Skip to content

融資速報|Tutor Intelligence Series B $75M(機器人工人按工時計費,a16z 領投)

2026年11月4日1 分鐘
TL;DRTutor Intelligence 完成 $75M Series B,由 Andreessen Horowitz 領投,累計融資達 $117M。這筆錢的信號:physical AI 正在把軟體 Agent「靠真實使用訊號持續進步」的訓練路徑,複製到機器人硬體上。

查詞與收藏

正在載入查詞工具…

🌏 English version

融資資訊

項目值
公司Tutor Intelligence(美國,麻薩諸塞州 Watertown)
輪次Series B
金額$75M
領投Andreessen Horowitz(a16z)
跟投Union Square Ventures, Neo
估值未揭露
累計融資$117M
成立年份2021(出自 MIT CSAIL)
員工數~19–31 人(第三方估計)

這家公司做什麼

Tutor Intelligence 是一家把機器人工人「按工時計費」賣給工廠與物流商的機器人部署公司——客戶不用買機器人,只付使用費,就像租一個勞工。

核心產品是機器人工人 Sonny 與 Cassie,由遠端「tutor」人類操作員在旁協助,負責工廠與倉儲裡的搬運、移動、揀貨等工作。Tutor 的技術邏輯是倒過來的:先把機器人部署到真實產線賺工時費,再用每一次任務產生的真實世界操作數據回頭訓練 frontier 機器人基礎模型,讓機器人跟著部署規模一起變聰明——這是軟體 LLM 靠網路文字訓練的路徑,物理世界從來沒有對應的「維基百科」可以訓練,Tutor 等於自己造一個。

目前機器人運作的設施數量比一年前成長近 4 倍,過去 12 個月內收到機器人的客戶有近三分之一回購擴充部署,目標是 2027 年底前在美國本土製造並部署超過 1,000 台機器人,服務對象包括大型製造與物流網路,處理早餐穀片、零食、糖果、化妝品、家用品、玩具等日常商品。

這筆融資的信號

對 Agent 生態的意義

「AI Agent」的敘事正從純軟體延伸到實體勞動現場:Tutor 把部署本身當成資料收集管道,每一次機器人完成任務都產生前所未見的真實世界操作資料,用來持續訓練 frontier 模型,形成「部署 → 真實資料 → 更強模型 → 更多部署」的飛輪。這筆 $75M 主要用於 frontier 機器人基礎模型訓練,以及 Sonny / Cassie 機器人的製造與部署擴張,而不是去補研發的坑。

Tutor Intelligence 的部署飛輪
Tutor Intelligence 的部署飛輪機器人工人部署到產線工作,產生真實世界操作資料,用來訓練機器人基礎模型,模型變強後機器人能接更多工作,擴大部署規模,下一圈從更強的模型開始。 部署機器人 Sonny / Cassie 上工 真實操作資料 搬運・揀貨 訓練模型 frontier 機器人模型 機器人更強 能接更多工作 基礎模型 每圈都更強 寫入 訓練
  1. 機器人工人部署到工廠、倉儲產線工作
  2. 搬運、揀貨等任務產生真實世界操作資料,寫入機器人基礎模型
  3. 用累積的真實資料訓練、改善 frontier 機器人基礎模型
  4. 模型變強,機器人能接更多種工作,擴大部署規模,下一圈從更強的模型開始

簡化示意:實際流程中資料仍需經過篩選與標註才能用於訓練。

投資人在賭什麼

領投的 a16z 合夥人 Raghu Raghuram(前 VMware CEO)的論點很直接:機器人研究長期被「先把模型做對、再談部署」卡住,Tutor 反過來做——先讓真實世界的部署需求決定研究方向,再往回推分銷、硬體跟研究順序。這跟軟體 Agent 這幾年驗證過的訓練路徑一致:靠真實使用訊號持續進步,而不是純靠合成或模擬資料。對 a16z 而言,這是把已經在軟體 Agent 上驗證過的「真實世界回饋迴圈」複製到機器人硬體的延伸押注。

值得觀察的數字

  • 累計融資 $117M,種子輪(Neo 領投)跟 Series A(Union Square Ventures 領投)的既有投資人全部回頭加碼本輪,顯示內部人持續看多
  • 機器人運作設施數量年成長近 4 倍,且過去 12 個月收到機器人的客戶中近三分之一回購擴充——不只是鋪新客,既有客戶也在加碼
  • 本輪規模在美國深科技(deep tech)Series B 交易裡位居前 10%(抽樣 2,808 筆交易),反映資本對 physical AI 賽道的集中度持續提高

Watchlist 狀態

Tutor Intelligence 尚未在 watchlist 中。建議加入 section D9(工業 / 製造 / 供應鏈),但需註記:現有 D9 名單(Trimble、Plataine、Eyelit、Infor)都是工廠排程 / 資產管理軟體,Tutor 是少見的「機器人硬體 + 持續學習模型」組合,追蹤重點是按工時計費的機器人部署與真實世界資料回訓 frontier 模型,跟現有名單屬性不同,未來若同類公司變多可考慮獨立拆出 physical AI 子類。

今日收穫

軟體 Agent 那套「靠真實使用訊號持續進步」的敘事,現在被 a16z 原封不動搬到機器人身上:Tutor 不是把模型練到完美才部署,而是故意把順序顛倒——先部署賺工時費,再拿真實操作數據回訓模型,把 physical AI 的訓練瓶頸直接轉換成商業模式本身的一部分。

參考資料