Machenta完成4000万美元种子轮融资，旨在通过一次示范教会机器人执行新任务

教机器人学会一项新工作，所花的时间可能远远超过人类亲自完成这项工作所需的时间。收集示范、准备训练数据和更新模型，可能会让一个小小的工作流程变更演变成一项庞大的工程项目。Machenta已完成4000万美元种子轮融资，旨在缩短这一过程，并开发一种机器人基础模型，使机器人能够通过一次示范学会一项实际任务，而无需额外的任务专属训练。

这家总部位于伦敦的公司于10月27日宣布完成融资，本轮融资由Creandum和Union Square Ventures共同领投。公司将利用这笔资金扩大模型规模，并壮大其位于King’s Cross的新办公室和实验室的团队。

Machenta将其方法称为“即时机器人学习”。该公司表示，已在包装、组装和整理任务上展示这项技术；机器人只需看过一次操作示范，就能适应不同变化。其目标十分宏大，但现有证据应被视为对一项仍在发展的技术的演示，而非机器人已经能够完成所有可能任务的证明。

无需重新训练，即可学会新任务

关键在于区分训练模型与教会一个已经训练好的模型执行特定任务。Machenta仍会训练其基础模型。它希望消除的是这样一种需求：每当机器人遇到一项新工作，就必须收集大量新数据集并再进行一轮训练。

Machenta联合创始人兼首席执行官Edward Johns教授在公告中表示：“智能与其说在于你已经能做什么，不如说在于你能多快学会做一件新事。”

拟议中的工作流程刻意设计得十分简单：示范所需行为，让机器人观察，然后让它执行任务。实际上，这意味着示范将成为提供给现有模型的指令的一部分，而不是另一个模型开发项目的起点。

当任务大体相同，但物体或其摆放方式发生变化时，这种方法尤其有用。只能重复固定步骤的机器人，需要周围环境符合其程序设定。一个真正有用的学习系统必须识别示范要求它完成什么，并根据眼前的情况调整行动。

通过仿真训练学习能力

Machenta的训练策略将大量数据生成工作转移到了仿真环境中。根据公告，目标并非列举机器人未来可能遇到的每一项任务，而是让模型接触足够多样的场景，使其形成一种可重复运用的能力，能够从新的示例中学习。

这改变了公司对规模化来源的预期。许多机器人学习项目都高度依赖通过远程操控或记录人类活动来收集真实示范。Machenta押注于仿真经验能够提供学习新任务所需的多样性，而在部署时，则由真实示范提供指令。

其技术介绍将该系统称为视觉—示范—动作模型（VDA）。系统以示范和持续的摄像头观测为输入，并通过闭环方式预测动作。该公司表示，其预训练完全在仿真环境中进行；在推理阶段，教学示例和实时观测则来自真实世界。

这一区别很重要：仅在仿真环境中进行预训练，并不意味着部署后的机器人无需获取真实世界信息。它仍必须理解示范、观察周围环境，并在条件变化时选择行动。

情境内机器人学习背后的研究

该公司的技术建立在Johns与联合创始人兼首席技术官Vitalis Vosylius于伦敦帝国理工学院开展的研究之上。Johns是帝国理工学院的机器人学习教授，两人此前开发了通过少量示例学习实际行为的方法。

他们发表于ICLR 2025的Instant Policy相关研究介绍了情境内模仿学习：无需进一步训练，只通过一到两个示范即可学习。该方法用图结构表示示范、观测和动作，并利用学习得到的扩散过程生成动作预测所需的图结构。

论文还介绍了通过伪示范进行训练：在仿真环境中生成的轨迹可提供大量示例。实验涵盖仿真任务和真实任务，此外还研究了不同机器人形态之间的迁移，以及以语言定义的指令。

这项研究有助于解释其科学基础，但并不能证明Machenta当前的商业模型采用了完全相同的架构。这家初创公司将较新的系统描述为基于这一系列研究开发的基础模型。

情境内学习在语言模型领域已广为人知：提示中的示例可以影响模型的回答，而无需更新模型权重。将这一思路应用于机器人领域则难度更高，因为模型输出必须转化为一连串受真实世界条件限制的物理动作，而不能仅仅是一个看似合理的答案。

这些示范能证明什么，还有哪些方面有待检验

Machenta 的技术文章报告称，团队对三项简单的自复位任务进行了持续一小时的测试：74 次积木放置尝试全部成功，78 次螺丝刀递交尝试全部成功，99 次让瓶子站立的尝试中有 97 次成功。公司将两次瓶子放置失败归因于碰撞风险和运动学约束。

这些是有参考价值的早期可靠性测试，但还不能算广泛的工业基准。文章还将直接从人手学习以及使用仿人手进行操作列为初步探索方向。它并未证明这套系统能胜任所有任务，也未证明其能在各种工作场所都可靠运行。

对潜在用户来说，令人信服的演示与可部署的系统之间，还隔着可重复性、故障恢复能力、在人身边安全运行的表现，以及机器人硬件的实际限制。即使能快速学会一条指令，也无法让夹爪抓住它在物理上无法抓取的物体。

不过，商业机遇显而易见。如果教学所需时间大幅缩短，那么对于变化过于频繁、不值得投入大量时间编程和集成的工作，采用机器人就会更具可行性。这既可能影响工厂部署，也可能影响那些难以获得专业机器人技术支持的小规模应用。

以种子轮融资扩展模型并壮大团队

Machenta 正加入一股更广泛的投资浪潮，推动机器人智能变得更具适应性。Unite.AI 对Dream Labs 跨机器人人工智能融资的报道，展现了另一项努力：让习得的能力能够应用于不同机器。Machenta 的重点则是让新的实体操作指令尽快转化为可用行为。

Creandum 合伙人 Kathi Wilhelm 指出了团队在创立公司之前多年来的研究积累。Union Square Ventures 管理合伙人 Rebecca Kaden 则强调了这样一种机器人的价值：它们能够迅速学会新任务，而不必为每项工作单独进行训练。

对 Machenta 来说，下一阶段是将这一研究基础转化为更广泛、更可靠的能力。这 4000 万美元将为公司扩展模型和围绕模型招募人才提供资源，而其创始团队则将六年来在机器人单次示范学习方面的研究成果带入公司。

核心问题在于，当任务变得更多样、更具挑战性时，这种学习行为能扩展到什么程度。如果这种方法经得起考验，真正重要的变化将体现在实际应用中：人们可以少花些时间搭建训练流程，多花些时间向机器人展示自己真正需要它完成的工作。