Mecka AI, a startup that collects and analyzes human motion data to train humanoid robots and other machines, is nearing a new funding round led by Sequoia Capital at a valuation of roughly $500 million, according to a TechCrunch report citing two people with knowledge of the deal. The financing would come just three months after the company announced a $60 million round led by Framework Ventures.
The exact size of the new round has not been disclosed, and TechCrunch noted that terms are not final and could still change. Mecka AI did not respond to a request for comment, and Sequoia declined to comment. For more on the money flowing into AI startups, follow our startup and venture capital coverage.
From Fintech Founders to Robot Data
Mecka AI was co-founded in 2024 by four entrepreneurs: Canadians Josh Gao and Mogen Cheng, who previously built a restaurant fintech startup; Jason Chong, who joined Coinbase after it acquired his crypto exchange; and Duy Nguyen, who focuses on operations. None of the four come from robotics — but they spotted a bottleneck that has become one of the industry's most valuable problems.
The company's name derives from "mecha," the fictional genre of giant robots controlled by humans, and its business model follows the same logic that built the data-labeling giants of the language model era. Mecka pays people to record themselves performing everyday tasks — making coffee, fixing cars — using body sensors and smartphones, capturing what the industry calls "egocentric" data: real-world human motion from the performer's point of view.
That data is then sold to robotics companies and AI labs training general-purpose and humanoid robots, alongside other physical data collection methods such as teleoperation. In effect, Mecka is trying to do for robotics what Scale AI, Mercor, Surge and other human data companies did for large language models.
Revenue Growth Caught Sequoia's Attention
The financial trajectory explains the premium valuation. As of early June, Mecka was projecting it would end 2026 at an annual run rate of $100 million, co-founder Josh Gao told Fortune when the company announced its previous fundraise. For a company founded in 2024, reaching a nine-figure revenue run rate within two years — if achieved — would put it among the fastest-scaling companies in the physical AI supply chain.
The $60 million round announced in June was led by Framework Ventures with participation from Menlo Ventures, SV Angel and Kindred Ventures. A Sequoia-led round at roughly eight times that valuation inside three months would mark one of the steepest valuation climbs in the sector this year.
The Physical Data Gold Rush
Mecka is not alone in betting that real-world data is the scarce resource of the robotics era. TechCrunch reported last week that XDOF, another startup collecting real-world data for robot training, is nearing a new round at a $1.2 billion valuation. Meanwhile, human-data platforms built for LLMs — including Scale AI and Micro1 — are expanding beyond language data into physical-world collections.
The rush reflects a structural gap: while text and images exist on the internet in nearly unlimited quantities, nobody has recorded the physical world at scale. Humanoid robot makers need millions of hours of demonstrations of humans doing ordinary tasks — folding laundry, assembling furniture, operating machinery — to teach their machines dexterity, balance and judgment. Capturing that data with motion sensors and cameras is currently one of the only scalable methods, which is why investors are pricing these companies like infrastructure rather than tools.The egocentric approach Mecka uses has distinct advantages over alternatives. Teleoperation, where a human pilots a robot arm remotely and logs the movements, produces data tied to a specific robot's geometry, which makes it expensive to reuse across hardware generations. Motion capture from wearable sensors, by contrast, is hardware-agnostic: a recording of a mechanic rebuilding an engine is useful whether the customer trains a humanoid, an industrial arm, or a quadruped. It is also far cheaper to scale, since anyone with a smartphone and a sensor kit can become a contributor — the same crowdsourcing logic that let labeling platforms assemble workforces of thousands overnight.
ਅਰਥ ਸ਼ਾਸਤਰ ਵੀ ਭਾਸ਼ਾ-ਮਾਡਲ ਯੁੱਗ ਨੂੰ ਘੱਟ ਆਰਾਮਦਾਇਕ ਢੰਗ ਨਾਲ ਦਰਸਾਉਂਦਾ ਹੈ। LLM ਬੂਮ ਵਿੱਚ ਡਾਟਾ ਕੰਪਨੀਆਂ ਨੇ ਖੋਜ ਕੀਤੀ ਕਿ ਉਹਨਾਂ ਦੇ ਗਾਹਕ - ਲੈਬ - ਉਹਨਾਂ ਦੇ ਸਭ ਤੋਂ ਸਮਰੱਥ ਸੰਭਾਵੀ ਪ੍ਰਤੀਯੋਗੀ ਵੀ ਹਨ, ਜਿਨ੍ਹਾਂ ਕੋਲ ਘਰ-ਘਰ ਵਿੱਚ ਸੰਗ੍ਰਹਿ ਹਥਿਆਰਾਂ ਨੂੰ ਬਣਾਉਣ ਲਈ ਸਰੋਤ ਹਨ। ਰੋਬੋਟਿਕਸ ਲੈਬਾਂ ਪਹਿਲਾਂ ਹੀ ਖਰੀਦੇ ਪ੍ਰਦਰਸ਼ਨਾਂ 'ਤੇ ਆਪਣੀ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾਉਣ ਲਈ ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਵੀਡੀਓ-ਲਰਨਿੰਗ ਪਾਈਪਲਾਈਨਾਂ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰ ਰਹੀਆਂ ਹਨ। ਆਵਰਤੀ ਡੇਟਾ ਦੀ ਮੰਗ ਅਤੇ ਗਾਹਕਾਂ ਦੇ ਵਿਘਨ ਦੇ ਵਿਚਕਾਰ ਇਹ ਤਣਾਅ ਇਹ ਆਕਾਰ ਦੇਵੇਗਾ ਕਿ ਕੀ ਅੱਜ ਦੇ ਡੇਟਾ ਮੁੱਲਾਂਕਣ ਹਨ.
ਕੀ ਦੇਖਣਾ ਹੈ
ਸੌਦਾ ਬੰਦ ਨਹੀਂ ਹੋਇਆ ਹੈ, ਅਤੇ ਦੋਵਾਂ ਧਿਰਾਂ ਨੇ ਰਿਕਾਰਡ 'ਤੇ ਟਿੱਪਣੀ ਕਰਨ ਤੋਂ ਇਨਕਾਰ ਕਰ ਦਿੱਤਾ ਹੈ। ਪਰ ਜੇ ਇਹ ਰਿਪੋਰਟ ਕੀਤੀਆਂ ਸ਼ਰਤਾਂ ਦੇ ਨੇੜੇ ਪੂਰਾ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਰੋਬੋਟਿਕਸ ਡੇਟਾ ਸੈਕਟਰ ਨੇ ਇੱਕ ਹਫ਼ਤੇ ਵਿੱਚ ਦੋ ਨੌ-ਅੰਕੜੇ ਦੇ ਮੁੱਲਾਂਕਣ ਤਿਆਰ ਕੀਤੇ ਹੋਣਗੇ, ਜੋ ਇਸ ਗੱਲ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹਨ ਕਿ ਮੰਗ ਦਾ ਝਟਕਾ ਹਿਊਮਨਾਈਡ ਹਾਰਡਵੇਅਰ ਤੋਂ ਬਦਲ ਗਿਆ ਹੈ - ਜਿੱਥੇ ਫਿਗਰ, ਟੇਸਲਾ ਅਤੇ ਯੂਨਿਟਰੀ ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਮੁਕਾਬਲਾ ਕਰਦੀਆਂ ਹਨ - ਉਹਨਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਵਾਲੇ ਡੇਟਾ ਲਈ ਇੱਕ ਪਰਤ ਹੇਠਾਂ।
ਇਹ ਸਵਾਲ ਵੀ ਉਠਾਉਂਦਾ ਹੈ ਕਿ ਹਰ ਡੇਟਾ ਵਿਚੋਲੇ ਨੂੰ ਆਖਰਕਾਰ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ: ਕੀ ਡੇਟਾ ਖਰੀਦਣ ਵਾਲੀਆਂ ਲੈਬਾਂ ਵਿਚੋਲਿਆਂ ਨੂੰ ਭੁਗਤਾਨ ਕਰਦੀਆਂ ਰਹਿਣਗੀਆਂ, ਜਾਂ ਮਾਰਕੀਟ ਦੇ ਪਰਿਪੱਕ ਹੋਣ ਦੇ ਨਾਲ-ਨਾਲ ਘਰ-ਘਰ ਭੰਡਾਰ ਲਿਆਏਗੀ। ਹੁਣ ਲਈ, ਪੈਸਾ ਕਹਿੰਦਾ ਹੈ ਕਿ ਰੁਕਾਵਟ ਅਸਲ ਅਤੇ ਵਿਗੜ ਰਹੀ ਹੈ - ਅਤੇ ਇਹ ਕਿ ਨਿਵੇਸ਼ਕ ਇਸ ਨੂੰ ਬੰਦ ਕਰਨ ਵਾਲੇ ਲਈ ਭੁਗਤਾਨ ਕਰਨ ਲਈ ਤਿਆਰ ਹਨ.
---
AI ਤੋਂ ਅੱਗੇ ਰਹੋਨਵੀਨਤਮ AI ਖਬਰਾਂ, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸਫਲਤਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰੋ - ਸਭ ਇੱਕ ਥਾਂ 'ਤੇ।
ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ →
