XDOF 成立仅三月，正洽谈 12 亿美元估值 B 轮融资

XDOF 的业务模式与市场定位

XDOF 由加州大学伯克利分校研究人员 Philipp Wu（CEO）与 Fred Shentu（CTO）于 2024 年共同创立，核心业务是为前沿 AI 实验室与机器人公司提供真实世界远程操作数据，并搭建配套的数据流水线、采集工具与标注体系。公司将自己定位为机器人行业的外包数据供应链，本质上承接了客户自己难以高效搭建的基础设施环节。

在融资节奏上，XDOF 于 2026 年 6 月披露 7000 万美元 A 轮，参与方包括 Thrive Capital、Andreessen Horowitz、Lux 与 Spark Capital。仅仅数月后，公司年化营收接近 5000 万美元，并已开始与 8VC 洽谈 B 轮，估值约 12 亿美元。公司原本并未计划如此密集地再次融资，是增长曲线吸引了新的投资方主动接洽。截至目前，该轮的具体募资总额与估值口径均未最终敲定。

投资人常用「机器人领域的 Scale AI 或 Mercor」来形容 XDOF，意指其在数据标注与供给环节的角色可与当年推动大模型浪潮的数据服务商相提并论。其商业客户已扩展至 20 家，其中包含多家前沿 AI 实验室。XDOF 还与伯克利 AI Research 实验室合作，发布了名为 ABC 的机器人训练数据集，公司方面称之为目前规模最大的高质量机器人训练数据合集。

机器人数据收集的挑战与机遇

机器人领域的核心瓶颈并非模型本身，而是真实世界训练数据的匮乏。大语言模型可以直接吸收互联网上的海量文本，而面向通用智能的物理机器人缺乏可类比的现成数据集，使得数据采集成为研发链条中最难替代的一环。Wu 在读博期间研究机器人如何从大规模数据中学习时，正是被这一供给缺口所阻碍。

围绕该痛点，XDOF 的技术路径源自其联合创始人开发的 GELLO，这是一套低成本远程操作系统，允许操作员远程控制机械臂以生成训练数据，相关论文在机器人领域产生了持续影响。在此基础上，公司将远程遥操作与佩戴传感器的采集员相结合，让操作员一边折叠衣物、压平纸箱等日常任务，一边由机器人同步记录运动轨迹与状态信息。

公司计划在全球范围内招募并培训两类团队，一类是远程操控机器人的遥操作员，另一类是佩戴体感设备、以第一人称视角捕捉动作数据的采集员。这种「人 + 机器人 + 传感器」的多模态方案旨在同时获取操作意图与执行细节，为后续策略学习提供更完整的监督信号。竞争对手包括 Mecka AI，以及由大模型数据标注领域横向扩张的 Scale AI 与 Micro1 等。从行业角度看，机器人数据供给仍处于供给紧张、需求快速放大的早期阶段，先行建立采集网络与标注管线的公司有机会在未来的通用机器人研发中占据关键位置。

XDOF 的技术基础与研究背景

XDOF 的核心方法论起源于加州大学伯克利分校的一项学术项目 GELLO，由 Philipp Wu 与 Fred Shentu 在读博期间联合发起。该项目旨在用低成本方案解决机器人领域长期存在的数据匮乏问题：人类操作员可以通过一个简化外设远程控制机械臂，进而生成可用于训练的真实世界动作数据。这套思路最终沉淀为一篇具有影响力的机器人学论文，也直接构成了 XDOF 当前远程操控数据采集系统的技术雏形。

在此基础上，XDOF 进一步整合了带在操作员身体上的可穿戴传感器，用以采集第一人称视角下的日常动作，例如折叠衣物、展平纸箱等。两类信号在时间轴上对齐后，能够同时记录机械臂末端轨迹和操作者全身运动模式，从而为下游策略学习提供更丰富的监督信号。XDOF 还计划在全球范围内招募并培训两类采集人员，一类是远程操控机械臂的遥操作员，另一类是佩戴身体传感器完成自然任务的第一人称操作员，这两类岗位的设置直接对应着公司同时向市场提供两类不同模态数据的业务结构。

在数据资产的积累层面，XDOF 与伯克利人工智能研究实验室合作，公开了一个名为 ABC 的数据集，并将其定位为「迄今规模最大的高质量机器人训练数据集合」。这类公开数据集的作用在于降低外部研究者复现相关实验的门槛，也是 XDOF 在客户之外建立生态影响的重要抓手。Wu 曾在 6 月的采访中提到，他读博时研究机器人如何从大数据集中学习，最大的阻碍正是缺乏可用的大规模数据，这一表述与公司当前的产品方向高度一致。

融资进展与市场估值分析

XDOF 刚刚走出隐身期不到三个月，已经进入 B 轮融资的晚期谈判阶段。据知情人士透露，本轮由 8VC 领投，目标估值约为 12 亿美元，融资条款尚未最终敲定，融资总额和估值是否包含新增资金均未对外披露。XDOF 和 8VC 在采访时均未就交易进展发表评论。

在此之前，公司于 2026 年 6 月完成了 7000 万美元的 A 轮融资，投资方包括 Thrive Capital、Andreessen Horowitz、Lux 和 Spark Capital。按照公司原定节奏，短期内并不打算再次融资，但年化营收接近 5000 万美元的增长曲线打乱了这一节奏，多家 VC 主动上门，推动了新一轮估值讨论。从 A 轮披露到 B 轮谈判公开，间隔不到三个月，速度在当前机器人赛道的初创公司中较为少见。

推动估值跃升的并非单纯的预期，而是已经被验证的现金流。据报道，XDOF 已经在为 20 家客户供数，其中包括多家前沿 AI 实验室，这部分收入构成了营收数字的主要支撑。在一级市场，投资者倾向于把 XDOF 与 Scale AI、Mercor 等数据标注公司做横向比较，把其定位为「物理机器人领域的 Scale AI」。这一类比的意义在于，强调 XDOF 解决的是机器人产业中数据供应链外包这一结构性问题，而非单纯的算法或硬件创新，因此其估值逻辑更接近数据基础设施公司的估值框架。

横向来看，同期进入机器人数据采集赛道的玩家还包括 Mecka AI，以及正在从大语言模型数据标注向机器人数据延伸的 Scale AI 和 Micro1。Micro1 在 9 月初完成新一轮融资时估值达到 5 亿美元，Scale AI 则在更早的阶段建立起了行业基准。XDOF 在成立不到两年、走出隐身期仅三个月的情况下，洽谈估值已显著超过上述部分可比公司，这一估值跳跃主要由收入兑现速度和数据规模预期共同支撑。

XDOF 的客户与合作伙伴

XDOF 此前向 TechCrunch 表示，公司当前的合作客户数量约为 20 家，其中包含若干前沿 AI 实验室。这类客户结构意味着 XDOF 的收入并非依赖单一买方，而是分散在多家对机器人训练数据有持续需求的研究机构与企业之间。能够同时承接多家前沿实验室的项目，通常需要数据格式、标注规范以及交付节奏达到一定的标准化程度，否则很难在多个客户之间复用基础设施。

在合作伙伴层面，XDOF 与加州大学伯克利分校 AI Research lab 合作，共同发布名为 ABC 的数据集。该数据集被公司描述为有史以来规模最大的高质量机器人训练数据集合之一。这一合作的两端分别是初创公司的工程化数据产线与高校研究机构在算法与评估上的能力，两者在数据规模与学术可信度上形成互补，也使 ABC 在发布时具有一定的第三方背书。

XDOF 也曾公开强调，计划在全球范围内招募并培养数据采集团队，团队成员既包括远程操控机器人的遥操作员，也包括佩戴身体传感器记录动作的自我中心操作员。这种以人力资源网络为核心的服务结构，与单纯的软件授权模式存在明显差别。

竞争格局与行业前景

在面向机器人训练的真实世界数据采集领域，XDOF 并不是唯一的参与者。Mecka AI 是被点名的同类创业公司之一，业务方向同样是面向物理机器人收集真实世界数据。除此之外，原本以大语言模型人工数据平台见称的公司也在向机器人方向扩展，Scale AI 与 Micro1 是其中两家被明确提及的代表，其中 Micro1 此前的估值约为 5 亿美元。

这种竞争格局呈现出两层结构。一层是聚焦机器人的垂直数据公司，如 XDOF 与 Mecka AI；另一层是从语言模型数据标注扩张而来的综合平台。两类玩家在客户、采集方式和标注流程上有所重叠，但在设备投入、动作数据维度以及与机器人硬件栈的耦合度上存在差异。投资者将 XDOF 描述为物理机器人领域的 Scale AI 或 Mercor，正是基于这种类比。

从行业前景来看，物理机器人目前缺乏类似互联网文本那样的现成大规模真实世界数据集，这一供给缺口被普遍认为是制约通用机器人研发的关键瓶颈。正因为如此，能够稳定产出高质量训练数据的供应商在短期内具备一定的议价能力，这也解释了 XDOF 在结束隐身模式不到三个月、年化营收接近 5000 万美元的水平下，仍能在估值上获得快速抬升的市场条件。

XDOF, just three months out of stealth, is in talks for a Series B at a $1.2B valuation的落地取舍

XDOF 这轮 B 轮融资的快速推进，本身就说明了资金端对数据供给环节的判断发生了显著变化。距离 6 月 7000 万美元 A 轮交割仅三个月，公司并未主动开启新一轮融资，而是由风险投资机构主动接洽，这一顺序倒置反映出几件事：其一是 XDOF 在 A 轮之后的几个月内，营收口径已经接近年化 5000 万美元；其二是资本对"物理机器人领域的 Scale AI 或 Mercor"这一标的稀缺性的认可正在加速兑现。

具体到交易层面，仍有几个尚未敲定的细节会直接影响这一轮融资的最终形态。报道里写明 8VC 计划领投，但融资金额未披露，且 12 亿美元估值是否包含新增资金也不明确。XDOF 与 8VC 在媒体问询时均未置评，交易条款仍处于可调整状态。这些未落地的变量意味着最终交割的估值、稀释比例以及投资人组合都存在改动空间。

从创始团队对融资节奏的判断来看，XDOF 此前并未将 B 轮列入短期计划。Wu 在博士阶段的研究受阻于大规模训练数据的缺失，他和 Shentu 共同搭建了低成本遥操作系统 GELLO，并以此为基础形成了一篇在机器人领域有影响力的论文。这段研究经历使得团队对"数据管道"这一环节的痛点形成了具体认知：与 LLM 可以直接消化互联网文本不同，物理机器人缺少等价的真实世界数据集，收集环节必须从零搭建。这也解释了 XDOF 选择把业务定位在数据采集工具、注释系统以及外包式数据供应链上的原因。

在执行层面，XDOF 的做法是把远程遥操作与佩戴身体传感器的采集员结合，前者负责远程操控机械臂，后者通过第一视角记录叠衣服、压平纸箱等日常任务。两类采集员都需要经过专门培训，公司计划在全球范围内成建制地招聘并组建采集团队。客户一侧，公司此前已披露与 20 家客户合作，其中包含若干前沿 AI 实验室。配合 UC Berkeley AI Research Lab 发布的 ABC 数据集，XDOF 试图把"采集规模"和"数据质量"两个维度同时推到行业里靠前的位置。

值得指出的是，这轮融资的快速落地并不是孤立事件。竞争一侧，Mecka AI 同样在做真实世界机器人数据采集，Scale AI 与 Micro1 等原本服务于 LLM 的人类数据平台也在向物理机器人方向延伸。多方同时涌入同一个环节，反过来强化了 XDOF 的窗口期判断，也给后续轮次留下了可比的定价锚点。