Mecka henter $60M Series B for å skalere robotdata og distribusjon

Mecka, et selskap som bygger datainfrastruktur for robotlæring, kunngjorde 7. oktober 2026 at de har hentet 60 millioner dollar i en Series B ledet av Sequoia Capital. Nye investorer i runden inkluderer NVIDIA, Qualcomm Ventures, Samsung og M12, Microsofts venturefond, ifølge selskapet, med fortsatt støtte fra Kindred, Framework Ventures og Neo.

Engleinvestorer som deltar inkluderer DoorDash‑grunnlegger og administrerende direktør Tony Xu, tidligere administrerende direktør i ServiceNow og Snowflake Frank Slootman, samt tidligere leder for Tesla Optimus Milan Kovac, ifølge selskapet. Mecka sa at kapitalen skalerer deres datainfrastruktur, styrker det interne forskningslaboratoriet, og bygger ut kommersiell robotdistribusjon, en oppgave selskapet beskriver som data‑ og distribusjonslaget for robotikk.

Selskapets tese er at det robotene mangler er erfaring. Ingen har noen gang skrevet ned hvordan en hånd griper, folder eller heller, hvor hardt den skal trykke, eller når den skal slippe. “Bevegelse, kontakt, kraft og geometri finnes ikke på internett. Du kan ikke skrape dem, lisensiere dem eller kjøpe dem,” skrev selskapet i sin Series B‑kunngjøring. Mecka beskriver dette gapet som den største flaskehalsen i robotikk, kaller robotikk den største produktivitetsmuligheten fremover, og spår at data vil bli et trillion‑dollar‑marked.

På nettstedet beskriver selskapet en rekke utfordringer mellom rå aktivitet og brukbare treningsdata. Virkelige oppgaver er støyende, så modeller trenger store mengder kanttilfeller og oppgavespesifikke demonstrasjoner for å generalisere. Rå video er ikke nok: teamene trenger annotering, kontekst, kvalitetssikring, bevegelsesforståelse og evalueringsarbeidsflyter før virkelige aktiviteter blir nyttige treningsdata. Til slutt er laboratoriet ikke målstreken: robotiske systemer må testes mot ekte arbeidsflyter, miljøer og begrensninger før de kan fungere i felten.

Innsamlings‑ og forskningsstakken

Mecka sa at for å digitalisere den fysiske verden måtte de bygge hele stakken: innsamlingsmaskinvare, rekonstruksjonsmodeller og kvalitet‑infrastruktur. Selskapet designer og produserer sin egen multisensor‑maskinvare for hver signalklasse, med sensorvalg og synkronisering styrt av hva modellene deres trenger videre i prosessen. De driver en global produksjonsvirksomhet, med innsamlingsflåter som registrerer menneskelige demonstrasjoner i hjem og kommersielle miljøer.

Et internt laboratorium bygger datamaskinsyn‑ og multimodale modeller som gjør rå, støyende virkelighet om til strukturerte signaler, og dekker bevegelsessporing, 3D‑rekonstruksjon og sensorjustering. Selskapet rapporterer banebrytende håndposisjonsnøyaktighet på under ett centimeter på data i naturlige omgivelser.

Selskapets nettsted lister signal‑ og handlingsprimitiver, moduler som de beskriver som måter å fange eller samhandle med fysisk virkelighet på: pikselforståelse, dybde og geometri, objektsporing, segmentering, taktil kraft, lydbølger, hastighet og bevegelse, punkt‑sky, overflatekontur og lokalisering. Mecka tilbyr også en iOS‑app for innsamling av miljø‑ og oppgavespesifikke data, samt nettverktøy for å bla gjennom, visualisere og spørre data, samarbeide om datasett med team, og kjøre inferens‑APIer.

EgoVerse‑datasettet og overføringsstudien

Mecka sa at de testet sin satsning på demonstrasjoner fra virkelige mennesker sammen med forskere ved Georgia Tech, Stanford, UC San Diego, ETH Zürich, MIT og Meta gjennom EgoVerse, en menneske‑til‑robot‑overføringsstudie replikert på tvers av laboratorier, oppgaver og roboter. EgoVerse‑artikkelen, først innsendt 8. april 2026 og sist revidert 7. juli 2026, beskriver en samarbeidsplattform som forener datainnsamling, prosessering og tilgang under et felles rammeverk, og muliggjør bidrag fra individuelle forskere, akademiske laboratorier og industripartnere.

Den nåværende utgaven av artikkelen inneholder 1 362 timer med menneskelige demonstrasjoner fordelt på 80 000 episoder, som dekker 1 965 oppgaver, 240 scener og 2 087 unike demonstratører, med standardiserte formater, manipulasjonsrelevante annotasjoner og verktøy for etterfølgende læring. Meckas FAQ beskriver EgoVerse som deres storskala datasett for menneskelig interaksjon, bygget fra virkelige førstepersonsaktiviteter på tvers av oppgaver, rom og miljøer.

Utover datasettet gjennomførte forfatterne en storskala studie av menneske‑til‑robot‑overføring, med eksperimenter replikert på flere laboratorier, oppgaver og robot‑embodimenter under felles protokoller. Artikkelen rapporterer at policy‑ytelse generelt forbedres med økende menneskedata, men at effektiv skalering avhenger av samsvar mellom menneskedata og robotens læringsmål. Forfatterlisten inkluderer Josh Gao og Jason Chong.

Kunder, inntekter og integratormodellen

Mecka sier at de leverer til flere av de ledende frontier‑robotikklaboratoriene og flere Mag 7‑selskaper. Selskapet opplyser at inntektene, omregnet til årstakt (run rate), oversteg 100 millioner dollar i juni 2026, bare noen måneder etter oppstart, og anslår en årstakt på 300 millioner dollar innen årets slutt.

Den samme stacken driver selskapets kommersielle utrullinger. Mecka beskriver seg selv som en moderne robotikkintegrator: der en tradisjonell integrasjon sendes én gang og forblir fast, fanger deres utrullinger data på stedet, trener videre på dem, og forbedres for hver time de kjører, ifølge selskapet. For virksomheter som ønsker fysisk AI men ikke har et robotikkteam, sa Mecka at de leverer maskinvaren, datainnsamling, ettertrening, integrasjon og pågående drift. FAQ-en deres sier at Mecka ikke bygger roboter; i stedet kobles de inn i maskinvaren, modellen og de kommersielle økosystemene og eier dataene, integrasjonen og evalueringslaget mellom dem, en ordning selskapet kaller Mecka Loop.

Mecka sa at finansieringen gjør det mulig å bygge mer data raskere: flere instrumenter, dypere forskning og roboter satt ut der arbeidet er. Kunngjøringen er signert av Josh, Jason og Mecka-teamet, og selskapet sa at de ansetter innen forskning, maskinvare og drift.