雇人煮咖啡，红杉押了5亿

把iPhone架在灶台边，戴上触觉手套，手臂贴几枚传感器，煮一杯咖啡——拍完上传，钱到账。

这不是什么短视频兼职，而是一家公司商业模式的核心环节。Mecka AI，一家纽约公司，不做机器人本体，不训练模型，只干一件事：把人在真实环境里干活的过程录下来，加工成机器人能学的数据。

2026年9月11日，TechCrunch报道，Mecka AI接近完成由红杉资本领投的新一轮融资，估值约5亿美元。金额未披露，条款未最终敲定，公司和红杉均未回应。

一个不造机器人的公司拿到5亿美元估值，这件事本身就是信号：具身智能的竞争，已经从本体硬件的上半场，打到了数据基础设施的下半场。

🎬 厨房里长出的数据工厂

最贵的训练数据，可能长在你家厨房里。

传统具身智能公司采集数据的画面是这样的：实验室里，工程师握着手柄遥操作机械臂，一遍遍重复抓取动作，重复几千遍，让策略模型从这些轨迹里学。

Mecka AI的画面完全不同：它的采集点散布在世界各地的厨房、车间和化学实验室，干活的都是普通人，现场没有一位机器人工程师。戴触觉手套、贴传感器、多机位录制，然后上传，平台付钱。

这个差别的本质，是数据分布的差别。实验室里遥操作出来的轨迹，是“机器人在受控环境下的行为”；而人煮咖啡、拧螺丝、做化学实验的记录，是“任务在真实环境下的原生分布”——光照、物体摆放、力度习惯、失误与纠正，全都是实验室里造不出来的。

Mecka AI总部在纽约，2024年注册成立，2025年8月才从隐身状态走出来。它给自己的定位不是机器人公司，而是数据公司：上游连接愿意出卖操作过程的普通人，下游交付机器人公司能直接吃的训练数据。

产业逻辑很直白：机器人公司最缺的不是机械臂，是数据。当“本体”越来越同质化，谁掌握真实场景数据的生产线，谁就站在这条产业链上最不容易被替代的位置。一级市场的钱，显然是这么读的。

🃏 四个不懂机器人的赌徒

颠覆一个行业的，往往不是行业里的人。

Mecka AI的创始团队有四个人：Josh Gao和Mogen Cheng是加拿大人，2023年卖掉了两人创办的餐饮支付公司；Jason Chong之前的加密货币交易所被Coinbase收购，他跟着进了Coinbase——那家公司叫Utopia Labs，做链上支付基础设施，2024年底被收购，领投过它种子轮的Kindred Ventures，三年后又投了Mecka AI。第四个人Duy Nguyen早年靠倒卖限量球鞋赚了几百万美元，现在管运营。

四个人里，没有一个做过机器人。

据Josh Gao的公开说法，四人当时商量过再办一家fintech，最后决定去看看计算能力接下来会流向哪里，落在了机器人的数据基础设施上。接下来几个月，他们读论文、跑机器人实验室、在社交媒体上给机器人研究者发私信。

当时主流是遥操作。四人得出的结论却相反：直接拿人干活的记录去训练。Gao回忆：“当时几乎没有人相信这件事能成。”

外行的偏见，在这里反而成了优势。fintech出身的人天然理解支付网络——众包采集本质上就是一套“任务分发+验收+结算”系统，球鞋倒卖者的选品直觉，则对应着“哪些真实任务最有训练价值”的判断。懂机器人的人在做实验，不懂机器人在做网络。

融资节奏也说明了市场态度的转变速度：

注意一个细节：种子轮之后的两笔融资，当时都没有对外公布，直到2026年6月1日Fortune首次报道才一并披露。闷声拿钱、快速加注，这是典型的基础设施型公司打法——先铺网络，再讲故事。

⚔️ 和遥操作抢饭碗的路线之争

遥操作是让机器人学人，人类直采是让真人教机器人——一字之差，成本天壤。

把两条路线摆在一起看，差别一目了然：

遥操作路线的问题很实际：一台机器人、一个操作员、一个场地，才产一条数据流，规模化成本极高。而众包人类数据的边际成本低得多——世界各地的厨房就是天然的分布式采集站。

当然，问题也 equally 实际：人手有五根手指、几十个自由度，商用夹爪和灵巧手不是。人类视频里的动作，机器人本体能不能直接执行？这是悬在所有“人类数据”公司头上的第一问。

🔬 OM-1，路线可行性的关键证词

路线之争，从来不靠口水，靠结果。

2026年9月14日，Reward AI发布了OM-1（Omnibody Model 1），这可能是对“人类直采”路线最重要的一次验证。

OM-1是一个通用操作策略模型，训练数据完全来自人类演示——用7自由度穿戴手套采集，没有任何遥操作数据，也没有任何在机器人本体上采的数据。它的成绩单包括：策略运行在工业机械臂和人形机器人上，速度达到人类水平；从不足30分钟的数据里学会一个新任务。

底层技术上有两个细节值得注意：一是电磁手部追踪，在67 cm/s的速度下，过冲比视觉惯性方案低60%，意味着人类手部动作的捕捉精度上了一个台阶；二是一个RL训练的控制层，按自己的时钟独立运行，把“感知-决策”和“底层控制”解耦。

数据管线的逻辑可以画成一张图：

OM-1的意义在于：它证明了“纯人类演示”这条路至少能走到“工业臂和真人同速操作”这一步。对Mecka AI们来说，这是梦寐以求的第三方背书——路线没死，而且有人跑通了。

但也要泼半盆冷水：Reward AI目前没有公开任何权重、代码或API。所有结论都来自官方发布和第三方媒体转述，学术级的可复现验证还没有。路线可行性成立，工程上限在哪，仍是开放问题。

💰 5亿美元买的不是公司，是卡位

具身智能的估值表上，本体在贬值，数据在升值。

一年之内，从800万美元种子轮到约5亿美元估值，Mecka AI的估值曲线比绝大多数机器人本体公司都陡。为什么？

第一，数据是所有机器人公司都绕不开的采购项。本体市场上有Figure、特斯拉们互相竞争，但无论哪家赢，都得买训练数据。数据基础设施是“卖铲子”的生意，客户之间打得越凶，铲子越好卖。

第二，众包网络一旦铺开，会形成飞轮：越多贡献者参与，数据覆盖的真实场景越广；数据越好，下游模型效果越好；模型越好，越吸引资金和客户，反过来扩大采集网络。这类网络型生意的估值逻辑，本来就按平台而非按项目算。

第三，也是一级市场私下里讨论最多的一点：具身智能赛道经过两年的本体军备竞赛，投资人普遍意识到，卡住行业的是数据，不是机器人。谁在数据侧提前占住位置，谁就拿到下一阶段的入场券。红杉在这个位置出手，买的是“具身智能数据层默认选项”的可能性。

⚠️ 飞轮还是故事，取决于三个坎

飞轮转起来是护城河，转不起来就是故事。

冷静下来看，Mecka AI模式面前至少有三道坎。

第一道是跨本体迁移。人类视频到机器人执行之间隔着本体差异，OM-1证明了可行性，但那是Reward AI自家的手套方案和模型栈。Mecka AI作为数据供应商，能否让数据适配多种本体，直接决定其客户价值。

第二道是质量与激励。众包意味着采集者水平参差、场景不可控。煮咖啡拍砸了可以重拍，化学实验室的操作如果录错，污染的是整个数据集。支付、验收、质检系统的工程难度，不比训模型低——这恰好是fintech团队的强项，但也需要补机器人领域的课。

第三道是验证缺失。目前关于Mecka AI的关键信息——融资条款、数据规模、下游客户效果——要么未披露，要么来自媒体转述，公司官方始终沉默。一家数据公司最终要靠“客户用它的数据训出了什么”来说话，这个故事还远没到验收的时候。

但方向大概率是对的。当具身智能从实验室走向真实世界，数据的稀缺性只会加剧，不会缓解。谁能把“人类的日常劳动”变成一条稳定、廉价、可规模化的数据生产线，谁就握住了这个行业的上游阀门。

写在最后

回头看这盘棋：四个不懂机器人的人，卖掉支付公司，赌“计算能力会流向机器人数据”，一年多时间从隐身到5亿美元估值。他们赌的不是某家机器人公司赢，而是“所有机器人公司都需要人类数据”这个底层判断。

OM-1的出现，给这个判断补上了第一块硬证据。接下来要看的，是数据飞轮能不能真的转起来——当越来越多的厨房架起iPhone，机器人学会的就不只是煮咖啡，而是一整套从人类世界搬运技能的工业体系。

上半场拼本体，下半场拼数据。这半场，才刚刚开哨。