互联网巡回犬 Vol.04：物理世界的数据烂账、做食品的 AI 代理人，还有一副真的在用的聋人眼镜

今天这三个方向差异很大：一家在旧金山替物理科学行业清理几十年积下来的数据烂账，一家在伦敦帮食品品牌把供应链后台交给 AI 代理人跑，还有一家已经把字幕眼镜发到聋人用户手上，真实评测出来了。先说最硬核的那个。

物理科学行业有个问题，讲出来有点荒唐：做半导体良品率分析的工程师，要把数据从七八个电子表格、两三个遗留数据库、若干传感器日志里手动拼出来，这活儿做一次要几周。Altara 要做的事是：把这堆东西接进来，让 AI Agent 替人跑完这条链路。1

目标行业列得很具体：半导体、电池、医疗器械、先进材料、特种化学品、工业制造1——都是那种「数据又多又散、数字化程度不够、但数据价值极高」的行业。一条生产线的历史故障报告、温湿度曲线、测试批次数据，以前要想把这些拉通做分析，工程团队得手工 join，费时费力，做出来还不敢全信。Altara 做的事，用他们自己的说法是「把数周手动排查缩短到数分钟」2，底层逻辑是 Agentic 数据统一层——不是给数据建个仓这么简单，而是让 Agent 能在上面真正跑起来，做分析、做推理。

安全层面的配置做得相当完整，值得单独提一下：SOC 2 Type II 已通过合规，支持 SSO/IdP 接入，混合部署（自托管 VPC 或 Altara Cloud 单租户），端到端加密，客户数据不会用于模型训练，RBAC 权限控制2。这几条对大型制造商来说是硬门槛，没有这些他们根本不谈。这不是 Altara 在堆功能，是在对齐企业准入标准。

团队。两位创始人是哈佛 CS 同学，Eva Tuecke 和 Catherine Yeo。Eva 在哈佛期间去 Fermilab 做过粒子物理研究，后来在 SpaceX 工作；Catherine 在 Warp 做过 AI 工程师。1 这个组合有点意思——一个亲历过真实物理实验室里数据混乱状态（粒子物理/航天的数据管理是出名的复杂），一个在开发者工具里磨过现代 AI 工程方法论。这不是两个人坐在 SoMa 咖啡馆里凭想象画出来的需求，是有一手经历打底的。

融资方面，$7M 种子轮，Greylock 领投，Neo、BoxGroup、Liquid 2 Ventures 跟投，Jeff Dean 个人参投1。Jeff Dean 这个名字——Google AI 的灵魂人物，现任 Google DeepMind 负责人——出现在种子轮天使名单里，本身就是一个信号：这个方向技术上是真命题。

为什么现在做有意义？放在三年前，这件事很难做。你得同时有够强的 LLM 来读懂非结构化的科学文档，有成熟的 Agent 框架自动跑多步推理，还得有模型推理能力撑得住时序传感器数据——这几件事凑齐，大概是 2024-2025 年的事。与此同时，半导体产业在地缘政治压力下疯狂扩产，台积电、三星、英特尔在全球建新厂，每个新厂区都是一堆新设备、新数据流要接进来——正是这套技术最有价值的时机。Altara 的赌注是：做物理科学行业的数据底座，比做通用数仓更难，但一旦跑通，切换成本极高。这是一种故意把自己埋进行业里的打法，做成了以后切换成本不是比较高，是换不掉。

Corvera 的场景更具体，也更容易感知：你是一个欧洲小食品品牌，产品在连锁超市上架，每天要处理来自多个渠道的销售订单，做库存补货决策，跑需求预测，处理供应商沟通。这些事，现在是人在 Excel 里手动干，还有很多是靠操盘手多年积累的直觉。Corvera 要做的是：用 AI Agent 把这些后台流程接管过来，从订单处理到库存管理到需求预测，全链路自动化。3

YC 的描述是「AI agent workforce for CPG back-office」4，CPG 是快消品（Consumer Packaged Goods）的缩写，包括所有你在超市货架上看到的品牌食品、饮料、个护产品。这是个规模极大、数字化程度极不均匀的行业——大品牌有 SAP，小品牌和新兴品牌靠 Excel 加人工跑，中间有一大片没被好好服务的市场。

Corvera 目前已有 16 个品牌客户，包括 BOL Foods、All Plants、Jubel3。这些都是真实在超市卖货的品牌，不是白嫖 Beta 的测试用户。最让人注意的是这个数字：2026 年 3 月中旬，Corvera 4 周内从 $0 做到 $33K MRR，周环比增长 130%34。这个增速放在 B2B SaaS 早期阶段不算异常，但「4 周从零到 $33K」的节奏说明产品和市场之间已经有实质摩擦力，不是靠熟人关系撑起来的。

团队。CEO Chris Kong，两次创业经历，Forbes 30 Under 30，牛津大学毕业。他之前做的是 Better Nature——欧洲排名第一的 tempeh 品牌（天贝，一种发酵大豆食品），产品卖到 6 个国家、5000+ 零售店5。这个背景很重要：他亲历过快消品品牌在供应链后台手动运营的痛苦，他做 Corvera 不是在分析报告里看出来的需求，是从自己的伤疤里总结出来的。CTO Dirk Breeuwer 在 Google 工作 6 年以上，任 Data & AI Lead，主导了 Google Pixel EMEA 市场的 AI 转型（降本超 20%），构建了 Google 全球营销数据仓库（优化超 $1 亿营销支出），还开发了一个多 Agent 工作流自动化系统，使品牌合规审查效率提升 90%5。一个懂快消品业务痛点，一个真的做过大规模 AI 工程落地，这个搭法算是想清楚了。

融资方面，$4.2M 种子轮，6 Degrees Capital 领投（伦敦/安特卫普，旗舰基金 Fund III 规模 €1.54 亿），跟投方包括 20VC、Rebel Fund、Duke Capital Partners、Multimodal Ventures 以及 20+ 个其他 VC 和天使6。

为什么值得关注？CPG 供应链自动化不是新概念，但以前的方案大多是规则引擎和预设脚本——你要提前定义好每一个 if-then，遇到没见过的情况就卡住了。Corvera 赌的是 Agentic AI 能处理动态异常：货延了怎么重新排？某个渠道突然爆单怎么调配？这种「有判断力的自动化」在 Agent 技术成熟之前根本做不到。Corvera 踩的就是这个时间窗。再加上快消品行业的结构特点——头部品牌有 IT 预算，但 BOL Foods 这类中小品牌根本请不起一个供应链分析师——Corvera 的定价空间很清晰。问题是护城河：如果竞品也能接进来同一套 ERP 数据，Corvera 的差异化到底扎在哪里？这是下一步值得盯的问题。

这个我要多说几句，因为大多数 AI 硬件报道里几乎看不到真实用户声音，但 XRAI AR2 在 Reddit 上有一篇聋人用户写的深度评测，逐字读完之后感受很不一样。7

先说产品本身。XRAI AR2 是一副 AI 实时字幕眼镜，$699，重量 49g，双显示屏亮度 2500 nits，续航 8 小时以上，字幕延迟 0.5 秒，支持 300+ 语言实时字幕和翻译78。2025 年 6 月在 AWE 2025 发布，同年 8 月底开始发货8。

那篇 Reddit 评测写于 2026 年 4 月，作者是重度听损用户，一开始是抱着「又一个玩具」的心态拿到货的。评测里有一句话我单独摘出来：「第一款可以全天佩戴的字幕眼镜」7。「可以全天戴」这四个字在听障辅助设备里含金量很高——大多数字幕方案要么是手机举在面前，要么是专用显示器，根本没法在日常场景里持续使用。49g 的重量和 8 小时续航组合在一起，才让「全天佩戴」这件事成为可能。

评测同时点出了一个核心缺陷：字幕静默中断时（比如麦克风故障或者连接断开），镜片上没有任何视觉提示，也没有触觉通知7。对聋人用户来说，这不是体验问题，是安全隐患——你以为自己在接收字幕，但其实什么都没显示，这在走路、开会甚至过马路的场景里可能是真实风险。这个缺陷很具体，也是 XRAI 下一个固件版本必须解决的。

团队。CEO Dan Scarfe 创立，定位为面向全球 4800 万听力损失用户的辅助技术公司7。公开资料里关于团队的信息比前两家少很多，但 AR2 已经发货这个事实本身说明了一些问题：硬件量产、供应链、FCC/CE 认证，这条路已经走完一遍了。

为什么现在做有意义，以及这件事的特殊性在哪里。大多数 AI 硬件的产品逻辑是「给健全人加能力」，XRAI 做的是截然不同的事——它在解决一个真实的残障困境，4800 万听力损失用户每天活在一种信息不对等里，听到声音但无法解码，XRAI AR2 想直接把这个解码器架到眼前。这个用户群有几个结构性特征：付费意愿强（辅助设备历来如此）、口碑传播密集（残障社区内的信任网络很紧密）、政府采购/保险报销的潜在通道存在。$699 的定价在消费电子里不便宜，但放在辅助设备里很有竞争力——高端助听器动辄 $3000 起。真正的增长飞轮可能来自听损社区的口碑，那篇 Reddit 评测的评论区里已经有人在问「我有一个聋的家人，这个能帮到他们吗？」——这个问题出现在技术评测区，本身就说明产品触碰到了真实需求。

Altara、Corvera、XRAI AR2，看起来方向完全不同，但背后有一条共同的逻辑：它们都在用 AI 解决一个过去「靠人凑」才能维持运转的系统。

物理科学行业的数据拼图靠工程师手工做，一直靠——因为没有别的办法。快消品供应链后台靠人盯、靠直觉、靠操盘手，一直靠——因为规则引擎没法处理真实世界的异常。聋人用户的沟通困境靠手语、靠笔谈、靠别人转述，一直靠——因为字幕设备不是可以真正穿戴的形态。

这三家不是在赶时髦地把「AI」加在业务前面，而是在做一件之前客观上做不到的事，现在技术层面第一次可以做了。

开放性的问题是：这三条路，谁最容易被大玩家复制？Altara 的难度在于行业数据积累，但 Databricks 和 Snowflake 随时可以向下打；Corvera 的难度在于懂业务，但 SAP 和 Oracle 的 AI 团队也在向中小客户走；XRAI 的难度在于硬件量产门槛，但 Meta 和三星的 AI 眼镜已经在路上。护城河够不够宽、速度够不够快，这是这三家接下来最需要回答的问题——也是值得继续跟踪的理由。