Maxinsights 募 3,000 萬美元，把真實工作影片煉成機器人訓練資料

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

2026 年 10 月 22 日，做機器人訓練資料的 Maxinsights 同步做了兩件事：在 Business Wire 發出完整新聞稿，創辦人 Yuguang Yuan 在 X 上宣佈 3,000 萬美元種子輪，由 Peak XV 領投，Tola Capital、South Park Commons、INCE Capital 與 Alumni Ventures 參投，同場推出資料品質系統 MaxLoop 與觸力感測手套 MaxGlove。整份新聞稿讀下來，這筆錢押的路線可以一句話講完：把品質控制當工程問題處理，取代把它當人力成本。但要提醒的是，公告裡每個數字都出自公司自述，新聞稿自己就有至少三處前後不一致，兩個採用宣稱都印在公告本身，其中 Genesis 一案另獲其共同創辦人的引句背書，再往外就沒有可驗證的東西了。

Pin

三千萬美元種子輪，投資人名單與團隊來歷

Maxinsights 對自己的定位是實體 AI 的資料層：付費請原本就在做家事、餐廳與旅館工作的人，配戴公司自製的攝影設備，以第一人稱視角錄下自然速度的工作畫面，再把拍攝、檢查、標記、篩選到交付整段流程留在公司內部。這門生意賣的產品只有一種：模型可以拿去訓練的紀錄。創辦人在 X 的開場白寫得直白：機器人靠看人工作來學習，而它們看的大部分素材是擺拍出來的。

Pin

新聞稿對同業的描述也圍繞同一個對比：競爭者把任務搬進擬真環境擺拍，還請操作員放慢手速，讓畫面更容易處理。Maxinsights 選的是反方向，在家戶、餐廳與旅館錄下真實速度的工作，讓模型持續遇到沒排練過的場面。Genesis AI 共同創辦人 Johnson Wang 在同稿的說法可以當側證：機器人需要從日常生活的複雜與變化中學習，只有精心控制的資料集給不了這些。Yuan 自己的講法更狠：機器人被部署進真實廚房而非攝影棚，意外每幾分鐘就發生一次，邊角案例就是本業，取得它們的唯一辦法是錄下真實場域裡的真實工作。

團隊來歷全部出自新聞稿自述。Yuguang Yuan 之前共同創辦工業機器人公司 Mega Gear Robotics，該公司已被收購；更早在 Eaton 帶約 1.5 億美元年營收、超過 1,500 人的產品部門，公司稱他是最年輕的執行團隊成員。共同創辦人暨技術長 Kun Wang 是 Google X 與 Waymo 的早期工程師，之後共同創辦自駕公司 QCraft，成長為逾千人的獨角獸，自駕技術部署超過一百萬輛車。新聞稿標題直接以「Waymo、Google 與 Microsoft 老兵」稱呼這批人，內文另提團隊還有來自 Meta 與 Hulu 的工程師，來源同樣是這份新聞稿。

投資人端，Peak XV 董事總經理 Rohit Agarwal 的引句等於替這輪資金選了主軸：這個類別裡幾乎每家公司都在賣小時數，只有 Maxinsights 把品質控制當工程問題而非人事成本來處理。投資人發言當然是立場表態，但它標出了這家公司自認的分界。產業背景可加一句定位：Crunchbase 統計 2026 上半年實體 AI 創投總額 474 億美元、共 521 件，這個數字我在 Crunchbase 原文逐字核對過。同期機器人圈的資金消息，也可以對照 Formic 用產線紀錄募得 5,000 萬美元的案子。

MaxLoop 把採集回饋壓到當天，八成與九成是兩種口徑

MaxLoop 是這次發表的軟體主角，新聞稿把它描述為片段一抵達就評分的系統，讓採集者在下一次錄製前知道哪段內容要修正。改變的是回饋時間：過去要等一至兩週才拿得到的意見，現在當天送達。縮短的是錯誤拍攝方式被持續沿用的時間，審查工作本身並沒有消失。檢查的項目也不只看影像清不清楚，還包含任務是否完成、關鍵內容是否可見、不同訊號是否同步，以及附帶的詮釋資料是否完整。

為什麼一般標記工具撐不住這種素材，新聞稿給出的場景很具體：手會被物體遮住、同一個畫面出現多人的手、採集者戴手套或戒指、快速動作造成模糊。手部追蹤一旦抓錯，後續對拿取、接觸與操作順序的標記就跟著偏離實際工作。Maxinsights 的解法是用自己收來的自然工作畫面訓練手部追蹤模型，再放進品質評分流程；同一批模型也從每小時影片抽出姿態、物件狀態、接觸與受力等訊號，讓一段影片能教模型的東西變多。

成效數字需要拆開讀。新聞稿本文寫審查成本下降約八成，開頭的要點列卻寫人工審查團隊縮減九成。成本與人數是不同的度量，把較大的數字直接當成每段影片處理費用的降幅，是讀者最容易踩的坑。公司同時自述每月處理 45 萬小時，但沒有附上相同條件的成本明細。這些數字能解釋公司為何自建審查系統，換算不成客戶買資料會便宜多少。Yuan 對這件事還有一句總結：收一小時好資料很容易，難的是在數百萬小時與數千人的規模上守住品質，這家公司就是為此而建。把這句話反過來讀，也能看出 MaxLoop 的自述數字量的是「守住品質的成本」，而非資料本身的價值。

Pin

MaxGlove 補相機看不到的力覺，百萬小時是目標

視覺看得到手伸向杯子，看不到手指有沒有抓穩、表面是否正在滑動、物體對動作給了多少阻力。MaxGlove 記錄的就是這一層：握持的力道、物件的重量、接觸過程如何變化。它與 Genesis AI 共同開發，沿既有的採集網部署。只有力的紀錄，模型不知道當下在執行什麼動作；只有影片，又缺了接觸的訊號，兩種資料要能對上同一段工作才有用。新聞稿的說法是，力與扭矩訊號能揭露接觸、壓力、阻力與滑動，讓機器人判斷是否已穩固抓取、該施加多少力、何時該調整，這些都是畫面給不了的答案。

新聞稿對力覺資料的論述有個可檢驗的斷言：還沒有任何公司示範過真正可規模化的受力資料收集方式。理由是現有設備需要冗長或反覆的校正，而該公司的裝置能整合進第一人稱採集系統、在多種環境穩定部署。對市面上既有手套的批評是需要長校正週期，每天只有 10 到 20 分鐘的可用擷取量。這些都是單方說法，沒有第三方測試佐證。MaxGlove 本身的感測規格與量測精度並未揭露，新聞稿給出的目標是 2027 年收集 100 萬小時受力資料。

目標與庫存必須分開看：公司宣稱的 200 萬小時都是影片，受力資料是從零開始衝的新庫存，兩者不能相加，公告也未列出任何已收集的受力小時數。手套能不能穩定量產、校正週期到底多短、資料能不能對上客戶的學習問題，這些都寫在未來幾季的帳上。

兩百萬與一百五十萬小時之間，才是這門生意的本體

公司自述已收集超過 200 萬小時，其中 150 萬小時整理成模型可用的形式、可立即交付。兩個數字的距離就是這門生意的工作所在：原始影片要經過環境、任務、子任務與指令四層標記，補上手部姿態、身體動作與物件互動，才能依任務、場景、地理或行為條件被檢索與選用。交付可以是原始或處理過的版本，客戶與模型的回饋再回頭塑造下一輪收集的方向，讓採集朝資料缺口補，而非跟著採集者當下方便做什麼走。

Pin

「模型可用」也不是通用認證。不同團隊需要的場景、動作標記與品質門檻不同，供應商交付資料，不代表任何模型放進去都得到相同效果。判斷資料價值時，有用的問題向來不是總時數排行，而是自己要學的行為，在庫存裡有沒有夠多且可辨識的例子。Agarwal 引句裡「大家在賣小時數」的批評，對應的正是這種以時數為單位的採購習慣。

採集端的規模，新聞稿出現兩個版本。本文寫超過 5,000 名約聘採集者、分佈在六個國家，透過各地的派遣公司招募但由 Maxinsights 直接管理；結尾的公司簡介卻寫採集範圍跨八個國家。同一份文件前後不一，外部無法判斷哪個數字較新或較準。可以確認的落點是：總部在加州 Santa Clara，中國與印尼設有辦公室，土耳其與墨西哥在籌備中。

GENE-26.5 與 Dyna-2 的採用證據，證明到哪裡為止

採用面有兩個具名個案，值得逐字對照。新聞稿本文寫，Genesis AI 的 GENE-26.5 所用 20 萬小時第一人稱資料，全部由 Maxinsights 獨家提供；同稿裡 Johnson Wang 的引句卻寫，Genesis 26.5 專注於人們自然執行日常任務的畫面，其中許多資料由 Maxinsights 提供。「全部獨家」與「其中許多」就印在同一份新聞稿上，全稱宣稱與部分措辭之間的張力，外部無法裁決，只能如實並列。

另一個案寫 Maxinsights 是 Dyna-2 最大的資料供應商。最高級不等於獨家，Dyna-2 的訓練素材顯然還有其他來源。客戶面公司自述服務超過 30 家、其中 8 家簽持續合約，對象含前沿 AI 實驗室與基礎模型公司，但沒有營收數字，也沒有合約金額。持續合約能說明需求存在且重複發生，說明不了任何一家的模型表現該歸因給誰。資料進入訓練流程，與資料替模型增加了多少能力，中間隔著訓練方法、資料配比與評估設計；沒有消融實驗，就無法把模型表現歸因給任何一家供應商。想看機器人基礎模型這一年的其他進展，可以接著讀 Odyssey-3 用一個世界模型同時驅動汽車與人形機器人的整理。

還沒確定的事，與值得回查的三個時點

這次公告確定的部分：金額、領投與參投名單、兩項產品的存在與定位、兩個採用個案的宣稱內容。未確定的部分更長：MaxGlove 的規格與精度、審查成本數字的計算條件、採集國家到底是六還是八、30 家客戶的組成與合約規模、受力資料何時開始量產。這些缺口不是瑕疵清單，而是之後追蹤這家公司兌現程度的現成指標。

回查可以盯三個時點：2027 年受力資料是否朝 100 萬小時推進、土耳其與墨西哥辦公室是否開張、Genesis 後續模型版本是否把受力訊號寫進訓練說明。需要自然情境資料的團隊，現在能做的檢查是先問自己要補的是場景、標記還是接觸訊號，再向供應商要對應的樣本與交付格式。受控環境有 NEURA 的 RoboGym 訓練工廠那條路，自然情境則要看採集網的覆蓋與標記深度，兩者解的問題不同。募資金額與已收小時數都不是品質保證，樣本內容才是。