿估值巨头，探索具身智能新范式
Machenta面临的竞争对手实力强劲。Physical Intelligence估值约110亿美元；FieldAI正以100亿美元估值融资；Skild AI估值超140亿美元，年经常性收入（ARR）达1亿美元，拥有超60家客户。这些竞品多严重依赖真实世界数据，而Machenta认为这是一种陷阱。
Johns指出，单纯堆砌数据无法单独解决通用机器人难题，且行业对所需数据量尚无定论。若模拟技术能填补空白，机器人的经济模型或将迅速重构。相比缓慢昂贵的真实数据采集，模拟技术依赖算力扩展，而算力成本持续下降，这使得小型团队也能训练出具备竞争力的机器人。
本轮融资将主要用于人才招聘、扩充计算能力及生成更多模拟训练数据，旨在攻克更复杂、精确的任务。目前，团队专注于研究，近期无商业化计划，模型早期访问权限尚未开放，但机器人制造商可登记兴趣。
对于工厂和仓库而言，该技术意味着机器臂重编程时间可从数周缩短至几秒。对投资者来说，这也标志着欧洲在实体人工智能领域仍具竞争力。模拟技术能否战胜“蛮力”数据收集尚无定论，但凭借4000万美元资金支持，Machenta已拥有探索答案的关键筹码。