Gather AI 獲得 4,000 萬美元融資，旨在填補供應鏈的「現實落差（Reality Gap）」
Gather AI 是物流領域電腦視覺（Computer Vision）與自主機器人（Autonomous Robotics）的先驅，近期完成了由 Smith Point Capital 領投的 4,000 萬美元 B 輪融資。此次最新的資本注入使該公司的總融資額達到 7,400 萬美元，展現了市場對「實體人工智慧（Physical AI）」作為提升供應鏈效率下一個前沿領域的強大信心。
本輪融資由 Salesforce 前共同執行長 Keith Block 創立的 Smith Point Capital 領投。現有投資者 Bain Capital Ventures、Tribeca Venture Partners、Bling Capital、Dundee Venture Capital 和 XRC Ventures，以及新投資者 The Hillman Company 也參與了其中。這筆資金將用於擴大全球業務規模，並進一步開發 Gather AI 專有的「好奇（curious）」無人機技術，該技術能主動搜尋庫存錯誤，而非被動掃描貨架。
隨著物流網絡日益複雜，數位記錄與物理現實之間的脫節（通常稱為「現實落差」）已成為一個價值數十億美元的問題。Gather AI 的平台透過部署自主無人機即時將倉庫庫存數位化來解決此問題，提供直接與倉庫管理系統（Warehouse Management Systems，WMS）整合的單一事實來源。
「好奇」機器人：自動化的貝氏方法
Gather AI 成功的核心在於自主系統感知環境方式的根本轉變。與遵循固定路徑的通用掃描解決方案不同，Gather AI 的無人機利用 貝氏好奇心（Bayesian curiosity） 技術結合神經網路（Neural Networks）。這使得無人機在運作時具有能動感，能主動搜尋條碼、批次碼、文字和有效期限等特定數據點。
這種「好奇心」使系統能夠做出即時的智慧決策。如果標籤被部分遮擋或托盤看起來擺放不當，無人機能夠調整其行為以獲取更好的角度或進一步調查，就像人類稽核員一樣。然而，與體力有限的人類工作者不同，這些無人機能以近乎完美的穩定性持續運作。
關鍵在於，Gather AI 透過在核心導航和識別任務中避免使用端到端的大型語言模型（Large Language Models，LLMs），將自己與當前的生成式 AI（Generative AI）熱潮區隔開來。透過依賴基於機率的貝氏方法，該系統避免了困擾大型語言模型的「幻覺（Hallucination）」問題，確保輸入供應鏈系統的數據準確可靠。
貝氏好奇心的技術優勢
- 主動調查： 無人機不只是路過；它們會「狩獵」缺失或異常的數據。
- 無幻覺： 使用確定性機率模型而非生成式預測來讀取數據。
- 基礎設施獨立性： 不需要對倉庫進行改造（無需反射器、信標或特殊照明）。
- 具備冷藏庫作業能力： 在人類勞動困難且危險的零下環境中也能有效運作。
來自企業軟體資深人士的策略支持
Smith Point Capital 的參與，特別是 Keith Block 的加入，強調了 Gather AI 成為實體世界標準「記錄系統」的潛力。曾協助將 Salesforce 發展為全球企業巨頭的 Block 認為，Gather AI 不僅僅是一家 機器人（Robotics） 公司，更是現代商業中關鍵的情報層。
Keith Block 在一份關於投資的聲明中表示：「Gather AI 正在重新定義物理世界的衡量、理解和運作方式。該團隊建立的不僅僅是計算庫存的更好方法；它是現代供應鏈的基礎情報層。我們相信 Gather AI 將成為每個倉庫、工廠和堆場的記錄系統。」
這家新創公司已經展現了顯著的成長勢頭。在過去一年中，Gather AI 的訂單增長了 250%，其營運版圖擴大了一倍。其客戶名單包括 GEODIS、NFI Industries、Kwik Trip、Axon、dnata、Barrett Distribution 和 Langham Logistics 等主要的物流和零售巨頭。
營運比較：人工 vs. Gather AI
採用 Gather AI 代表了從傳統 庫存管理（Inventory Management） 的範式轉移。以下比較突顯了傳統方法與 Gather AI 自主方案之間的營運差異。
表 1：庫存管理方法的營運比較
| 功能 | 傳統人工/手持掃描 | Gather AI 自主解決方案 |
|---|---|---|
| 數據頻率 | 每季或年度週期 | 每日或持續即時 |
| 準確性來源 | 人為驗證（易疲勞） | 電腦視覺與貝氏驗證 |
| 可擴充性 | 線性（需要雇用更多人） | 指數型（增加無人機而非人力） |
| 基礎設施 | 需要照明、安全通道、升降機 | 零變動；在現有佈局中飛行 |
| 異常處理 | 反應式（出貨後才發現錯誤） | 主動式（揀貨前標記錯誤） |
| 成本結構 | 高變動營運成本（人力） | 固定且可預測的營運成本（SaaS/RaaS） |
擴展具身人工智慧的足跡
這筆 4,000 萬美元的新資金將推動 Gather AI 擴張至北美、歐洲和亞洲數以百計的額外設施。除了地理增長，該公司還投入大量研發資金以增強其平台的預測能力。其目標是從單純報告庫存狀態，轉向在潛在瓶頸、缺貨和安全隱患影響利潤之前就對其進行預測。
Gather AI 的創辦人——Sankalp Arora、Daniel Maturana 和 Geetesh Dubey，是在卡內基梅隆大學攻讀博士學位時結識的。他們在機器人領域深厚的學術根基轉化為一種務實、硬體無關的解決方案，即使用市售無人機而非客製化的昂貴硬體。這種軟體優先的方法允許快速部署和更輕鬆的擴展，這也是他們迅速積累市場份額的關鍵因素。
Gather AI 的共同創辦人兼執行長 Sankalp Arora 表示：「由於倉庫活動很少與數位系統記錄匹配，全球物流公司每年損失數十億美元。這種『實體與數位間的鴻溝』造成了營運盲點。我們提供持續的實體情報來消除這些盲點。」
Creati.ai 觀點：可靠具身人工智慧的興起
從更廣泛的 AI 產業角度來看，Gather AI 的 B 輪成功突顯了一個日益成熟的 具身人工智慧（Embodied AI） 市場——即與物理世界互動的人工智慧。雖然 2024 年和 2025 年是由生成式文字和影像模型的爆發所主導，但 2026 年正成為 AI 在工業應用中證明其價值的年份。
投資者越來越多地將產生新內容的「創意型」 AI，與衡量和優化現實的「分析型」或「實體型」 AI 區分開來。Gather AI 的成功表明，對於像供應鏈這樣關鍵任務型產業，市場更青睞優先考慮精確度和地面實況（Ground Truth）而非生成能力的解決方案。
貝氏技術的使用起到了關鍵的保護作用。在一個存放價值數百萬美元庫存的倉庫中，99% 的準確率通常是不夠的；系統需要知道它 不了解 什麼。Gather AI 的無人機被程式設計為能夠識別不確定性——這一特性使它們比那些可能對模糊條碼進行「猜測」的系統更安全、更可靠。隨著自動化繼續滲透到實體勞動力中，這種「好奇但謹慎」的架構可能會成為工業機器人的標準。
