雇人煮咖啡，咋就值5亿美元？

把iPhone架在灶台边，戴上触觉手套，往手臂上贴几枚传感器，然后开始煮咖啡。拍完视频上传，Mecka AI付钱。

这家总部在纽约的公司，不造机器人，也不训练模型。它只干一件事：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，它接近完成由红杉资本领投的新一轮融资，估值约5亿美元。

一个没有机器人工程师的采集现场，一个全是跨界选手的创始团队，凭什么让红杉给出这个数？

核心判断就一句：具身智能的竞争焦点，正在从“拼机器人”转向“拼数据”，而人类数据采集正在被众包化。

🎬 一段煮咖啡视频，凭什么值钱

先看这件事本身有多“反直觉”。

Mecka AI的采集点不在实验室里，而是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——家庭主妇、车间工人、化学实验员，现场没有一位机器人工程师。公司2024年注册成立，2025年8月才从隐身状态走出来，一年多时间就跑到了5亿美元估值。

再看资本的动作节奏：2025年8月800万美元种子轮，Neo领投；2025年11月2500万美元A轮；2026年初追加3500万美元；2026年6月1日，Fortune首次把后两笔一并披露为约6000万美元，Framework Ventures领投，Menlo Ventures跟投。三级火箭，一级比一级推力大。

为什么资本愿意追？因为机器人行业卡脖子的不是硬件，是数据。大模型吃掉了互联网文本，具身智能需要的物理世界交互数据几乎为零库存——没有哪个网站上传过“人类如何拧一瓶矿泉水”的三维轨迹。谁来批量生产这类数据，谁就站在价值链上游。

据多位接近人士的说法，圈内对Mecka AI的第一反应不是“技术多牛”，而是“分发能力”——一张全球愿意戴手套干活的众包网络，本身就是壁垒。这和当年Scale AI靠人力标注网络卡住大模型数据命脉，是同一个剧本。

🧤 不用遥操作：把训练范式反过来

金句先行：主流在遥控机器人学人，这四个人的结论是人直接教。

Mecka AI的四位创始人——Josh Gao、Mogen Cheng、Jason Chong、Duy Nguyen——入行时先做了一圈调研。当时行业主流的数据采集方法是遥操作：人用手柄遥控机器人完成任务，重复几千遍，让策略模型从这些轨迹里学。

四个人得出的结论却与之相反：直接拿人干活的记录去训练。Josh Gao的原话是：“当时几乎没有人相信这件事能成。”

两条路线的差异，一张图看懂：

这条路并非孤例。2026年9月14日，Reward AI发布了通用操作策略模型OM-1——完全用人类示范训练，采集工具是一个7自由度穿戴手套，没有任何遥操作数据和机器人本体数据。结果呢？策略在工业机械臂和人形机器人上以人类速度运行，学习一个新任务只需要不到30分钟的数据；配套的电磁手部追踪方案，在67厘米/秒速度下过冲比视觉惯性方案低60%。

两个互不知情的团队，押了同一个方向。这通常意味着范式切换不是赌博，而是产业共识的形成。

产业逻辑很清晰：遥操作需要机器人在场，成本刚性、产能受限；人类示范只需要手套加手机，边际成本可以压到极低，规模上限完全不同。当策略模型已经能从人类数据迁移到机器人本体（OM-1证明了这一点），采集端的形态自然被重构。

📈 6000万美元，三级融资踩着同一批人

Mecka AI的融资节奏值得单独拆开看，因为里面藏着一个细节：前两笔钱到账时，公司一句都没往外说。

两笔合计3500万美元的钱在公司账上躺了小半年，外界一无所知。直到Fortune报道，才一次性披露。这种打法在硅谷越来越常见：先闷头跑出数据，再用数据换估值，而不是用融资新闻换热度。

更耐人寻味的是复投关系。$Jason Chong之前的公司Utopia Labs做链上支付基础设施，2024年底被Coinbase收购。Kindred Ventures领投过Utopia Labs的种子轮，三年后，Kindred又投了Mecka AI。风险投资人在创始人身上下注的延续性，比赛道本身更说明问题。

一位具身智能创业者私下说：“数据这块，大家都在等一个价格锚点。Mecka AI的5亿美元估值，某种程度上就是给全行业的人类数据生意定了价。”

⚠️ 四个外行人，是短板还是底牌

必须直面一个问题：这个团队没有一个机器人背景的人。

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的加密货币交易所被Coinbase收购；Duy Nguyen是四人里唯一的非加拿大籍，早年靠倒卖限量球鞋赚了几百万美元，现在管运营。四人商量过再办一家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——先当学生，再当玩家。

这算短板还是底牌？我的判断是后者，理由有三：

1. 数据采集的本质是运营，不是研发。全球众包网络的招募、培训、质检、结算，考验的是支付公司级别的运营能力，这恰好是四个人的老本行。

2. 没有技术包袱。做了十年遥操作的团队，很难推翻自己的路线图；外行人没有沉没成本，四个人从调研第一天起就得出了反主流结论。

3. 支付基础设施经验可直接复用。给全球散点工人结钱这件事，Utopia Labs的链上支付积累几乎是量身定做。

硅谷投这类团队，投的从来不是技术血统，是执行力加分发能力。当然，硬币的另一面也摆在桌面上——一旦清洗、对齐这些深水区技术成为胜负手，纯运营团队的天花板就会显现。

💡 终局推演：谁掌握数据飞轮，谁定价

把Mecka AI的生意画成飞轮，逻辑就一目了然：

飞轮每转一圈，两条护城河同时加深：一是数据量，二是清洗管线。后者常被忽视，但才是真正的定价权所在——原始视频不值钱，值钱的是能被策略模型直接消费的结构化轨迹。OM-1公布的信息里，权重、代码、API均未公开，各家都把加工能力攥在自己手里。

但有三个隐忧不能不提：

• 信息不透明。红杉这轮金额未披露，条款未最终敲定，公司和红杉资本均未回应。5亿美元估值目前只是媒体报道，不是交割事实。
• 场景落差。普通人厨房里煮咖啡，和产线上0.02毫米的装配公差，是两个世界的数据。家庭场景数据能跑通多少工业场景，仍待验证。
• 范式风险。如果仿真合成数据或世界模型在两三年内大幅降低真机数据需求，这条众包采集路线的估值叙事就要重写。

小结

Mecka AI的故事最值得记下的，不是5亿美元估值，而是分工的重划：有人造机器人，有人训模型，有人专门把人类劳动变成机器的教材。2026年的具身智能，正在复现大模型时代“数据卖水人”的崛起路径。接下来要看的是，飞轮能不能在工业场景里转起来——厨房里的咖啡香，最终要变成车间里的订单，这个估值才算真正落地。