Mecka AI 正尝试把人类日常操作变成机器人训练素材。Sequoia Capital 合伙人、《Training Data》主持人 Sonya Huang 在2026年10月20日发布的访谈介绍中,讲述了这家公司的采集路线:先让人们用手机应用记录做饭,再开发手套,以补充视频难以直接提供的接触力度信息。
节目《Training Data》的官方介绍将受访者 Josh Gao 列为 Mecka AI 创始人兼 CEO。他讨论的核心问题是训练数据从哪里来。Huang 认为,机器人面临数据飞轮的冷启动难题,缺少大语言模型曾利用的海量现成互联网文本。这里的第一视角数据,指从操作者视角记录人们完成真实任务的过程。
按节目官方介绍对 Gao 观点的概述,一种正在形成的训练组合包含约100万小时人类第一视角数据、数万小时机器人数据,以及几小时目标任务场景内的遥操作数据。这是受访厂商负责人讨论的近似量级,没有给出采样权重或最优性对照,不能据此计算 Mecka 已采集、持有或交付了多少数据,也不能视为全行业统一配方。遥操作是由人控制真实机器人完成示范,在这个组合中提供与目标任务直接相关的机器人记录。
视频与动作之间仍有距离。Huang 用抓鸡蛋举例:看到手如何移动,并不等于知道该用多大力,她称 Mecka 为此开发了手套。但她同时写道,访谈讨论的训练组合尚未纳入触觉与模拟数据。手套的开发因此不能被理解为触觉数据已经进入这一组合,更不能据此判断它提高了多少任务成功率。
已有研究说明,把人的记录变成机器人可用的样本,需要处理额外信息。UMI 论文介绍的手持夹爪框架结合动作轨迹表示和部署时延匹配,支持人类示范向机器人策略迁移;EgoMimic 则使用第一视角视频、三维手部追踪和设备定位数据,构造兼容机器人模仿学习的记录。这些方法提供了技术背景,尚不能替 Mecka 的采集设备或商业数据证明效果。
Mecka 参与的 EgoVerse 合作研究给出了更具体的成立条件:作者报告,在其共同训练实验中,扩大人类数据带来的正向收益,依赖训练中包含任务语义与场景背景相匹配的人类—机器人数据。这一结论限定于论文研究设置,但提示了一个值得关注的问题:新增记录能否帮助机器人完成目标任务,不能只用累计时长判断。
Mecka 官网列出的合作方式包括数据集访问、按任务委托采集、模型评估,以及覆盖不同环境的完整数据项目。由此看,这条路线的商业机会可能延伸到任务组织、数据处理和评估服务。它能否降低客户训练与部署的成本,仍需要采购案例、训练对照和成本数据支持。
这场访谈也有需要交代的机构关系:《Training Data》由 Sequoia Capital 出品,Mecka 官网称其6000万美元 B 轮融资由 Sequoia 领投。节目呈现了公司对机器人数据市场的判断,其介绍不构成独立产品评测。
参考来源:
- Sonya Huang 在 X 发布的 Mecka 访谈介绍(2026年10月20日)
- Apple Podcasts:《Training Data》节目页及 Josh Gao 访谈介绍
- Mecka 官方网站:数据服务、部署定位与 B 轮融资声明
- UMI 论文:Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots
- EgoMimic 论文:Scaling Imitation Learning via Egocentric Video
- EgoVerse 论文:An Egocentric Human Dataset for Robot Learning from Around the World
