全球机器人产业正在投入巨额资金追逐“Physical AI”，但一个现实问题始终摆在机器人企业面前：在真正具备接近人类水平的通用自主能力之前，机器人如何先进入真实工厂和仓库创造价值？美国机器人初创企业Avatar Robotics给出了一个不同于主流人形机器人公司的答案——先让人远程控制机器人工作，再利用每一次真实作业产生的数据逐步训练AI。2026年8月5日，总部位于美国旧金山的Avatar Robotics宣布完成650万美元种子轮融资，本轮由AlleyCorp领投，此前Pre-Seed轮由defy.vc领投，Headline、Henry Ford III、Refashiond以及多位个人投资者参与。新资金将用于扩大机器人部署、开发自主控制软件、增加机器人车队规模，并扩充工程和运营团队。自2025年12月开始商业运行以来，其机器人已经在真实客户环境中完成包装、分拣和发运超过90万件商品，并开始与一家规模达数十亿美元的仓储运营商从试点进入扩展阶段。

Avatar Robotics的技术路线与当前大量直接追求“全自主机器人”的企业明显不同。其机器人采用轮式移动底盘和双机械臂，可以完成拣选、包装、配套分拣（kitting）、分类、循环盘点以及物料搬运等仓储和制造任务，但在复杂工况下并不完全依赖AI，而是由分布在不同地区的人工操作员通过VR头显和控制器进行远程操控。公司的远程操作系统提供多摄像头高清视频、低延迟双向控制，当自主系统遇到难以处理的物品、姿态或者异常场景时，人工操作员可以立即介入。企业因此不需要等待机器人拥有完全成熟的通用自主能力，便能够将设备部署到客户真实生产环境。公司还采用服务化模式，并不以直接销售机器人硬件为核心，而是向客户提供持续的机器人劳动力能力。这种模式的逻辑是：客户得到能够立即工作的机器人，Avatar则在实际商业运营过程中不断获取真实世界数据。

这种“Human-in-the-loop”模式背后更重要的资产其实是数据。机器人每一次真实作业都会同步产生视频、传感器数据、机械臂运动轨迹、任务成功或失败状态以及人工操作员面对异常情况时采取的动作。Avatar将这些多模态数据用于训练Vision-Language-Action模型、模仿学习策略和行为克隆系统，使机器人逐步学会更多过去需要人工远程操作的动作。在仓储机器人行业，这解决了Physical AI发展中的一个核心难题：高质量真实机器人操作数据极其昂贵。单纯安排人员佩戴传感器、反复执行模拟动作虽然可以收集训练数据，但本身不产生商业价值；Avatar的方案则让人工操作员在完成客户实际订单的同时生成训练数据，相当于把“机器人商业运营”和“AI训练数据生产”放进同一个闭环。从长期架构看，当AI能够处理越来越多标准化任务后，人工操作员不再需要连续控制一台机器人，而可能只在机器人遇到异常时介入，最终形成“一名操作员监督多台机器人”的车队模式。

这一模式目前已经经过真实仓储环境验证。公司创始人兼首席执行官Colin Webb曾让一台机器人在美国达拉斯连续完成约8小时仓库班次，机器人负责将美容产品装入包装袋，而远程操作员通过VR设备控制其动作。Avatar目前并未披露具体部署了多少台机器人、拥有多少付费客户以及涉及多少个仓库，但公司计划首先推动每个客户由少量测试设备扩展至数十台，再逐渐向数百台规模发展。其机器人平台本身也强调兼容人类既有工作环境：不要求客户彻底重新设计生产线和仓库，而是尽可能使用现有工具、工位和工作流程，同时通过车队管理系统监测机器人状态、生产吞吐量、异常情况及历史运行数据。这种思路与传统大型固定自动化项目不同，后者往往需要重新设计输送线、工作站和仓储布局，而Avatar希望机器人能够直接进入过去由人工完成、标准化程度又不足以采用传统自动化设备的工作岗位。

Avatar Robotics由Colin Webb创立。Webb毕业于美国麻省理工学院（MIT），此前曾在自动驾驶企业Cruise工作，并参与过无人机、自动驾驶等自主系统开发。他创办Avatar Robotics的判断建立在三个条件同时成熟之上：机器人硬件价格下降、高速网络连接能力提升，以及AI自主控制技术持续进步。与Agility Robotics、Figure AI等自行开发机器人本体的公司不同，Avatar当前更多将核心能力集中在远程操控、AI训练、机器人软件和运营平台上，机器人硬件采用外部供应体系。这种“硬件平台可替换、软件和运营体系为核心”的策略可以加快早期部署速度，但同时也意味着企业需要处理机器人供应链、安全法规以及不同硬件平台适配等问题。美国近期针对外国生产先进机器人设备的监管变化，也可能影响其未来机器人硬件采购方式，公司已经表示其软件能够适配不同机器人平台，并将逐步提高自身对机器人供应链的控制能力。

Avatar Robotics这轮650万美元融资虽然与当前动辄数亿美元甚至数十亿美元的人形机器人融资相比规模并不大，但其商业路线值得仓储和内部物流行业关注。过去机器人产业经常面临“技术演示很好看、真正进入仓库却很难”的问题，原因在于真实物流环境中的SKU种类、包装形态、货物姿态和异常情况远比实验室复杂。Avatar没有把“机器人必须完全无人化”作为商业部署的前提，而是利用远程人工把自动化能力不足的部分补上，让设备首先进入生产环境，再通过实际工作不断收集数据、提高自主率。这种方式实际上形成了一条不同的机器人商业化路线：第一阶段是人远程控制机器人完成工作，第二阶段是AI承担大部分标准任务、人工处理异常，最终再向一名操作员监管整个机器人车队发展。如果这一模式能够实现规模化，它可能为仓储、制造、矿山、农业等仍存在大量非结构化人工岗位的领域提供一种介于“完全人工”和“完全自主机器人”之间的新型自动化方式。