Rhoda AI携4.5亿美元A轮结束隐身，用互联网视频训练的模型驱动工厂机器人

以“让机器人预测视频”来教机器人干活的美国帕洛阿尔托初创公司Rhoda AI于2026年3月10日结束隐身状态，同时宣布完成4.5亿美元A轮融资。公司表示，资金将用于研发投入、扩大工业部署和客户试点，以及扩充团队。

根据公司公告，本轮投资方包括Capricorn Investment Group、Khosla Ventures、Leitmotif、Matter Venture Partners、Mayfield、Premji Invest、Prelude Ventures、淡马锡和Xora，John Doerr等个人投资者也参与其中。公司未公布领投方和估值，并称此前已隐身研发18个月。

产品与技术

Rhoda将核心模型命名为Direct Video Action（DVA），在其之上构建的产品层称为FutureVision，公告称后者是目前驱动Rhoda系统的基础模型。模型以互联网规模视频预训练，投资方Mayfield在发布当天的文章中称语料达数亿条视频。运行时，模型预测机器人面前场景应如何演变，再把预测转化为电机指令，并以每数百毫秒一次的频率闭环重复。

公司同日发布的技术文章《因果视频模型是数据高效的机器人策略学习器》进一步说明了架构。因果视频模型根据视频历史、机器人关节状态和语言指令预测未来画面，另一个逆动力学模型再推算出产生这些画面所需的动作。Rhoda称逆动力学模型只需约10小时机器人专属数据，且可用随机动作训练。名为“Leapfrog Inference”的方法在机器人执行当前动作时提前计算下一步预测，以掩盖模型延迟。

文章给出的是长时间自主运行记录而非基准分数。用11小时机器人数据学会的倒料（decanting）任务连续运行1.5小时，用17小时数据训练的周转箱拆解任务连续运行160分钟。文章称新任务后训练需要10至20小时任务数据，公告则称部分任务只需10小时遥操作数据。公司未公布成功率，也未给出与其他机器人模型的直接对比。

商业进展方面，公告称在最近一次大批量制造评估中，系统以每个循环不到2分钟的速度自主完成零部件处理流程，超过客户设定的性能指标，但未披露客户名称。官网列出汽车、制造、物流和电商为目标行业，展示了退货处理、轴承倒料和周转箱拆解等任务，并介绍了一款采用自研执行器的轮式机器人，额定负载25公斤、峰值40公斤，每个执行器均配有制动器。

创始团队

首席执行官Jagdeep Singh是固态电池公司QuantumScape的联合创始人。据QuantumScape公告，他于2024年2月15日把CEO职务交给Siva Sivaram，并继续担任董事会主席。Mayfield称Singh至今已创办七家公司。首席科学官Eric Ryan Chan是斯坦福大学计算机视觉与生成模型研究者，曾在World Labs担任生成模型架构师；斯坦福大学计算成像实验室负责人Gordon Wetzstein教授也是团队成员。Singh在公告中表示，机器人的下一个时代需要理解世界如何运动的模型，仅掌握画面外观或语言描述的模型并不足够。

竞争格局

这轮融资出现在美国机器人AI融资最密集的一个季度。各公司公告显示，Skild AI于1月14日完成软银领投的14亿美元C轮，估值超过140亿美元；Rivian分拆的Mind Robotics在Rhoda亮相次日融资5亿美元；Sunday于3月12日融资1.65亿美元。Physical Intelligence则在2025年11月完成CapitalG领投的B轮。这些公司大多开发视觉语言动作（VLA）模型，即在图文预训练网络上接入动作输出。Rhoda在官网称，DVA能实现传统VLA路线难以做到的泛化。

为何选择视频而非语言

机器人学习的瓶颈在数据。由人操控机器人完成示范的遥操作数据采集慢、成本高。互联网视频则数量巨大，记录了手、工具和物体在重力与接触下的运动。学会预测下一帧的模型相当于掌握了粗略的物理常识，Rhoda押注这一先验能把每个新任务所需的机器人数据压缩到几天的遥操作量。代价是算力：生成视频帧远比输出一段动作序列更重，这也是公司在推理延迟上大做文章的原因。

对中国产业的意义

过去两年，中国人形机器人和具身智能企业把大量资源投向真机遥操作数据采集，多地建设了数据采集与训练场。Rhoda的路线若被证明有效，将直接冲击“以真机数据规模取胜”的逻辑：互联网视频是全球公开资源，中国企业同样可以利用，而真机数据采集的边际价值可能下降。另一方面，视频生成式控制对推理算力要求更高，在高端GPU受出口管制的背景下，中国企业需要依靠国产芯片或端侧优化来跟进。中国拥有全球最庞大的制造和电商退货场景，若该技术成熟，本土应用空间同样可观。

风险与疑问

Rhoda展示的是少数任务的长时间运行，而非机队级别的可靠性统计。缺少成功率、每小时人工干预次数以及与VLA基线的对比，外界难以衡量视频先验的实际增益。制造评估的客户未具名，硬件由谁制造也未披露。Mayfield把这一模式称为“劳动力即服务”，并写道部署1000台可带来约1亿美元年度经常性收入，折合每台每年约10万美元，这一价格必须低于所替代班次的综合人工成本。

后续看点

Rhoda于2026年9月10日发布后续研究文章，探讨扩大网络视频预训练能否提升真实机器人的作业表现。首个具名量产客户、公开的干预率和单台部署价格，将决定这笔融资能否转化为真正的业务。