【科技资讯】专为机器人打造的世界模型有什么不同？前NVIDIA研究员融了9000万美元种子轮

📝 核心摘要

具身智能领域迎来关键突破，前NVIDIA研究员Sanja Fidler领衔的团队创立Veeda AI，近日完成9000万美元种子轮融资，由Khosla Ventures与Radical Ventures联合领投。该团队核心成员均来自NVIDIA，曾在空间智能、神经重建、实时视觉合成等领域取得技术突破，Veeda AI聚焦为机器人打造专属世界模型，旨在解决具身智能发展中数据成本与质量的悖论——现实世界中机器人通过试错学习存在安全风险高、成本高昂、效率低下等问题，无法支撑规模化交互式学习，因此需构建可无限扩展的模拟环境，让机器人在虚拟空间完成训练。Veeda AI的技术路线源于团队在NVIDIA Omniverse相关工作的积累，他们发现Physical AI缺失的关键拼图是内容，遂从3D生成与神经重建入手，探索结合物理求解器与生成模型的路径：先用物理求解器处理部分效应的3D仿真，再以结果引导世界模型生成更丰富的时空场景。2026年6月发布的OmniDreams是团队创业前的核心成果，作为动作条件化生成式世界模型，它可根据驾驶动作实时生成后续观测，与驾驶策略形成闭环，其对驾驶策略的评估结果与真实数据方案一致，验证了生成式世界模型的应用潜力，Veeda AI将这一思路扩展至更广泛的机器人训练场景。Veeda AI的核心判断是，具身智能无法仅通过模仿学习诞生，必须依托交互式学习实现突破，而交互式学习的规模化需依赖模拟环境。其技术链路清晰：首先训练多模态基础世界模型，整合动作条件化视频模型、潜在动力学模型，采用整流流扩散Transformer等架构，解决长时程推演的稳定性问题；其次兼容现有仿真体系，接入Isaac Lab、Carla等仿真器API，构建世界模型与机器人策略的闭环；随后对π0系列、GR00T N等具身智能基础模型的策略进行后训练；最后将训练后的策略部署至真实机器人，通过真实实验量化Sim2Real差距，评估仿真保真度与策略提升效果。当前具身数据呈现分层特征，高质量遥操数据成本高、数量有限，低成本传感数据质量不足，生成类数据质量参差不齐，行业普遍采用“低成本数据预训练+高成本数据后训练”的折中方案。Veeda AI试图通过世界模型与仿真技术解决数据质量与成本的矛盾，推动交互式学习成为物理AI的下一个发展范式，这一方向契合递归自我改进、测试时训练等前沿技术的核心逻辑，为具身智能领域带来新的创新机遇。

🔗 阅读原文

👉 专为机器人打造的世界模型有什么不同？前NVIDIA研究员融了9000万美元种子轮

🏷️ 标签：具身智能, 世界模型, Veeda AI, 交互式学习, 机器人仿真