堆代码讯 周二，专注物理 AI 数据处理的初创公司 NomadicML 宣布完成 840 万美元种子轮融资，估值达到 5000万美元，这句企业试图解决自主智能设备行业的一大核心痛点：海量训练数据闲置，企业空有海量影像素材却无法挖掘其价值。

当下，研发自动驾驶汽车、物理交互机器人以及自主工程设备的企业，都会采集数万乃至数十万小时的视频数据，用于算法评估与模型训练。但长期以来，整理归档这些海量数据的工作，完全依赖人工逐条审阅，即便开启倍速播放，人工处理的效率也完全跟不上行业规模化的需求。更棘手的是，对模型训练最有价值的极端边缘场景数据，恰恰是那些罕见的突发状况，人工筛选这类数据的难度更是呈指数级上升。这也导致当下多数企业 95% 的车队运行数据，最终只能封存在服务器中，彻底沦为无法产生价值的闲置资源。

NomadicML 的解决方案，就是用 AI 来盘活这些 “数据金矿”。该公司打造的专属平台，依托多套视觉语言模型，能将原始的影像素材，转化为结构化、可检索的标准数据集。这不仅能帮助企业优化车队的全域监控能力，还能快速生成定制化的数据集，直接用于强化学习训练，大幅加快算法的迭代速度。

举个例子：企业若想优化自动驾驶的特殊场景逻辑，比如让车辆学会识别交警手势、在指挥下合规通行，或是想要提取所有车辆途经特定桥梁的行驶画面，借助 NomadicML 的平台，就能快速定位到所有相关的影像片段，既可以满足合规核查的需求，还能直接将这些数据接入模型的训练流程，无需人工再耗费数月时间筛选素材。

目前，Zoox、三菱电机、Natix Network、Zendar 等头部智能设备企业，都已经接入了该平台。Zendar 的工程副总裁安东尼奥・普格里利就表示，搭配 NomadicML 的工具，公司的研发效率远比外包标注要高得多，而 NomadicML 团队的垂直领域专业能力，也让它和其他竞品拉开了差距。两位创始人本科均就读于哈佛大学计算机专业，首席执行官穆斯塔法・巴尔向 TechCrunch 透露，两人此前在 Lyft、Snowflake 等企业任职时，反复遭遇同类的数据处理瓶颈，这才决心创业解决这一问题。此前，NomadicML 还拿下了英伟达 GTC 全球创业路演大赛的一等奖，验证了其技术的竞争力。

如今，依托 AI 的自动标注工具，已经成为物理 AI 领域的核心工作流，Scale、Kognic、Encord 等老牌数据标注企业都在布局同类 AI 工具，英伟达也开源了 Alpamayo 系列模型来解决这类问题。但 NomadicML 的首席技术官瓦伦・克里希南强调，自家的产品远不止是标注工具：它是一套具备自主推理能力的智能系统，用户只需描述自己的需求，平台就能依托多模型理解画面中的动作、结合场景上下文，精准定位目标内容，而非简单的标签生成。

这一赛道的价值也得到了资本的认可，本轮融资由 TQ Ventures 领投，Pear VC 与谷歌资深科学家杰夫・迪恩参与跟投，资金将用于拓展客户、打磨平台。TQ 的合伙人舒斯特・坦格就表示，这就像 Salesforce 不会自研底层云架构、Netflix 不会自建内容分发基建一样，自动驾驶企业如果自己搭建这套数据体系，反而会偏离自己的核心赛道 —— 打磨机器人与自动驾驶的本体技术。他也盛赞了 NomadicML 的团队：首席技术官克里希南是全球排名 1549 位的国际象棋特级大师，而公司的十余名工程师，全员都发表过专业学术论文。

眼下，团队正在深耕定制化工具的研发，比如通过影像解析变道的物理逻辑，或是精准定位机器人机械爪的实时坐标。而未来的攻坚方向，是突破纯视觉的局限，适配激光雷达这类非视觉的传感数据，实现多模态数据的融合分析。正如巴尔所言，调度 TB 级的海量视频、对接数百个千亿参数的大模型、最终提炼出精准的有效洞察，这项技术的难度极高，而这正是他们要攻克的核心壁垒。