
专注于将人类经验转化为机器人及人工智能训练数据的Humyn Labs今日宣布,已完成4700万美元早期融资。这笔资金将用于加速其智能机器人在巴西、韩国和印度等真实环境中的部署准备。
本轮融资由Accel领投2600万美元股权部分,Prosus Ventures、BeeGlobal、Finserv Intelligence(通过Bajaj Finance参与)、Dallas Venture Capital、Lighthouse Canton及Jump Trading LLC等机构跟投。此外,Lighthouse Canton领投了剩余的2100万美元风险债务,Trifecta Capital参与跟投。
Humyn成立于2026年初,其核心理念在于:人形机器人的AI模型不应依赖摆拍演示学习灵巧操作,而需通过观察人类在真实环境中的动作获取实际行为数据。这些数据展示了双手在无明确指令下如何处理物体、伸展、触摸、抓取及恢复平衡。
与从海量文本和图像中学习的生成式AI不同,物理AI模型必须学会与周围世界互动。这不仅要求理解物体的外观和位置,更需掌握操纵力度及异常情况的应对策略。Humyn联合创始人兼首席执行官Manish Agarwal指出,聊天机器人中无足轻重的错误,在与人并肩工作的机器人身上可能引发灾难性后果。因此,高质量、多样化的人类物理交互数据对确保机器人安全可靠至关重要。
构建多模态数据壁垒
为解决数据稀缺问题,Humyn构建了包含多达20万小时人类有意运动数据的视频语料库,由参与者佩戴头戴式摄像头执行日常家务任务时捕获。同时,公司推出了涵盖五个地区的12万张人脸数据集,针对光线、姿势、表情、配饰及地域特征进行调整,以优化人脸识别能力。
在语音方面,Humyn结合超过5万小时代表性语音数据,覆盖孟加拉语、泰米尔语、韩语、阿拉伯语、越南语和葡萄牙语等长尾语言市场。相较于英语、普通话等拥有海量数据的通用语言,南亚和东南亚市场的客户服务数据长期匮乏,Humyn旨在填补这一空白。
Humyn的引擎整合声音、视觉、运动和触觉输入,进行整理、标准化和标记,帮助AI模型理解运动学、力和环境因素。这些数据构成了物理AI模型、世界模型、通用基础模型以及音频语音AI的训练基础。
地理多样性决定落地能力
Agarwal强调:“多样性让你进入房间,质量确保你能留在房间里。”地理和文化多样性对机器人适应运营环境至关重要。例如,在美国训练的家用机器人可能因烹饪用具、厨房布局及洗衣习惯的差异,难以适应印度家庭环境。通过在20多个国家收集数据,Humyn致力于训练更贴近预期部署场景的模型,加速现实工作中的就绪状态。
目前,公司已吸引来自家用机器人(家务和老年护理)及工业应用(工厂、仓库物体操作)客户的兴趣。Agarwal表示,部署周期的下一阶段重点在于验证模型在“野外”的表现。
数据仅是起点。Humyn计划利用新资金在巴西、韩国和印度建立部署就绪基础设施,开发硬件并增强引擎,同时扩大在旧金山、伦敦和首尔的实地存在。公司将通过虚拟模拟、物理复制品及实地部署实验室,识别预期性能与实际行为之间的差距,并将反馈数据纳入AI飞轮,以持续优化模型。