跳转到主要内容

Machenta完成4000万美元种子轮,打造看一次演示即可学会新任务的机器人模型

帝国理工学院衍生公司Machenta完成4000万美元种子轮,由Creandum与Union Square Ventures领投,模型全部在仿真环境中预训练。

Machenta完成4000万美元种子轮,打造看一次演示即可学会新任务的机器人模型

从伦敦帝国理工学院衍生出来的伦敦机器人公司Machenta于2026年10月27日宣布完成4000万美元种子轮融资,由Creandum与Union Square Ventures领投。Tech.eu与帝国理工学院均称这是英国机器人公司迄今规模最大的一轮种子融资。

该公司正在构建一个机器人基础模型:训练一次,随后用于多种任务。真正特别的地方在于训练数据的选择。模型完全使用仿真数据完成预训练,不使用真实世界影像,也不使用人类演示素材。公司表示,这样可以绕开让同行受制的数据隐私与数据获取难题。Machenta称,机器人只要看过一次演示便可立即执行该任务,每项新任务只需一到两次真实演示。团队已展示由单一模型在多种不同机器人本体上完成装箱、装配与归置等日常作业,其中包括人形机器人。精细任务与复杂动作仍然困难。

创始人为联合创始人兼首席执行官Edward Johns教授,他同时担任帝国理工学院计算系机器人学习方向教授;以及该校博士研究生Vitalis Vosylius。帝国理工学院表示,其机器人学习实验室的其他同事也是公司的联合创始人。本轮资金将用于扩大模型规模、采购更多算力、生成更多仿真数据,以及启用位于伦敦国王十字的新办公室与实验室。值得注意的是,Machenta目前仍将自身定位为研究型公司,短期内没有商业化计划。

这轮融资落在硬科技中资金最充裕的一角。Tech Funding News引用Crunchbase的数据称,2026年上半年全球物理人工智能领域的风险投资共计474亿美元,涉及521笔交易。Johns表示:“智能与其说在于你已经会做什么,不如说在于你学会新东西的速度有多快。”Creandum合伙人Kathi Wilhelm表示,一旦机器人能够接住一项新任务并立刻开工,其用处就会大得多;她还补充说,机器人领域极少有团队能拿出可与之相比的研究积累。Union Square Ventures管理合伙人Rebecca Kaden把这项需求概括为:需要一种能像人一样迅速适应的通用人工智能。帝国理工学院负责科研与成果转化的副校长Mary Ryan教授表示,这家公司的早期成绩显示出英国在人工智能驱动机器人领域领先的机会。

对农业科技创业者的意义:农业机器人卡住的地方,往往不是硬件,而是教会机器每一项新作业的成本。每一种作物、每一个品种、每一套棚架、每一块地的布局,实际上都是一项新任务;而采集真实样本的窗口一年只开一次,持续几周,赶上什么天气谁也说不准。这一轮融资要绕过的正是这道约束。由此有三点。第一,如果仿真优先的预训练能在实验室之外站得住脚,那么农业机器人的护城河将不再是多数路演仍在强打的自有田间数据集,而是仿真器与任务库。第二,请您诚实地检查一下,自己的路线图是否假定每种作物都要采集数千次真实演示;这个假设如今是风险,而不是护城河。第三,请留意钱流向了哪里:一家尚无产品的高校衍生公司为模型层拿到4000万美元,而农业专用的应用层只能融到个位数百万美元。这说明,做别人基础模型的最快采用者,往往胜过自己训练一个。请您自问:两年之后,技术栈中的哪些部分您宁愿租用而不是自有。

来源:Tech.eu, https://tech.eu/2026/10/27/london-robotics-startup-machenta-raises-40m-seed-investment/

来源: Tech.eu

Machenta完成4000万美元种子轮,打造看一次演示即可学会新任务的机器人模型

Creandum与Union Square Ventures领投这家从伦敦帝国理工学院衍生出来的公司。其模型完全在仿真环境中完成预训练,不使用任何真实世界数据,也不使用人类演示数据。

作者 Dirk Vandenhirtz

· Deep Tech · Europe · 3 min

从伦敦帝国理工学院衍生出来的伦敦机器人公司Machenta于2026年10月27日宣布完成4000万美元种子轮融资,由Creandum与Union Square Ventures领投。Tech.eu与帝国理工学院均称这是英国机器人公司迄今规模最大的一轮种子融资。

该公司正在构建一个机器人基础模型:训练一次,随后用于多种任务。真正特别的地方在于训练数据的选择。模型完全使用仿真数据完成预训练,不使用真实世界影像,也不使用人类演示素材。公司表示,这样可以绕开让同行受制的数据隐私与数据获取难题。Machenta称,机器人只要看过一次演示便可立即执行该任务,每项新任务只需一到两次真实演示。团队已展示由单一模型在多种不同机器人本体上完成装箱、装配与归置等日常作业,其中包括人形机器人。精细任务与复杂动作仍然困难。

创始人为联合创始人兼首席执行官Edward Johns教授,他同时担任帝国理工学院计算系机器人学习方向教授;以及该校博士研究生Vitalis Vosylius。帝国理工学院表示,其机器人学习实验室的其他同事也是公司的联合创始人。本轮资金将用于扩大模型规模、采购更多算力、生成更多仿真数据,以及启用位于伦敦国王十字的新办公室与实验室。值得注意的是,Machenta目前仍将自身定位为研究型公司,短期内没有商业化计划。

这轮融资落在硬科技中资金最充裕的一角。Tech Funding News引用Crunchbase的数据称,2026年上半年全球物理人工智能领域的风险投资共计474亿美元,涉及521笔交易。Johns表示:“智能与其说在于你已经会做什么,不如说在于你学会新东西的速度有多快。”Creandum合伙人Kathi Wilhelm表示,一旦机器人能够接住一项新任务并立刻开工,其用处就会大得多;她还补充说,机器人领域极少有团队能拿出可与之相比的研究积累。Union Square Ventures管理合伙人Rebecca Kaden把这项需求概括为:需要一种能像人一样迅速适应的通用人工智能。帝国理工学院负责科研与成果转化的副校长Mary Ryan教授表示,这家公司的早期成绩显示出英国在人工智能驱动机器人领域领先的机会。

对农业科技创业者的意义:农业机器人卡住的地方,往往不是硬件,而是教会机器每一项新作业的成本。每一种作物、每一个品种、每一套棚架、每一块地的布局,实际上都是一项新任务;而采集真实样本的窗口一年只开一次,持续几周,赶上什么天气谁也说不准。这一轮融资要绕过的正是这道约束。由此有三点。第一,如果仿真优先的预训练能在实验室之外站得住脚,那么农业机器人的护城河将不再是多数路演仍在强打的自有田间数据集,而是仿真器与任务库。第二,请您诚实地检查一下,自己的路线图是否假定每种作物都要采集数千次真实演示;这个假设如今是风险,而不是护城河。第三,请留意钱流向了哪里:一家尚无产品的高校衍生公司为模型层拿到4000万美元,而农业专用的应用层只能融到个位数百万美元。这说明,做别人基础模型的最快采用者,往往胜过自己训练一个。请您自问:两年之后,技术栈中的哪些部分您宁愿租用而不是自有。

来源:Tech.eu, https://tech.eu/2026/10/27/london-robotics-startup-machenta-raises-40m-seed-investment/

来源: Tech.eu

返回农业科技新闻