Nomadic 募資 840 萬美元，致力於處理自動駕駛車輛產生的海量數據

為了打造未來的自動化機器，有時你的模型也需要一個模型。

開發自動駕駛汽車、操作物理環境的機器人或自動化建設設備的公司，會收集數千甚至數百萬小時的影片數據用於評估和訓練。

組織和分類這些影片目前仍是人類的工作，他們必須觀看所有內容。即使是快進播放，這種方式也無法擴展。由執行長 Mustafa Bal 和技術長 Varun Krishnan 創立的初創公司 Nomadic AI，希望為那些有 95% 車隊數據閒置在存檔中的客戶解決問題。

當尋找「邊緣案例」（edge cases）時，挑戰變得更加艱巨——最有價值的數據往往描繪的是極少發生、且會令經驗不足的物理 AI 模型感到困惑的事件。

Nomadic 正致力於透過一個平台解決這個問題，該平台利用一系列視覺語言模型（vision language models）將影像轉換為結構化、可搜索的數據集。這反過來又能實現更好的車隊監控，並為強化學習和更快的迭代創建獨特的數據集。

該公司週二宣布獲得 840 萬美元的種子輪融資，投後估值為 5000 萬美元。本輪融資由 TQ Ventures 領投，Pear VC 和 Jeff Dean 參投，這將使公司能夠招攬更多客戶並繼續完善其平台。Nomadic 上個月還在 Nvidia GTC 的創業競賽中獲得了一等獎。

兩位創辦人在哈佛大學就讀計算機科學本科時相識，Bal 告訴 TechCrunch，他們在 Lyft 和 Snowflake 等公司工作時，「在工作中不斷遇到相同的技術挑戰」。

「我們為人們提供關於他們自己影像的洞察，無論是什麼在驅動他們的自動駕駛汽車（AV）或機器人，」他說。「這才是推動這些自動化系統構建者前進的動力，而不是隨機的數據。」

舉例來說，想像一下試圖微調自動駕駛汽車的理解能力，讓它知道如果警察指揮，它可以闖紅燈；或者分離出車輛行駛在特定類型橋樑下的每一次記錄。Nomadic 的平台允許識別這些事件，既可用於合規目的，也可以直接輸入訓練流程。

Zoox、三菱電機（Mitsubishi Electric）、Natix Network 和 Zendar 等客戶已經在使用該平台開發智能機器。Zendar 工程副總裁 Antonio Puglielli 表示，Nomadic 的工具讓公司擴展工作的速度比外包方式快得多，且其領域專業知識使其在競爭對手中脫穎而出。

這種基於模型的自動標註工具正成為物理 AI 的關鍵工作流。Scale、Kognic 和 Encord 等老牌數據標註公司正在開發 AI 工具來執行這項工作，而 Nvidia 也發布了一系列開源模型 Alpamayo，可以進行調整以解決此問題。

Varun 主張他公司的工具不僅僅是一個標註器；它是一個「代理推理系統（agentic reasoning system）：你描述它需要的東西，它就會找出如何找到它」，利用多個模型來理解發生的動作並將其放入情境中。Nomadic 的支持者預計，該初創公司對這一特定基礎設施的專注將會勝出。

「這與 Salesforce 不建立自己的雲端、Netflix 不建立自己的內容分發設施是同一個原因，」領投本輪融資的 TQ Ventures 合夥人 Schuster Tanger 告訴 TechCrunch。「自動駕駛汽車公司一旦嘗試在內部構建 Nomadic，他們就會從讓他們獲勝的核心——機器人本身——上面分心。」

Tanger 讚揚了 Nomadic 的人才，指出 Krishnan 是一位國際象棋大師，世界排名第 1,549 位。與此同時，Krishnan 誇耀說，公司十幾位工程師全都發表過科學論文。

現在，他們正努力開發特定工具，例如一個能從攝影機影像中理解變換車道物理特性的工具，或另一個能從影片中推導出機器人抓手更精確位置的工具。從 Nomadic 及其客戶的角度來看，下一個挑戰是為光達（lidar）感測器讀數等非視覺數據開發類似工具，或整合跨多種模式的感測器數據。

「處理數 TB 的影片，將其與數百個擁有千億級參數的模型進行碰撞，然後提取準確的洞察，這確實是非常困難的事情，」Bal 說。