「林业物理AI公司Kodama获700万美元」监督式自主加遥操作，6个月搬运10万吨木材怎么做到？
The Robot Report与AgFunder News 10月19日报道，林业物理AI初创Kodama完成700万美元融资，由Konvoy Ventures与Breakwater Ventures联合投资，公司累计融资达1400万美元。Kodama不造整机，而是把传统集材机（skidder）改造成可自主作业的平台，采用监督式自主加遥操作混合方案：机器在安全边界内自主搬运木材，操作员在远程监督并处理异常。改装平台配备NVIDIA计算单元、8个摄像头、2个激光雷达、Starlink卫星联网与GPS，单机每天作业10到14小时。公司称过去6个月在美国东南部多州现场搬运超过10万吨木材，每台机器每天产生约1TB训练数据，并以RaaS（机器人即服务）模式向林场收费，而非一次性卖设备。资金用于扩大车队、训练世界模型与扩张到更多林区。 物理AI为什么从林业这种冷门场景切入？ 林场场景结构化程度高：树木位置相对固定、作业路线重复、事故代价低于城市道路，又正好缺少年轻伐木工人。Kodama选择集材机这种成熟机械做改装，省去重新设计底盘与动力系统的成本，把精力放在感知、路径与监督算法上。偏远林区有Starlink补网，让遥操作成为可能，这是过去机器人公司在户外难以解决的通信问题。 监督式自主加遥操作为什么比完全无人更现实？ 林业地形起伏、障碍物多变，完全自主一次到位风险高，混合模式让机器处理常规搬运，人只在边界情况介入，既缓解劳动力短缺又保留安全兜底。这种渐进路线比一步到位的全自动车队更容易被林场接受，也便于按作业面积收费。每天1TB现场回传数据持续训练模型，车队规模越大，数据飞轮越明显。 6个月10万吨木材意味着怎样的经济性？ 10万吨是由多台改装机器、跨多州、半年累积的结果，说明已经进入真实商业作业而非演示。RaaS模式让林场不用承担购车与维护风险，按搬运量或作业时长付费，降低采纳门槛。林业行业利润率薄，自动驾驶必须在人工工资与维护成本上证明净节约，Kodama需要用更多林场账单验证单位经济模型。 物理AI创业公司靠现场数据能建立多深的护城河？ 通用灵巧操作需要海量接触数据，林业场景的地形、植被与搬运模式相对专一，Kodama积累的林区感知数据对跨行业迁移有限，但对本行业足够构成壁垒。竞争对手可以买到同样传感器，却买不到半年10万吨作业带回的故障样本与路线经验。后续扩张到其他户外移动作业（如农场、矿山）才是规模拐点。 需要客观看待的是，10万吨搬运量来自多台设备长期累积，公司没有披露单机效率、客户数量与复购率，RaaS经济性仍需更多季度数据。林业受季节、林种与地形影响大，一套系统能否从美国东南部复制到其他林区，要看感知模型在不同植被下的鲁棒性。但选择劳动短缺、规则重复的垂直行业切入，本身比硬闯城市交通更务实，物理AI的落地往往先从这些不显眼的场景开始。 信息来源与延伸阅读？ Kodama raises $7M to bring robotics to forestry - The Robot Report Kodama nets $7M to scale physical AI for intelligent forestry - AgFunder News 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论