Nomadic zebrał 8,4 mln dolarów na dane z autonomicznych aut

Nomadic zebrał 8,4 mln dolarów. Problem: autonomiczne auta generują za dużo danych

Nomadic zamknął rundę seed o wartości 8,4 mln dolarów, żeby rozwiązać jeden z bardziej przyziemnych, ale realnych problemów branży autonomicznego transportu — co zrobić z gigantycznym strumieniem surowych nagrań, które non-stop wylewają się z kamer, lidarów i sensorów pojazdów.

Jeden autonomiczny samochód potrafi generować dziesiątki terabajtów danych dziennie. Przy flocie kilkuset pojazdów robi się z tego koszmar logistyczny i inżynieryjny. Większość firm autonomicznych ma hurtownie danych, do których nikt nie zagląda, bo znalezienie konkretnej sekwencji wideo przypomina szukanie igły w stogu siana bez magnesu.

Model deep learning jako indeksator rzeczywistości

Nomadic bierze surowe footage z robotów i pojazdów autonomicznych, przepuszcza przez własny model deep learning i wypluwa ustrukturyzowane, przeszukiwalne datasety. Brzmi prosto. W praktyce to żmudna robota — model musi rozumieć kontekst sceny, klasyfikować zdarzenia, tagować obiekty i budować metadane, które potem mają sens dla inżynierów trenujących kolejne generacje systemów sterowania.

To nie jest generyczny model wizyjny odpalony na cudzych checkpointach. Nomadic twierdzi, że ich podejście jest specyficzne dla danych z pojazdów — rozróżnia typy manewrów, zachowania pieszych, warunki drogowe i edge case’y, których standardowe modele klasyfikacji po prostu nie ogarną.

Kto płaci i dlaczego teraz

Runda seed to dobry moment na takie narzędzie. Przez ostatnie kilka lat firmy pokroju Waymo, Zoox czy Cruise skupiały się na samym jeżdżeniu. Teraz, gdy floty faktycznie wyjeżdżają na drogi w komercyjnej skali, zaczyna się drugi etap problemu: jak efektywnie przerabiać zebrane dane na wiedzę, która poprawia modele.

Nomadic celuje nie tylko w wielkich graczy z Mountain View. Rynek robotyki przemysłowej i autonomicznych wózków magazynowych też generuje masę footage’u, który aktualnie leży odłogiem albo jest ręcznie przeglądany przez zespoły annotatorów. Automatyzacja tego procesu to bezpośredni argument biznesowy — mniej roboczogodzin, szybszy pipeline do trenowania.

Strukturyzacja danych to wciąż nierozwiązany problem

Platformy do zarządzania danymi ML istnieją od lat — Scale AI, Labelbox, Roboflow. Nomadic wchodzi w nieco inny segment: nie tyle labeling na żądanie, ile automatyczna strukturyzacja i indeksowanie danych, które już istnieją w repozytoriach firm. Różnica jest subtelna, ale istotna dla klientów, którzy mają petabajty starych nagrań i chcą je retroaktywnie uczynić użytecznymi.

Podczas gdy Scale AI zarabia na ludziach i modelach etykietujących nowe dane, Nomadic zakłada, że wartość leży w tym, co firmy już zebrały, tylko nie potrafią tego efektywnie przeszukać. Każdy, kto próbował wyszukać “scena z wyprzedzaniem w deszczu przy słabym oświetleniu” w surowym zbiorze 50 tysięcy klipów, rozumie, o czym mowa.

8,4 mln to niewiele jak na data infrastructure

Przy obecnych kosztach compute i zatrudnienia inżynierów ML, 8,4 mln dolarów na seed to kwota, przy której nie ma co długo świętować. Nomadic będzie musiał szybko wykręcić pierwsze kontrakty z klientami enterprise, żeby uzasadnić kolejną rundę w rozsądnym tempie.

Firma nie ujawniła listy inwestorów ani konkretnych klientów. Brak referencji na tym etapie to standard, ale też sygnał, że produkt jest wciąż na wczesnym etapie wdrożeń produkcyjnych.

Najbliższe miesiące pokażą, czy Nomadic trafi w wystarczająco szeroki rynek poza wąską grupą firm AV, czy zostanie niszowym graczem obsługującym najdroższe i najbardziej wymagające projekty robotyczne na świecie — a to zbyt mała baza klientów, żeby zbudować na niej skalowalny biznes.