Ce qui compteAfficher
- Investors and operators should evaluate whether their robotics use cases require the foundational physical prediction capabilities Veeda AI…
- Secteur principal : Infrastructure IA
- Ouvrez la page de l'entreprise pour garder le signal de suivi en vue.
Sanja Fidler, ancienne responsable du laboratoire IA de Nvidia à Toronto, a lancé Veeda AI, une startup entièrement dédiée au développement de modèles du monde pour la robotique physique. L'entreprise est soutenue par Radical Ventures et Khosla Ventures, ayant levé un financement total de 90 millions USD (124 millions CAD) à ce jour.
La mission de Veeda AI consiste à créer des simulations internes du monde réel en utilisant des données physiques, spatiales et de mouvement. Cette approche marque un pivot stratégique par rapport aux grands modèles de langage (LLM) textuels qui ont défini une grande partie du marché actuel de l'IA. Fidler, qui a passé huit ans à diriger la recherche de Nvidia sur les données 3D et la modélisation du monde, estime que ces réalités simulées deviendront la couche d'infrastructure critique pour tous les domaines de la robotique.
Les investisseurs et les opérateurs doivent déterminer si leurs cas d'usage en robotique nécessitent les capacités fondamentales de prédiction physique ciblées par Veeda AI, ou si des enveloppes LLM actuelles suffisent pour un déploiement initial.
La création de cette entreprise signale un mouvement croissant parmi les meilleurs chercheurs en IA visant à résoudre le problème de l'intelligence incarnée. Alors que les grands développeurs technologiques ont bâti leur réputation sur le traitement du langage, Veeda se joint aux autres neolabs qui misent fortement sur des modèles fondamentaux capables de simuler des interactions physiques. Ce type de modèle du monde est essentiel car les robots doivent non seulement comprendre les commandes, mais aussi prédire comment les objets bougeront et interagiront dans un environnement complexe et chaotique.
Pour les opérateurs et les investisseurs, ce développement souligne une contrainte potentielle : l'IA généraliste pourrait manquer de la fidélité nécessaire pour un déploiement physique en conditions réelles. Le défi technique réside dans la traduction des données abstraites en simulations prédictives fiables capables de guider des actions matérielles avec une grande précision. Ce focus spécialisé sur la simulation physique suggère un segment de marché mûr exigeant une infrastructure dédiée au-delà des clusters de calcul standards.
Recevez l’essentiel de la tech canadienne de la semaine.
Cinq minutes. Un courriel utile. Aucun bruit.
Sources et notes techniquesAfficherMasquer
Sur quoi cet article repose
Utilisez les signaux publics, les apports de recherche et le cadrage éditorial pour comprendre la construction de l’article.
Ce qu’il faut évaluer ensuite
Ce bloc met en avant les systèmes, les flux de travail et les décisions que cet article aide à évaluer.
Restez dans le signal après cet article.
Suivez la page de l’entreprise, puis passez au hub sectoriel plus large avant de quitter l’article.
Gardez le contexte de l’entreprise à portée de main en poursuivant la lecture.
Signaux tech canadiens hebdomadaires, condensés pour les opérateurs.
S'abonner au signalBriefing hebdomadaire gratuit • Désabonnement à tout moment
Une liste de contrôle pratique pour les équipes canadiennes de politique, de confidentialité, d’approvisionnement et de gouvernance qui ont besoin d’un moyen rapide de vérifier les déploiements d’IA avant de passer à l’échelle.
Ouvrir la ressource