这笔融资的形态本身就是一个信号。公司 2026 年 3 月成立，到 10 月 22 日出隐身，中间七个月；团队 12 人；拿的是 pre-seed 轮，金额 2668 万欧元。按 Sifted 的说法，这是瑞士历史上规模最大的 pre-seed 之一。
投资人名单比金额更值得看。三个机构都是欧洲早期硬科技的常客：redalpine、Notion Capital、firstminute capital。天使里有三个名字值得单独拎出来——Yann LeCun 现在做 AMI Labs，长期主张以世界模型／JEPA 路线替代纯生成式路径；Arthur Mensch 是 Mistral 创始人；Andrew Lonsberry 创办的 Path Robotics 做的是焊接机器人，是「力控在真实产线上极其难做」这件事的现成案例。
创始人 Manuel Yves Galliker 的履历也解释得通为什么这么早就能拿到这个数：ETH 苏黎世出身，在 Marco Hutter 实验室与 Caltech 的 AMBER 实验室做过研究，硕士期间的双足行走 MPC 工作进过 IEEE Humanoids 2022 最佳论文决赛；之后在 1X 带 NEO 人形机器人的控制与嵌入式团队（即教会 NEO 走路的那一支），再去 Physical Intelligence。这条路径横跨了「腿」「臂」「模型」三段。
判断：在欧洲机器人圈，苏黎世—慕尼黑—米兰这条带正在形成与湾区不同的人才结构：湾区强在模型与软件，苏黎世强在机电与硬件工程。Galliker 在采访里把这一点讲得很直白——硅谷在软件和 AI 上很强，但缺机器人与硬件工程人才，现在的钱在追少数人。
Enact 选定的场景很窄：插线缆、装密封圈、起螺丝。这三件事的共同点是，前 99% 的行程靠视觉完全够用——摄像头能看到插孔在哪、螺丝孔在哪、手该往哪走；失败全部发生在接触之后。
《I-Scoop》同日评论里引了一组很有说服力的对照数据：按 Xie 与 Correll 2025 年的触觉综述，以力为条件的策略在间隙不足 0.5 毫米的插孔任务里，能在 2 秒内完成、成功率超过 90%；纯位置条件的策略耗时至少翻倍。原因不复杂：刚性接触下，位置的一点小误差会放大成力的大误差——插头偏了一丝，机器人继续往前推，针就弯了、卡扣就断了。人靠手上的阻力在半秒内纠正，机器看不到这个阻力。
视觉能给的：目标在哪、姿态对不对、有没有挡住。对「已经贴合但还没到位」这种状态几乎无能为力。
力能给的：接触发生了没有、阻力有多大、是不是偏了、什么时候该停。是闭环里唯一能判断「到位」的信号。
既然结论这么清楚，为什么力觉没有成为标配？Enact 给的理由是成本与耐久：现成的触觉方案对真正的工业部署来说，要么太贵，要么太脆。这也是他们把方向定在「执行器」而不是「指尖」的原因——不是加一层传感器，而是让输出力矩的部件本身成为测量部件。
判断：这个转向的技术含义比听起来大。指尖传感器是外挂件，坏了换、贵了省，但它同时是一个易损件与一个额外成本项；从执行器取力，等于把传感器成本摊进了本来就存在的 BOM 里，代价是标定与温漂补偿的工程难度大幅上升——电机电流到末端力之间隔着减速器摩擦、间隙、温升。这是典型的「省硬件、费算法」的交换，也是为什么这家公司必须自己做执行器。
同一个综述里还有一组数字更刺人：被统计的力觉研究里，76% 使用的示范数据少于 200 条。对一个要覆盖上千种任务的基础模型来说，这个量级几乎等于零。
所以 Enact 的方案里，「数据从哪来」和「模型怎么搭」是同等重要的两件事。他们给出的路径有两段：一段是在已有模型上做适配——不重教机器人世界的常识，而是拿现成的视频模型改成输出动作；另一段是自建数据管线——在苏黎世招机器人操作员，用动作捕捉远程操控机器人反复做分拣、用工具、开门、装零件、理线缆，这些示范成为训练数据。
这也解释了为什么这家公司坚持自己做执行器、自己做数据管线、自己做模型架构。三个环节里任何一个外包，力数据的采集口径就会落到别人手里。
需要把话说清楚：截至本稿完成，Enact 没有公布任何成功率、节拍、连续运行时长、力测量精度或耐久数据，也没有给部署时间表，没有点名任何工业伙伴。《I-Scoop》在同日评论里把这一点列为第一条保留意见，措辞很直接——公司还没有展示任何性能数据。
在一个普遍用「95% 成功率」「每小时 1500 次抓取」做开场白的行业里，一家拿了 3000 万美元的公司选择不报数字，可以有三种读法。
| 读法 | 支持它的证据 | 反对它的证据 |
|---|---|---|
| 还没到能报的阶段 | 成立七个月、12 人、以硬件与数据管线为主 | 若已做出样机，报一个实验室数字的成本极低 |
| 刻意不报，避免被拿去横向比 | 投资方强调「数据模态」而非「指标领先」 | 客户采购最终仍要看指标 |
| 指标口径尚未定义 | 公告把目标定在「上千种任务」，未收敛到单一任务 | 同行也在多任务下报数 |
判断：更可能的组合是第一种与第三种。力觉的难点不在做出一次成功的插入，而在几千小时之后的漂移与磨损——这恰好是最难在七个月内给出可信数字的部分。所以对这家公司的合理预期不是「明年出产品」，而是「明年出一份关于力数据规模的方法论」。
国内做灵巧手与力控的团队不少，路线大致分三支：视触觉（在指尖做光学成像）、电子皮肤（阵列式压阻／电容）、以及从关节电流估算末端力。Enact 走的是第三支的激进版本——不是估算，而是自研执行器把测量做进驱动环节。
三支路线的取舍其实很清楚。视触觉分辨率高、能拿到接触面形貌，但结构复杂、易损；电子皮肤柔软贴合，但耐久与一致性是长期难题；电流估算成本最低、最容易规模化，但精度受减速器摩擦与温漂限制，需要大量标定数据来补。判断：对做二次开发和场景交付的团队，短期最现实的不是等哪条路线胜出，而是把「力信号怎么用」这件事先在应用层跑通——同样的任务，有力反馈时失败后的重试策略会完全不同，这套策略是可以跨本体迁移的，也是集成商真正能积累的部分。
最后留一个观察点：Enact 说资金用于到 2027 年底把团队扩到五倍、加速硬件与研发，并在制造、基础设施、零售、食品加工四个行业寻找工业伙伴。这四个行业的共同点是「任务种类多、批量小、人工贵」——恰恰是最不适合定制专机的场景。如果这条路线成立，它冲击的不是工业机器人，而是那些「因为太杂所以还没被自动化」的工位。