融资

本日报聚焦具身智能（Embodied AI）领域，跟踪人形机器人、智能操控、物理世界AI的前沿进展。 一、FCC全面禁止进口中国造人形机器人/机器狗/逆变器——国家安全理由站得住吗？ 来源：TechCrunch | 时间：2026-07-29 美国联邦通信委员会（FCC）本周宣布，全面禁止进口新生产的外国制造人形机器人、机器狗和光伏逆变器，理由是这些设备存在"不可接受"的国家安全风险。该禁令主要针对中国——中国目前占据全球人形机器人市场的绝大多数份额。 核心事实： FCC称这些设备可被外国政府远程控制或用于间谍活动 2025年全球人形机器人出货量约15,000台，中国两大厂商占主导 现有家庭用户不受影响；已安装设备继续可用 中国外交部回应：将"采取一切必要措施"保护中国企业 中美双方预计9月举行元首会晤 影响分析： 直接影响：中国机器人厂商（宇树、智元等）进入美国市场通道关闭 中期影响：中国机器人企业将加速在东南亚、欧洲建厂以规避限制 深层矛盾：这折射出一个根本问题——当机器人的"眼睛"是摄像头、"大脑"是云端AI时，所有权与控制权的边界在哪里？ 第一性思考：人形机器人与光伏逆变器被放在同一类别里，本质上是因为它们都是"联网的物理设备"。但这两者的风险结构完全不同：逆变器是基础设施，单点故障影响电网；人形机器人是移动的传感平台，收集的数据维度远更丰富。将它们用同一套监管框架处理，是监管机构对技术本质的误判，还是面对新兴风险的"宁可错杀"策略？ 🔗 https://techcrunch.com/2026/07/29/us-government-bans-new-foreign-made-humanoids-robot-dogs-and-solar-inverters-citing-risks-to-national-security/ 二、Enigma融资7100万美元：让控制机器人像调节音量一样直觉 来源：TechCrunch | 时间：2026-07-27 以色列秘密研发实验室Enigma正式走出隐身，宣布完成7100万美元种子轮融资，由Index Ventures和Ribbit Capital领投。这家成立不足一年的公司正在做一个有趣的实验：让全球任何人在网上实时操控100多台实体机器人（位于以色列和加州的机库中），执行画画、剑斗、做化学实验等任务。 核心事实： 创始人Jonathan Jacobi曾是微软最年轻员工，联创Gal Niv来自以色列8200部队 团队成员包括顶级AI实验室校友、国际数学奥赛金牌得主，甚至有PhD辍学者 用户可通过文字、语音、视频示例或"点击-拖拽"等方式与机器人交互 目标：找到机器人版的"车载音量旋钮"——那种完全不用思考的操作方式 已有医疗、物流、娱乐行业企业客户 影响分析： 直接影响：以数据驱动方式研究人机交互接口，这比单纯提升模型能力更底层 中期影响：如果Enigma找到了"直觉式交互"范式，可能成为机器人行业的iPhone时刻 不确定性：商业模式尚未清晰，"实验"性质明显，能否规模化是未知数 第一性思考：当前所有机器人都面临一个根本矛盾：如果需要花15分钟教机器人如何洗碗，用户最终会选择自己动手（ Jacobi的原话）。这说明现有机器人交互范式从根上就是错的——不是在解决"机器人能做什么"，而是在解决"人类愿意怎么教"。Enigma的思路是从人类本能出发反向设计，这个方向比大多数竞品更接近本质。 🔗 https://techcrunch.com/2026/07/27/enigma-raises-70m-to-make-controlling-a-robot-as-easy-as-adjusting-the-volume/ 三、脑波数据：Physical AI的数据瓶颈新解法 来源：TechCrunch | 时间：2026-07-26 训练机器人到底缺什么？数据。具身智能公司Encord正在尝试一个看似疯狂的方案：用脑波传感器标注物理训练数据。训练人员在戴着特殊头戴设备执行Jenga堆叠等任务时，同步采集其脑电波——用于推断"注意力集中"、"出错"、"感到意外"等心理状态，从而更精准地标注哪些数据点对模型训练最有价值。 核心事实： 脑波传感器来自德国公司Zander Labs Encord同时试验"肌电信号"——通过前臂传感器重建手部完整3D动作 公司使用"领航-跟随"双机械臂（一人操控，一机模仿）采集精细操作数据 训练数据集需要约5倍YouTube视频库的规模才能突破——这个目标目前不可能靠爬取互联网实现 密集人工标注的数据价值是"原始视频数据"的100倍，但成本仅高20倍 影响分析： 直接影响：数据制造（manufacturing）而非数据收集，正在成为具身智能的核心竞争力 中期影响：谁解决了数据问题，谁就掌握了物理AI的"原油"——类似OpenAI当年掌握文本语料的意义 根本瓶颈：将互联网"免费数据"模式复制到物理世界，这条路物理上就走不通 第一性思考：这揭示了Physical AI与LLM之间最核心的差异：LLM可以用"边际成本趋近于零"的互联网数据训练，而机器人必须manufacture数据——每一比特物理训练数据都需要真实的人在真实环境里操作真实的物体。这个约束决定了具身智能的发展速度不会遵循"Scaling Law"，至少不会以LLM那种方式scaling。 🔗 https://techcrunch.com/2026/07/26/are-brain-waves-the-next-unlock-for-physical-ai/ 四、Gritt：机器人建太阳能电站，每天安装量从800块提升到4000块 来源：TechCrunch | 时间：2026-07-21 两位卡内基梅隆培养的机器人专家创立了Gritt，宣布完成2600万美元A轮（累计融资3200万美元）。Gritt不做硬件，而是用市售机械臂+AI模型，专门解决太阳能板安装这个劳动力短缺最严重的场景——在美国，工人短缺正在制约能源转型速度。 核心事实： 用现成硬件（川崎机械臂等）而非自研，降低了落地门槛 每8人安装团队：传统方式每天800块 → Gritt辅助每天3000-4000块 已签约18个月内协助安装2.8GW太阳能板（美国前10电力建设公司中的3家是客户） 计划6个月内扩展到48台系统 竞争对手包括Luminous Robotics、Cosmic、中国Trinabot（但它们都是自研硬件） 影响分析： ...