Mecka AI, стартап, який збирає та аналізує дані про рух людини для навчання роботів-гуманоїдів та інших машин, наближається до нового раунду фінансування під керівництвом Sequoia Capital за оцінкою приблизно в 500 мільйонів доларів, згідно зі звітом TechCrunch із посиланням на двох людей, які знають про угоду. Фінансування надійде лише через три місяці після того, як компанія оголосила про виділення 60 мільйонів доларів під керівництвом Framework Ventures.
Точний розмір нового раунду не розголошується, і TechCrunch зазначив, що умови не остаточні та можуть змінитися. Mecka AI не відповіла на запит про коментарі, а Sequoia відмовилася від коментарів. Щоб дізнатися більше про гроші, що надходять у стартапи зі штучним інтелектом, слідкуйте за нашим висвітленням стартапів і венчурного капіталу.
Від засновників Fintech до Robot Data
Mecka AI була співзасновником у 2024 році чотирма підприємцями: канадцями Джошем Гао та Могеном Ченгом, які раніше створили ресторанний фінтех-стартап; Джейсон Чонг, який приєднався до Coinbase після того, як вона придбала його криптобіржу; і Дуй Нгуєн, який займається операціями. Жоден із чотирьох не походить із робототехніки, але вони помітили вузьке місце, яке стало однією з найцінніших проблем галузі.
Назва компанії походить від «mecha», вигаданого жанру гігантських роботів, якими керують люди, і її бізнес-модель слідує тій самій логіці, що побудувала гігантів маркування даних епохи мовної моделі. Mecka платить людям за те, щоб вони записували себе під час повсякденних завдань — приготування кави, ремонт автомобілів — за допомогою датчиків тіла та смартфонів, фіксуючи те, що індустрія називає «егоцентричними» даними: рухи людини в реальному світі з точки зору виконавця.
Ці дані потім продаються робототехнічним компаніям і лабораторіям штучного інтелекту, які навчають роботів загального призначення та гуманоїдних роботів, поряд з іншими фізичними методами збору даних, такими як дистанційна робота. По суті, Mecka намагається зробити для робототехніки те, що зробили Scale AI, Mercor, Surge та інші компанії, що працюють з людьми, для великих мовних моделей.
Зростання доходу привернуло увагу Sequoia
Фінансова траєкторія пояснює преміальну оцінку. Станом на початок червня Mecka передбачала, що до кінця 2026 року щорічний прибуток досягне 100 мільйонів доларів США, сказав співзасновник Джош Гао Fortune, коли компанія оголосила про попередній збір коштів. Для компанії, заснованої у 2024 році, досягнення дев’ятизначного показника доходу протягом двох років — якщо це буде досягнуто — поставить її в число компаній, які найшвидше розвиваються в ланцюжку постачання фізичного ШІ.
Раунд у розмірі 60 мільйонів доларів, оголошений у червні, очолював Framework Ventures за участі Menlo Ventures, SV Angel і Kindred Ventures. Раунд під керівництвом Sequoia приблизно у вісім разів перевищує оцінку протягом трьох місяців ознаменував би одне з найкрутіших підйомів оцінки в секторі цього року.
Золота лихоманка фізичних даних
Мека не єдиний, хто вважає, що реальні дані є дефіцитним ресурсом ери робототехніки. Минулого тижня TechCrunch повідомляв, що XDOF, ще один стартап, який збирає реальні дані для навчання роботів, наближається до нового раунду з оцінкою в 1,2 мільярда доларів. Тим часом платформи людських даних, створені для магістерів права, включаючи Scale AI і Micro1, виходять за межі мовних даних у колекції фізичного світу.
Поспіх відображає структурний розрив: хоча текст і зображення існують в Інтернеті майже в необмеженій кількості, ніхто не записав фізичний світ у масштабі. Виробникам гуманоїдних роботів потрібні мільйони годин демонстрації людей, які виконують звичайні завдання — складання білизни, складання меблів, керування механізмами — щоб навчити свої машини спритності, рівновазі та розсудливості. Отримання цих даних за допомогою датчиків руху та камер наразі є одним із небагатьох масштабованих методів, тому інвестори оцінюють ці компанії як інфраструктуру, а не як інструменти. Егоцентричний підхід, який використовує Mecka, має явні переваги перед альтернативами. Телеоперація, коли людина дистанційно керує рукою робота та реєструє рухи, виробляє дані, прив’язані до конкретної геометрії робота, що робить його повторне використання дорогим для різних поколінь обладнання. Захоплення руху за допомогою носимих датчиків, навпаки, не залежить від апаратного забезпечення: запис механіка, який відновлює двигун, корисний незалежно від того, тренує клієнт гуманоїда, промислову руку чи чотирилапого. Це також набагато дешевше масштабувати, оскільки кожен, хто має смартфон і комплект датчиків, може стати учасником — та сама логіка краудсорсингу, яка дозволяє платформам маркування миттєво зібрати робочу силу з тисяч людей.
Економіка також відображає епоху мовної моделі менш комфортним способом. Компанії, що працюють з даними в період буму LLM, виявили, що їхні клієнти — лабораторії — також є їхніми найбільш здібними потенційними конкурентами, маючи ресурси для створення власних озброєнь для збирання. Лабораторії робототехніки вже експериментують із конвеєрами симуляції та відеонавчання, щоб зменшити свою залежність від придбаних демонстрацій. Ця напруга між повторюваним попитом на дані та відмовою клієнта від посередництва вплине на те, чи витримають сьогоднішні оцінки даних.
Що подивитися
Угода не закрита, і обидві сторони відмовилися коментувати запис. Але якщо він завершиться близько до повідомлених термінів, сектор даних робототехніки дасть дві дев’ятизначні оцінки за один тиждень, підтверджуючи, що шок попиту перемістився з гуманоїдного апаратного забезпечення — де конкурують такі компанії, як Figure, Tesla та Unitree — на один рівень вниз до даних, які їх навчають.
Це також викликає питання, з яким зрештою стикається кожен посередник даних: чи будуть лабораторії, які купують дані, продовжувати платити посередникам, чи збиратимуть дані власними силами, коли ринок розвиватиметься. Наразі гроші свідчать, що вузьке місце є реальним і погіршується — і що інвестори готові заплатити за того, хто його закриє.
---
Будьте попереду ШІОтримуйте останні новини штучного інтелекту, аналіз і прориви — усе в одному місці.
Читати більше новин AI →
