Nomadic完成840万美元融资 深耕自动驾驶数据结构化赛道

自动驾驶数据处理服务商Nomadic于近日完成840万美元融资，该公司依托自研深度学习模型，可将自动驾驶车辆、智能机器人采集的非结构化视频素材转化为标准化、可检索的结构化数据集，解决当前自动驾驶训练过程中海量非结构化数据利用率低、处理成本高的行业共性痛点，本轮资金将主要用于技术研发及商业化拓展。

随着L2+至L4级自动驾驶商业化落地提速，单车每天运营采集的视频、多传感器融合数据量已突破10TB，而其中超过90%的非结构化数据无法直接用于模型训练。据行业统计，全球自动驾驶领域每年在数据清洗、标注环节的投入已超百亿美元，效率瓶颈正成为制约自动驾驶技术迭代速度的核心障碍。

自动驾驶技术迭代的核心基础是高质量训练数据，当前行业主流的数据处理模式仍以“人工标注+少量AI辅助”为主，不仅成本高、交付周期长，也很难应对多模态传感器数据的复杂处理需求。不少自动驾驶企业的服务器中存储了PB级的原始行驶数据，但受限于处理能力，真正能用于模型训练的有效数据不足10%，大量存储资源被浪费。

据自动驾驶行业测算，每训练一款可落地的L3级自动驾驶模型，需要消耗超过100万小时的有效标注驾驶数据，传统人工标注的单小时成本最高可达200元，且交付周期长达数周，完全无法跟上当前大模型驱动下的自动驾驶技术迭代速度。

Nomadic给出的解决方案，是用自研的端到端深度学习模型替代人工，完成全流程的数据结构化处理：输入原始的车载传感器、机器人视觉数据后，模型可自动完成场景分类、物体识别、异常工况标记等全流程操作，最终输出可直接输入大模型训练的标准化、可检索数据集，用户只需搜索关键词就能调取对应场景的训练数据，无需逐段翻看原始素材。

Nomadic的核心优势在于其模型可适配包括激光雷达、摄像头、毫米波雷达在内的95%以上主流车载传感器数据格式，结构化处理效率较传统方案提升40倍以上，数据标注准确率可达99.2%。据了解，已有头部Robotaxi企业在测试中使用该方案，原本需要30天才能完成的特殊工况数据整理工作，压缩到了12小时以内，数据处理成本下降了85%。

本轮840万美元融资完成后，Nomadic计划将60%的资金投入到深度学习模型的迭代优化中，除了进一步提升自动驾驶数据的处理精度外，还将适配服务机器人、人形机器人的视觉数据处理需求，覆盖更多商用场景。剩余资金将主要用于北美、欧洲市场的客户拓展，目前该公司已经与3家头部Robotaxi企业、2家智能机器人厂商达成了长期合作意向。

从行业趋势来看，2026年全球自动驾驶训练数据服务的市场规模将突破180亿美元，年复合增长率超过62%。随着自动驾驶大模型的训练对数据量、数据质量的要求不断提升，能够提供高效结构化数据处理能力的服务商，将成为产业链上游的核心供给方，市场想象空间极大。