要构建未来的自主机器，有时候你需要用模型来管理模型。自动驾驶汽车、机器人或自主建筑设备每天产生数千甚至数百万小时的视频数据，而组织和编目这些视频目前仍需要人工观看——这显然无法扩展。

解决自动驾驶数据的痛点

初创公司NomadicML由CEO Mustafa Bal和CTO Varun Krishnan创立，专门解决那些有95%车队数据躺在档案库里的客户的痛点。

更大的挑战是寻找边缘案例——最有价值的数据描绘的是罕见事件，这些事件可能会让缺乏经验的物理AI模型感到困惑。

Nomadic的平台通过一系列视觉语言模型将视频素材转化为结构化、可搜索的数据集。这反过来允许更好的车队监控，并为强化学习创建独特的数据集，实现更快的迭代。

种子轮融资与客户

公司周二宣布完成840万美元种子轮融资，投后估值达5000万美元。本轮融资由TQ Ventures领投，Pear VC和谷歌AI负责人Jeff Dean参与。公司还赢得了上个月Nvidia GTC创业竞赛的一等奖。

客户包括Zoox、三菱电机、Natix Network和Zendar，它们正在使用该平台开发智能机器。Zendar工程副总裁Antonio Puglielli表示，Nomadic的工具让公司能够比外包更快地扩展工作。

差异化竞争优势

这种基于模型的自动标注工具正在成为物理AI的关键工作流程。老牌数据标注公司如Scale、Kognic和Encord正在开发AI工具来完成这项工作，而英伟达也发布了一套开源模型Alpamayo。

Nomadic的CTO认为，公司的工具不仅仅是一个标注器，而是一个代理推理系统：你描述需要什么，它就会找出如何找到它，使用多个模型来理解正在发生的动作并将其置于上下文中。

技术挑战与未来方向

团队正在开发特定工具，例如从摄像头画面理解车道变换物理学的工具，或在视频中更精确地定位机器人抓手的工具。下一个挑战是为激光雷达传感器读数等非视觉数据开发类似工具，或跨多种模式集成传感器数据。

在数TB的视频中搜索，将其与数百个1000亿以上参数的模型对比，然后提取准确的见解，这真的非常困难。这正是Nomadic要解决的问题。

写在最后

Nomadic的成功反映了一个趋势：随着自动驾驶和机器人技术的发展，数据处理正在成为关键瓶颈。能够高效组织和分析海量视频数据的工具，将成为物理AI开发者的必备基础设施。

TQ Ventures合伙人的观点很有道理：自动驾驶公司应该专注于机器人本身，而不是重复造轮子构建内部工具。专业分工，让专业的人做专业的事，这在AI时代同样适用。