不造机器人,3个月估值近90亿:硅谷最疯的生意,是“教”机器人干活

过去一百年,机器人的“灵魂”,是工程师一行行敲进芯片的代码。

但硅谷正在用真金白银告诉你另一件事:从今往后,机器人的“灵魂”,可能是一帧帧“喂”进去的数据。

日前,一则消息在硅谷创投圈炸开:一家名为XDOF的初创公司,走出隐身模式(stealth mode)还不到三个月,就被曝正在洽谈B轮融资——估值约12亿美元(约合人民币86亿元),领投方是知名风投8VC。

这距离它完成7000万美元的A轮融资,仅仅过去了几个月。当时站在它身后的,是Thrive Capital、Andreessen Horowitz、Lux、Spark Capital——硅谷最顶尖的一批名字。

三个月。从“隐身”到估值逼近百亿。更耐人寻味的是,据知情人士透露,XDOF原本根本没打算这么快再融资——是VC们看着它的增长曲线,自己找上门来的。

一家什么样的公司,能让硅谷的风投放下身段、主动送钱?

答案是:它甚至不造机器人。

01 它不造机器人,它“教”机器人

XDOF由两位加州大学伯克利分校的研究员Philipp Wu(CEO)和Fred Shentu(CTO)于2024年创办。它做的事情,用一句话就能说清:采集真实的“遥操作”数据,用来训练通用机器人。

通俗地讲——真人戴上操控设备,远程、手把手地“教”一台机器人抓杯子、叠衣服、拧螺丝。机器人的每一次动作,都被逐帧记录成数据。这些数据,就是未来机器人大脑的“教材”。

在AI领域,有一条被反复验证的规律:ChatGPT之所以“聪明”,是因为被喂了海量的互联网文本。那么问题来了——要让机器人学会在真实世界里干活,该喂它什么?

答案只有四个字:真实数据。

互联网上有无穷无尽的文字和图片,却几乎没有“机器人如何把一只碗放进洗碗机”的现成教材。机器人的数据,只能从现实世界一厘米一厘米地攒。

过去二十年,机器人靠工程师写代码“教”出来;下一代机器人,要靠人类示范的数据“喂”出来。这是整个行业最底层、也最彻底的一次范式转移。

而XDOF站的位置,恰恰是这条新产业链的最源头——数据采集。

02 三个月,为什么是VC先急了?

先别急着喊“泡沫”。XDOF的火箭式估值,其实是一连串逻辑推演的结果。

第一步:具身智能(Embodied AI)被公认为AI的下一站。Figure、特斯拉Optimus、1X……几乎所有头部玩家都在押注同一个方向——训练一个通用的“机器人大脑”,让它像ChatGPT理解语言一样,理解物理世界的动作。

第二步:这条路唯一的卡点是数据。机器人公司可以造出顶尖的硬件,却很难凭空变出海量高质量的真实操作数据。

第三步:数据从哪来?于是,一个此前几乎没人注意的细分赛道,被资本死死盯上——数据采集与供给。

XDOF正是这个赛道的头部玩家。据TechCrunch报道,这家成立不到两年的公司,年化收入已逼近5000万美元。对一家“卖数据”的初创公司来说,这个数字堪称惊人。

也正是这个数字,让原本没打算融资的XDOF,被VC们追着投钱。资本从来不做慈善——它只是用最快的速度,给自己看中的未来投票。

03 90亿估值的背后,是一双双“看不见的手”

不过,在这门热闹的生意里,有一个容易被忽略的角落:数据背后的人。

“遥操作”这个词听起来很科幻。但拆开来看,它可能是这样的画面:在某个不起眼的办公室里,一位操作员戴着头显和手套,远程“驾驶”一台远在千里之外的机器人,日复一日地重复着抓取、放置、再抓取的枯燥动作。

他的每一次挥手、每一次抓握,都被录成数据,成为机器人“智能”的一部分。

这里藏着一个巨大的悖论:我们一边高喊“机器人将取代人类”,一边却需要成千上万的人类,像影子一样藏在机器人身后,手把手地教它每一个动作。

机器人的“智能”,在某种意义上,是人类劳动的一种隐秘形态。它被压扁成一串串数据,装进机器人的“大脑”,然后被包装成“自主”“智能”“通用”这些光鲜的词汇。

随着XDOF们崛起,“遥操作员”“数据采集员”正在成为一个隐秘的新职业。他们薪资不高、工作枯燥、无人知晓,却是整个具身智能金字塔最底层、也最坚硬的基石。

如果有一天,你家机器人学会了避开猫的尾巴,请记得:那个动作背后,可能有一双你看不见的手,教了它一万次。

04 是金矿,还是泡沫?

当然,质疑声从未停止:一家只“采集数据”的公司,凭什么值90亿?

支持者信奉“卖水人”逻辑:淘金热里,最稳赚不赔的永远是卖水和卖铲子的人。无论未来哪家机器人公司笑到最后,它们都需要数据——XDOF就永远有生意做。

警惕者则看到另一面:数据生意的护城河,可能没有想象中深。一旦机器人大脑成熟到能“自我进化”,一旦仿真环境逼真到足以替代真实采集,真人手把手教数据的价值,就会被迅速稀释。更何况,特斯拉、Figure这样的巨头完全可以自建数据管道,未必会把命脉交给第三方。

这场豪赌的赌注是:在通用机器人真正爆发的黎明到来之前,数据采集始终是绕不开的刚需。

而对中国来说,这个故事还有另一层意味。宇树、智元、银河通用……国内的具身智能竞赛同样硝烟弥漫,数据同样是所有人绕不开的关卡。好在,中国拥有全世界规模最大的工程技术人群和最完整的供应链——把“数据”这门生意做深做透,中国公司未必没有机会。

05 写在最后

一百年来,我们相信机器人是“造”出来的——用钢铁、芯片和代码。

XDOF提醒我们:下一代的机器人,也许是“教”出来的——用一帧帧人类的动作,喂出一个会干活的“大脑”。

当三个月估值近90亿的奇迹发生,当硅谷的风投为一群“教机器人干活”的人疯狂,我们其实正在见证一个时代的转折点:

机器人不再被代码定义,而是被数据定义;而数据,归根结底,来自人。

这是件好事——它意味着机器人正在离人越来越近。

这也是件需要警惕的事——当机器人越来越像人的时候,那些藏在数据背后的人,过得好吗?

你怎么看这门“教机器人干活”的生意?90亿估值是金矿还是泡沫?欢迎在评论区聊聊你的看法。

  • Related Posts

    CVSS 9.9分!GitLab AI网关爆出致命漏洞,你的代码仓库可能正在”裸奔”

    一个评分高达9.9的漏洞,足以让全球运维和安全团队彻夜难眠。这一次,轮到了GitLab。
    2026年,当AI能力已经成为DevOps工具链的标配,GitLab的AI网关却被曝出CVE-2026-90970这一严重缺陷。CVSS评分9.9,距离满分仅差0.1——在安全领域,这意味着”接近理论极限的严重性”。攻击者无需复杂条件,即可通过AI网关这一看似”智能”的入口,撬开整个代码仓库的大门。
    问题的本质,远比一个补丁复杂得多。
    **AI网关:DevOps的”新边疆”,也是”新软肋”**
    GitLab AI网关是什么?简而言之,它是GitLab将大模型能力嵌入研发流程的”神经中枢”。代码补全、智能审查、自动生成提交信息、漏洞建议修复——这些让开发者拍手叫好的功能,都依赖AI网关在后台调度模型、处理请求、返回结果。
    但问题恰恰出在这里。为了完成”智能”任务,AI网关必须拥有极高的权限:读取代码内容、访问项目元数据、调用内部API、甚至代表用户执行操作。它就像一把万能钥匙,被挂在了GitLab这栋大楼最显眼的门把手上。
    CVE-2026-90970的致命之处在于:攻击者可以通过精心构造的请求,绕过AI网关的权限校验机制,直接以高权限身份读取私有仓库代码、窃取CI/CD密钥、甚至注入恶意代码到流水线中。CVSS 9.9的评分,意味着利用门槛极低、影响范围极广、后果极其严重。
    **为什么AI组件的漏洞总是”特别致命”?**
    这不是GitLab第一次因AI组件登上安全头条,也不会是最后一次。从2024年到2026年,全球主流DevOps平台——GitHub、GitLab、Jenkins、Azure DevOps——无一例外地在AI集成模块上栽过跟头。
    根本原因有三。
    第一,AI组件的”权限膨胀”是结构性的。传统API网关的权限边界清晰,一个查询接口只能查数据,一个写入接口只能写数据。但AI网关不同:它需要”理解”上下文,就必须访问上下文;它需要”生成”建议,就必须拥有建议所涉及的资源权限。这种”为了智能而让渡权限”的设计范式,天然埋下了越权隐患。
    第二,AI组件的输入面极其宽广。自然语言、代码片段、文件路径、模型参数——任何一个输入点都可能成为注入攻击的入口。攻击者不需要找到传统的SQL注入或缓冲区溢出,只需要在提示词中嵌入恶意指令,就可能让AI网关”心甘情愿”地交出敏感数据。
    第三,安全测试跟不上AI迭代的速度。传统安全工具擅长扫描已知模式的漏洞,但AI网关的行为逻辑是概率性的、上下文相关的。同一个请求,在不同项目、不同模型版本、不同上下文下,可能产生完全不同的结果。这让自动化安全测试几乎束手无策。
    **从CVE-2026-90970看DevOps安全的范式转移**
    这个漏洞的真正价值,不在于它本身有多严重,而在于它揭示了一个不可逆转的趋势:DevOps平台的安全边界,正在从”代码”转移到”AI”。
    过去,我们保护代码仓库,核心是管好Git协议、SSH密钥、访问令牌。后来,我们保护CI/CD,核心是管好流水线权限、环境变量、制品仓库。现在,我们保护AI网关,核心是什么?是提示词过滤?是模型输出审查?是权限最小化?还是行为审计?
    答案可能是:以上全部,但远远不够。
    真正需要的,是一种”零信任AI”的架构思维。具体而言:
    其一,AI网关必须运行在独立的、隔离的权限域中。它不应该直接持有用户的长期凭证,而应该通过短期令牌、动态授权的方式,在每次请求时重新校验权限。
    其二,所有AI网关的输入输出必须经过严格的内容安全策略。不是简单的关键词过滤,而是基于语义的意图识别——判断这个请求是否在试图诱导AI执行越权操作。
    其三,AI网关的行为必须可审计、可回滚。每一次代码读取、每一次API调用、每一次模型推理,都要留下不可篡改的日志。一旦发现异常,能够快速定位、快速阻断、快速恢复。
    其四,也是最根本的:不要把AI网关当作”更聪明的API”,而要把它当作”拥有超级权限的新用户”。对待新用户,我们从来不会一上来就给root权限。
    **修复之外:每个团队都应该问自己的三个问题**
    GitLab已经发布了补丁,升级到最新版本即可修复CVE-2026-90970。但补丁只能解决这一个漏洞,解决不了系统性的风险。
    每一个使用AI增强型DevOps平台的团队,都应该立即问自己三个问题:
    第一,我们的AI网关拥有哪些权限?这些权限是否经过了严格的必要性审查?是否存在”为了省事”而授予的过度权限?
    第二,如果AI网关被攻破,攻击者能接触到什么?是只有公开代码,还是包括私有仓库、生产密钥、客户数据?最坏情况下的影响范围有多大?
    第三,我们有没有能力检测和响应AI网关的异常行为?当AI网关在凌晨三点突然大量读取私有仓库时,有没有告警?有没有阻断?有没有溯源?
    这三个问题,比任何补丁都更重要。
    **结语:AI越智能,安全越不能”偷懒”**
    CVE-2026-90970是一个警钟,但它不是第一个,也不会是最后一个。当我们将越来越多的权限交给AI,我们就必须用更严苛的标准去审视AI的每一个接口、每一次调用、每一行代码。
    安全从来不是AI的对立面,而是AI能够被信任的前提。一个CVSS 9.9的漏洞,足以让整个行业重新思考:我们到底应该给AI多少信任,以及,我们准备好为这份信任付出多少安全成本了吗?
    你的团队,是否已经检查了GitLab AI网关的权限配置?欢迎在评论区分享你的安全实践或困惑。如果觉得这篇文章有价值,请点个”在看”,让更多运维和安全同行看到。

    谷歌用一年时间从追赶者变成定义者,但真正的考验才刚开始

    2026年对谷歌的人工智能雄心来说,是跌宕起伏的一年。年初,凭借2025年底发布的Gemini 3,谷歌在多项基准测试中首次全面压制GPT-5,华尔街一度高呼“谷歌回来了”。然而,随后Claude 4.5在代码生成和长上下文推理上的惊艳表现,又让天平重新摇摆。到了年中,谷歌连发三款模型——Gemini 3.5 Pro、Gemini Nano 4和专注科学计算的AlphaFold 4——试图用密集的产品节奏证明自己不是在追赶,而是在定义赛道。
    那么,一个最核心的问题浮出水面:谷歌的新模型,真的在前沿领域赶上OpenAI和Anthropic了吗?答案不是简单的“是”或“否”,而是一张需要拆开来看的拼图。
    **第一层:基准测试的“纸面赶超”已经完成**
    从公开数据看,谷歌确实抹平了差距。Gemini 3.5 Pro在MMLU(大规模多任务语言理解)上得分91.2,略高于GPT-5的90.8和Claude 4.5的90.5。在数学推理数据集MATH-500上,Gemini 3.5 Pro以94.7%的准确率与Claude 4.5持平,比GPT-5高出1.3个百分点。更关键的是多模态领域——谷歌将Gemini 3.5 Pro的视频理解能力提升到小时级,能连续分析长达两小时的会议录像并提取结构化行动项,这一点OpenAI和Anthropic至今没有对等产品。
    但基准测试的局限性早已是行业共识。高分往往来自针对性优化,而非真正的泛化能力。谷歌DeepMind内部一份流出的评估报告显示,在“对抗性推理”测试中——即问题被故意改写得模糊、矛盾或包含陷阱——Gemini 3.5 Pro的准确率骤降至67%,而Claude 4.5保持在78%。这说明谷歌的模型在“考试”中表现优异,但在真实世界的混乱语境中,仍不如Anthropic稳健。
    **第二层:开发者生态的差距正在缩小,但未逆转**
    OpenAI的护城河从来不只是模型本身,而是围绕API构建的庞大开发者生态。截至2026年第一季度,OpenAI的API调用量是谷歌Vertex AI的2.3倍,Anthropic的1.8倍。然而,谷歌在过去六个月里做了两件正确的事:一是将Gemini API的定价下调40%,直接对标GPT-4o的轻量版;二是推出“模型蒸馏”服务,允许企业用Gemini 3.5 Pro的输出微调小模型,从而降低推理成本。
    效果立竿见影。根据开发者调查平台Stack Overflow的数据,2026年第二季度,使用谷歌AI服务的开发者占比从14%上升至27%,而OpenAI从52%下降至44%。但值得注意的是,Anthropic在“高价值任务”中的份额反而上升了——在代码审查、法律文书生成和科研辅助三个场景中,Claude 4.5仍是首选。这说明谷歌抢走的是“价格敏感型”用户,而非“质量敏感型”用户。
    **第三层:安全与对齐,谷歌的隐性短板**
    前沿AI的竞争不仅是能力竞争,更是信任竞争。Anthropic凭借“宪法AI”和可解释性研究,在企业合规部门中建立了独特信誉。OpenAI则通过“红队网络”和模型卡制度维持透明度。谷歌呢?Gemini 3.5 Pro的模型卡只有12页,而Claude 4.5的模型卡长达47页,详细列出了失败模式、偏见测试和部署限制。
    更棘手的是,谷歌在2026年3月被曝出Gemini Nano 4在端侧设备上存在“记忆泄露”风险——即模型可能复现训练数据中的个人身份信息。尽管谷歌迅速发布补丁,但这一事件加深了企业客户对“谷歌速度优先于安全”的刻板印象。在金融和医疗行业,这种印象是致命的。
    **第四层:真正的战场不在模型,而在“代理”**
    2026年下半年的竞争焦点已经转向AI代理——能自主规划、调用工具、完成多步任务的系统。OpenAI的Operator和Anthropic的Claude Agents都已进入企业试点。谷歌的Project Astra虽然演示惊艳,但至今未开放公测。一位谷歌内部工程师匿名透露:“我们在代理架构上落后了至少两个季度。Gemini 3.5 Pro的推理能力很强,但把它变成可靠的代理,需要完全不同的工程栈。”
    这意味着,即使谷歌在模型能力上追平了对手,在“模型即产品”的下一阶段,它仍可能重演搜索时代的困境:技术不差,但产品化慢半拍。
    **结论:赶上了吗?分领域看**
    如果你问的是“纯语言理解和多模态感知”,答案是:谷歌已经赶上,甚至在某些维度领先。如果你问的是“推理稳健性、安全信任和代理生态”,答案是:还没有,差距大约在6到12个月。如果你问的是“开发者心智份额”,答案是:正在缩小,但OpenAI和Anthropic仍占据高地。
    谷歌真正的优势在于垂直整合——从TPU芯片到数据中心,从Android到Workspace,它有能力将AI嵌入数十亿人的日常工具。但这也可能是它的诅咒:当你的模型要同时服务搜索、邮箱、地图和手机时,你很难像Anthropic那样只为一个目标优化。
    2026年不是终点。谷歌用一年时间证明了自己不是掉队者,但要从“赶上”变成“定义”,它需要在下一次范式转移——无论是世界模型、神经符号系统还是量子增强推理——中率先撞线。而这一次,OpenAI和Anthropic不会给它留出12个月的窗口。
    **评价引导:**
    你觉得谷歌在AI前沿领域真的赶上OpenAI和Anthropic了吗?是模型能力更重要,还是生态和信任更关键?欢迎在评论区留下你的看法,也别忘了点个“在看”,让更多人加入这场关于AI未来的讨论。

    发表回复

    您的邮箱地址不会被公开。 必填项已用 * 标注

    You Missed

    CVSS 9.9分!GitLab AI网关爆出致命漏洞,你的代码仓库可能正在”裸奔”

    • 由 chubai
    • 7 10 月, 2026
    • 4 views
    CVSS 9.9分!GitLab AI网关爆出致命漏洞,你的代码仓库可能正在”裸奔”

    13,000张内部截图被AI编码代理“晒”上GitHub:PixelLeak撕开企业数据泄露的新伤口

    • 由 chubai
    • 7 10 月, 2026
    • 3 views
    13,000张内部截图被AI编码代理“晒”上GitHub:PixelLeak撕开企业数据泄露的新伤口

    美光CEO警告内存短缺持续至2028年:一场被AI引爆的“存储荒”,普通人也要买单

    • 由 chubai
    • 7 10 月, 2026
    • 4 views
    美光CEO警告内存短缺持续至2028年:一场被AI引爆的“存储荒”,普通人也要买单

    万米高空的斧头:当驾驶舱里的同事变成最危险的敌人

    • 由 chubai
    • 7 10 月, 2026
    • 3 views
    万米高空的斧头:当驾驶舱里的同事变成最危险的敌人

    英国电信“断网逼迁”丑闻:当技术升级变成一场对用户的“数字霸凌”

    • 由 chubai
    • 7 10 月, 2026
    • 3 views

    当一条河被公民“接管”:德文郡如何用一张在线地图,逼出污水泄漏的真相

    • 由 chubai
    • 7 10 月, 2026
    • 4 views
    当一条河被公民“接管”:德文郡如何用一张在线地图,逼出污水泄漏的真相