Mach9 原本做测绘机器人，却发现硬件不是瓶颈：一辆车一天扫完几十英里路面，工程师要花几个月才能画出图。转向 AI CAD 后拿到 3400 万美元 A 轮，累计融资约 4900 万美元。

你有没有想过，一辆车沿着高速公路开一天，就能把几十英里的路面完整扫描下来，可要把这些扫描变成工程师能用的图纸，却要花上几个月？

这就是美国基础设施建设里一个很少被人注意的卡点。10 月 21 日，一家叫 Mach9 的旧金山公司宣布完成 3400 万美元 A 轮融资，由 First Round Capital 和 Bessemer Venture Partners 联合领投，累计融资约 4900 万美元。创始人兼 CEO Alex Baikovitz 讲的故事，核心就一句话：他们起初是做硬件的，后来发现硬件根本不是问题，问题在扫描完以后的那一步。我想顺着他的说法，把这件事慢慢讲清楚。

Mach9 的 A 轮：3400 万美元，First Round 和 Bessemer 联合领投。图片来自 Mach9

01 一辆车一天扫完，图纸却要画几个月

先说清楚这个行业是怎么运转的。任何一条路、一根电线杆、一套排水系统，在动工之前都要先做一次测量，也就是画出一张“现状图”：这块地现在到底是什么样，路缘在哪，标线在哪，杆子在哪，电线怎么走。工程师有了这张图，才能规划接下来要怎么改、怎么建。用 Mach9 自己的话说：在改变物理世界之前，你得先知道那里到底有什么。

现状图的第一步是扫描。现在的办法是在车上装激光雷达（LiDAR，用激光测距，得到由无数个点组成的三维“点云”），一辆测绘车一天可以扫过几十英里。可扫完之后，这些点还只是一团数据，要有人把其中的每一条路缘、每一块标志牌、每一根杆子、每一道车道线、每一段护栏、每一根电线，一条线一条线地描出来，才变成工程师能用的 CAD 图纸（计算机辅助设计，工程设计用的绘图格式）。Alex 说，在 Autodesk、Bentley 这些老牌工程软件公司做的传统软件里，大约一英里要花一个星期，一个项目交付下来往往是几个月。

更麻烦的是，做这件事的人越来越少。美国全国工程与测量考试委员会的数据说，从 2011 年到 2025 年，注册测量师的执照数量下降了 24%。一家叫 KEITH 的工程公司，主管地理信息业务的副总裁 Bryan Merritt 说得更直接：“我们这一行缺人，招不到人。”而与此同时，美国基础设施法案拨出了 1.2 万亿美元，用来修路、修桥、改造电网。钱有了，活儿也有了，可画图纸的人不够。

我觉得这个矛盾很有代表性。采集数据变得越来越便宜、越来越快，但把数据读懂这件事，几乎全靠人工，所以越往后越成为瓶颈。这种“前面太快，后面太慢”的错位，往往正是软件能发挥作用的地方。

02 从做机器人的研究生，到做测绘的创业者

Alex 是在迈阿密海滩长大的，高中时去过 MIT，从那时起就想创业。后来他在卡内基梅隆大学读机械工程和机器人硕士，实验室的导师是现场机器人领域的先驱，还有不少人原本就是土木工程出身。他们当时做的项目，是替美国能源部去查那些曼哈顿计划时代留下来的旧核设施，要造机器人钻进隧道和大型管道里去勘察，用于设施的退役和清污。

他说，做着做着他们发现，自己解决的其实是测绘和制图方面的硬问题，而不只是造出几台酷炫的机器人。也是在那里，他第一次接触到全站仪、激光扫描仪，学到怎么估算工程量和测量误差。他还拿到了 NASA 的研究资助，做地下测绘，用探地雷达这类传感器，在复杂的三维数据里弄清地下有什么。

2021 年，他和三位同在卡内基梅隆机器人研究所的同伴，Haowen Shi、Michael Mong 和 Zachary Sussman，一起创办了 Mach9。团队里的人在 Tesla、SpaceX、Apple、NASA 和 Google X 做过让机器感知真实世界的系统。公司最早在匹兹堡，大约一年多前才搬到旧金山。他们最开始想做的，是更快更便宜的巡检设备：自己造移动测绘硬件，把不同传感器的数据融合在一起，给土木工程师做目视检查，希望绕开那些拖慢美国基建的繁琐流程。

Mach9 的四位联合创始人，照片中间的测量仪器是他们每天要打交道的东西。图片来自 TechCrunch 的报道

我觉得这个出身很重要。他们不是从软件行业来的，而是从“让机器看懂物理世界”这个问题出发，一路走到测绘。这使他们对三维数据有很深的感觉，也让他们一开始想的是“造一台更好的机器”。接下来发生的事，就是整个故事的转折点。

03 客户说，我不需要更便宜的设备

硬件做出来之后，Alex 带着它去见客户，结果听到的不是称赞。他说，他们看到那些土木工程机构拿着很棒的激光扫描仪，却在把数据变成一份能用的测量图时痛苦不堪。真正的痛点在工作流上，也就是怎么把无穷无尽的数据，变成人们可以用来做设计和资产管理决策的信息。他还记得有一位副总裁直接对他说：“我对更便宜的硬件没有兴趣。”这位副总裁想要的是更好的软件，能提高他们交付大型全州交通测绘项目的效率。

LIDAR Magazine 播客第 25 期：Alex Baikovitz 谈从硬件转向软件。图片来自 LIDAR Magazine

于是 Alex 把公司名字里的“Robotics”去掉了，转向做 AI 驱动的 CAD 软件。到了 2024 年，他们彻底押上了软件。现在回头看，他反而很感谢当初走了硬件这条路：它给了他们一样可以拿去给客户看的东西，正是在跟客户的交流里，客户亲口告诉他们不需要更好的采集设备。

这里有个细节我很喜欢。很多创业故事里，“转型”被讲成一次天才的洞察。Alex 讲的却更朴素：先做出来，拿去给人看，听人说“不是这个”，再顺着人家说的去做。硬件并没有白做，它是帮他听懂客户的那张入场券。他也说得很清楚，所谓核心的开发理念，就是不断地、不放松地迭代，确保做出来的是市场真正需要的东西，客户和合作伙伴都是同一个团队的一部分。

04 Digital Surveyor 是怎么工作的

他们的产品叫 Digital Surveyor，意思是“数字测量师”。用起来是这样的：客户把用现有设备采集的点云和图像上传，设备可能来自 Trimble、Riegl、Leica、NavVis 这些扫描设备厂商。Mach9 的 AI 自动把路缘、人行道、标线、路面几何、杆子、标志牌、电线这些要素提取出来，生成一份 CAD 初稿，工程师在它自带的编辑工具里检查、修改、定稿，再导出成 Autodesk、Bentley 的设计软件以及 Esri 的地理信息软件能直接打开的格式。整个软件在浏览器里运行。

Mach9 的工作界面：AI 从点云里提取出的路线中心线，工程师在右侧检查和审批。图片来自 GIM International 的报道

效果上，Alex 说，对精细的测量级项目，速度提高约五倍，到了大规模的资产类项目，最多能快到 96 倍；整体算下来，交付速度最高能快十倍，成本降到五分之一。他还举过一个例子：以前处理一英里数据要两到四天，现在大约十分钟。精度也是重点，施工和基建要求厘米级，他说现成的通用模型做不到，所以从 2024 年起他们一直在自己训练模型，让它们能把图像和激光扫描数据变成“测量级”的几何图形，把路缘和路面标线描得像客户要求的那样准。

Mach9 官网首页：把现实采集的数据更快地变成完整交付物。截图来自 mach9.io

这里有一个关键设计，也是我觉得整个产品能被行业接受的原因：AI 只交初稿，签字的还是人。Alex 说，这个行业责任重大，需要有执照的专业人员对成果负责，所以他们给工程师配齐了画线、删除、调整节点、评估 AI 生成质量的工具，让工程师可以放心地把自己的名字签在交付物上。他们的原则是：专家仍然拥有成果，Mach9 改变的只是起点。

Alex 也坦率地谈到行业里对 AI 的怀疑，有些公司把任何自动化都叫 AI，名声被搞坏了。他的办法不是推倒现有流程，而是把自动化嵌进客户已经在用的工作流里，用协作来建立信任，因为这些项目都是任务关键型的。他还说，所谓“魔法按钮”并不是 AI 在这个行业里的真实样子，更重要的是怎么和这些系统协作，让团队能做更大规模的项目，而不是取代现有的团队。

我觉得这是整个故事里最有说服力的一部分。一个要承担法律责任的行业，不会接受“差不多对”的工具，而一个只做初稿、把最终判断留给持证工程师的产品，恰好卡进了这个行业能接受的位置。Bessemer 的合伙人也提到，这类产品的门槛极高，因为测量成果直接流向设计和施工，纸上的一个错误会变成现场的一个错误，一个“大部分正确”的工具根本没法用，所以很少有人愿意尝试。

05 它在真实的项目里做了什么

数字最能说明问题。Mach9 说，现在已有近 100 家客户，用在 2500 多个项目上，覆盖全美 50 个州，测量了 10 万多英里的基础设施走廊，相当于横穿美国大陆 35 次。美国最大的 10 家设计公司里，有 6 家在用，包括 WSP、HNTB 和 NV5，政府客户有加州交通局、明尼苏达州交通局和马里兰州公路管理局。

其中几个例子很具体。工程公司 Pennoni 的一位技术主管 Rob Ashley 说：“Mach9 让我们用同一批经验丰富的人，多做了 50% 的活。”在圣地亚哥一段 8 号州际公路上，加州交通局用它给路肩的减速带和其他安全设施建一份最新的清单。联邦公路管理局的数据说，路肩减速带能让乡村双车道的冲出路面事故减少 36%，中线减速带能让迎面相撞事故减少 44%。而加州的公路系统超过 15000 英里，靠人工维持这份清单很难。

另一个例子在德克萨斯州的 Rocksprings。光纤公司 Fibersmith 要在工期内测量超过一千英里的规划光纤线路，副总裁 Nicholas Peña 说：“要不是用了移动激光雷达和 Mach9，我真不知道我们能不能做完。”他们现在在整个业务里都用它，包括给路易斯安那州欠发达地区的 12.5 万户家庭和商家接入宽带，以及在马里兰州修一张超过 400 英里的光纤网络。

说到底，这些故事讲的是同一件事：当图纸不再是瓶颈，原本因为人手不够而做不了的项目，才有机会被接下来。这比“省了多少钱”更有意思，因为它改变的是一个行业的容量。不过 10 万英里在美国 420 万英里的公共道路面前，还只是很小的一部分，更不用说电力、铁路等其他网络。

06 投资人为什么愿意投

Bessemer 的合伙人 Brian Feinstein 和 Caty Rea 给出了三条理由。第一，Mach9 赚的是项目预算里的钱，而不是 IT 预算里的钱。它按每英里道路或每英亩测量的用量收费，和工程公司向自己客户收费的方式一样。他们说，这家公司接手的是“人力开支”，而不是去争软件预算里的一个小项，客户能清楚看到每个项目的回报。

第二，数据会越积越多，护城河也会越来越深。每个项目都在改进模型，每次测量都留在平台里，时间一长，Mach9 手里会有一套“扫描数据加测量级成果”的配对数据，别人很难凑出来。而老牌软件卖的是按席位收费的桌面工具，没有动力去自动化那些自己收入所依赖的工作。第三，测量是土木工程的基础，把现场数据变成可用的 CAD 成果，卡的是整条工作流中的一个关键瓶颈。

他们还提到，美国正处在一轮类似铁路时代的基建高峰期：政府资助修缮老旧的道路和桥梁，数据中心给电力和水系统带来压力，电网要加固，宽带和电气化也要新增项目，而每一个项目都得从测量现状开始。这笔新融资，Mach9 会用来改进产品、招募行业专家，并扩大销售团队，团队目前只有大约 25 人。

我觉得这三条里最值得琢磨的是第一条。很多 AI 软件死在“预算在哪里”这件事上，要和别的软件抢一个很小的 IT 预算。而 Mach9 的定价，是顺着客户的工程项目预算走的，客户用得越多，说明手里的活越多，是一种互相放大的关系。

我自己的一点思考

回头看，Mach9 的故事里最打动我的，是它回答了一个很朴素的问题：当一个行业的前半段已经被技术改造得又快又便宜，真正的瓶颈在哪里？答案往往在后半段，那个没人想碰、又非常耗人的地方。Alex 最开始的直觉是做更好的设备，客户一句“我不需要更便宜的硬件”把他拉回了现实。能听懂这句话，并且愿意把已经做出来的硬件放下，才是这家公司真正的起点。

我自己的想法是，这类故事对做 AI 产品的人有一个很实用的提醒：别急着把 AI 当成要取代人的东西。Mach9 的位置很清楚，它只管起点，终点的签字和责任还在持证的工程师手里。在一个要承担责任的行业里，这样的分工既让产品能被接受，也让人的专业判断留在了最值钱的地方。

当然，他们走的路也还有要验证的地方。10 万英里只是一小部分，要在更大的范围里保持厘米级的精度，要在不同地区、不同天气、不同路况下依然可靠，还要在传统软件巨头也开始做自动化的时候守住自己的位置，这些都要靠接下来几年的实际表现来回答。但至少，方向是清楚的：先把最慢、最贵、最缺人的那一步变快。

把数据采集得再快，也比不上把数据读懂得快。

资料来源：

TechCrunch，Mach9 raises $34M after pivoting to AI CAD software，2026-10-21原文 https://techcrunch.com/2026/10/21/mach9-raises-34m-after-pivoting-to-ai-cad-software/

Bessemer Venture Partners，Mach9: Bringing civil engineering into the AI era原文 https://www.bvp.com/news/mach9-bringing-civil-engineering-into-the-ai-era

Mach9，Mach9 raises $34M Series A，2026-10-21原文 https://www.mach9.io/blog/mach9-raises-34m-series-a

LIDAR Magazine，Podcast #25: Alex Baikovitz，2025-12-08原文 https://lidarmag.com/podcast_episode/25-alex-baikovitz/

GIM International，5 questions to Alex Baikovitz, Mach9原文 https://www.gim-international.com/case-study/5-questions-to-alex-baikovitz-mach9

Mach9，Why data is the missing link原文 https://www.mach9.io/blog/why-data-is-the-missing-link

Mach9，About原文 https://www.mach9.io/about