A Humyn Labs captou US$ 47 milhões em uma rodada Série A enquanto constrói um negócio em torno de uma limitação persistente da robótica: obter dados de treinamento que reflitam a complexidade dos locais de trabalho reais, e não apenas simulações controladas.

A empresa diz trabalhar com laboratórios de IA de fronteira, empresas de robótica e desenvolvedores de modelos do mundo, coletando e enriquecendo dados de operações reais. Também afirma ter ultrapassado US$ 50 milhões em receita anualizada seis meses após iniciar as operações.

Financiamento dividido entre participação acionária e dívida

A rodada inclui US$ 26 milhões em participação acionária liderados pela Accel e US$ 21 milhões em dívida de risco liderados pela Lighthouse Canton. Outros participantes incluem Prosus Ventures, BeeGlobal, Finserv Intelligence, Bajaj Finance, Bajaj Alts AI Opportunities Fund, Dallas Venture Capital, Lighthouse Canton, Jump Trading LLC e Anita Pramoda, ex-diretora financeira da Epic.

A tese da empresa não é apenas que robôs precisam de mais dados, mas que esses dados devem ser coletados para as condições práticas em que o cliente quer operar o sistema. O cofundador Ishank Gupta disse que o desenvolvimento robótico continua limitado pela distância entre laboratórios, ambientes simulados e o mundo real.

Quatro tipos de sinais

A Humyn Labs afirma coletar dados de visão, som, toque e movimento. Dispositivos próprios registram como as pessoas executam trabalhos específicos, e um mecanismo de dados transforma as gravações em conjuntos rotulados, prontos para treinamento e com procedência verificada.

Tarefas físicas raramente podem ser reduzidas à visão de uma única câmera. Um robô que trabalha perto de pessoas ou manipula objetos pode precisar de contexto visual, sons, informações de toque e registros de como o corpo ou a ferramenta se movimentam.

Gupta disse que a empresa trata o áudio de forma diferente da visão, do toque e do movimento. Para áudio, o foco é coletar dados em vários idiomas; visão, toque e movimento tendem a ser mais específicos de cada setor e frequentemente são coletados juntos.

Coleta além de um único mercado

A empresa diz operar e trabalhar com parceiros de coleta em mais de 20 países. Suas maiores áreas de atuação são América Latina, Sudeste Asiático, Sul da Ásia e Leste Asiático. Essa presença permite que clientes solicitem programas personalizados de coleta e enriquecimento, em vez de depender de um conjunto genérico fixo.

A Humyn Labs se descreve como parceira de dados e de implantação. Ela começa pelas necessidades dos pesquisadores e constrói um programa de coleta em torno delas, como uma extensão da equipe de pesquisa do cliente.

Por que dados do mundo real se tornaram prioridade

Desenvolvedores de robótica precisam cada vez mais de sistemas capazes de sair das condições de teste e operar em casas, locais de trabalho e outros ambientes variáveis. A simulação continua útil, mas a empresa argumenta que não substitui totalmente registros de como pessoas reais executam o trabalho. O valor está em preparar sistemas para a implantação, não apenas melhorar uma métrica.

A Humyn divide seus clientes em três categorias: residencial, comercial e industrial. O relatório não detalha os projetos de cada categoria, mas o enquadramento sugere um mercado amplo para dados multimodais do mundo físico.

O que a rodada sinaliza

Os US$ 47 milhões permitirão que a Humyn Labs expanda operações de captura e enriquecimento em várias regiões. A combinação de participação acionária e dívida de risco também reflete um modelo operacionalmente intensivo: coletar, rotular e validar dados reais exige mais que distribuir software.

O próximo teste será atender clientes muito diferentes mantendo a procedência e a qualidade prometidas. Para desenvolvedores de robótica, o atrativo é acessar dados mais próximos das condições que suas máquinas encontrarão fora do laboratório.

O financiamento da Humyn Labs lembra que construir robôs capazes não depende apenas de algoritmos ou hardware. Também depende de sistemas que observem o trabalho real, transformem observações em conjuntos de dados úteis e reduzam a distância entre uma demonstração promissora e uma implantação confiável.

Este artigo baseia-se em reportagem do The Robot Report. Leia o artigo original.

Originally published on therobotreport.com