今天的工业机器人本质上还是在背诵人类写好的「教科书」：工程师采集遥操作数据、标注轨迹，再祈祷机器在真实仓库或家庭的复杂地面上能泛化。Veeda AI 想改变这件事。这家由前 NVIDIA AI 研究副总裁 Sanja Fidler 与两位长期搭档创立的公司，正在用多模态基础世界模型，把机器人训练从「模仿学习」搬进「可交互的虚拟现实」。它刚刚完成由 Khosla Ventures 与 Radical Ventures 联合领投的 9000 万美元种子轮融资，说明资本开始押注仿真实验设施本身，而不仅是又一家人形机器人硬件团队。
「世界模型」不是视频生成器
Veeda 给自己的定位是多模态基础世界模型，但它和那种输入一段提示词就生成漂亮视频的视觉模型不同。它的输入是机器人的动作指令或相机运动，输出是下一帧世界应该长什么样。目标不是拍电影，而是造一个可训练的仿真器，让具身智能体在不用碰坏任何真实传感器的前提下，练习抓取、导航、装配和失败恢复。
创始三人组的背景都出自 NVIDIA 的空间智能与生成式 AI 实验室：Fidler 曾任 NVIDIA AI 研究副总裁，共同推进 3D 场景合成；Zan Gojcic 专注神经重建与高保真仿真环境；Huan Ling 负责实时高分辨率视觉合成。他们的研究谱系贯穿 GameGAN、DriveGAN、视频 Latent Diffusion 以及 NVIDIA 的 Cosmos 世界模型家族。2026 年 6 月，团队发布了 OmniDreams，一个面向自动驾驶闭环仿真的动作条件化生成式世界模型，能在生成环境中对驾驶策略做与真实数据重建一致的评估。Veeda 要做的，就是把这种闭环思路从自动驾驶扩展到通用机器人。
为什么真实世界不是好的训练场
真实世界机器人训练是一个被包装成工程问题的数据瓶颈。遥操作数据质量高但采集慢、成本高；互联网视频数量大但缺少动作标注；纯模仿学习遇到新姿态、新光照或意外碰撞时就会失效。演示学习路线也绕不开真实数据--GEN-1.5 看几秒演示就能学会新任务，但每个新任务仍要先采集一次真实演示。
Veeda 的判断很直接：机器人需要通过试错来学习，而真实世界的试错太贵、太慢、太难并行。 把机器人放进厨房，它可能打碎盘子；把一百万个策略副本放进神经仿真器，它们可以连夜探索。Veeda 赌的是，一个足够忠实的世界模型能成为具身 AI 的「现实健身房」，就像 Dota 环境之于 OpenAI Five、AlphaFold 数据集之于结构生物学。
技术栈可能长什么样
Veeda 尚未发布完整技术白皮书，但从创始人过往工作和招聘信息可以还原出大致架构：核心是一个动作条件化的视频模型 + 潜在动力学模型，生成主干预计采用 rectified flow 扩散 Transformer、块因果自回归结构，以及因果视频分词器。分词器的压缩比非常关键，压缩得越狠，模型能在显存里推演越长的未来。
要让这个世界模型真正用于机器人训练，需要解决四个难题：
- 动作条件化，但不依赖遥操作标注。 Veeda 计划用逆动力学（inverse dynamics）和潜在动作模型，从无动作标签的视频中恢复「伪动作」，从而把训练数据来源从昂贵的人工遥操作扩展到海量视频。
- 长程稳定性。 世界模型会逐渐吃自己的输出，误差累积会导致漂移。Veeda 预计用 diffusion forcing、self-forcing，以及持久的 3D Gaussian 或点图场景表示，把连贯推演从「几帧」拉到「分钟级」。
- 实时交互。 如果仿真一步要渲染几分钟，强化学习就没法用。模型需要被蒸馏成少步采样器，让策略能以交互速率在世界模型内部行动。
- 物理约束验证。 纯生成模型会幻觉。Veeda 倾向于把传统物理求解器与生成模型结合，用基于物理的奖励模型和验证器把推演限制在物理合理范围内。
它不是要取代 Isaac Lab 或 DM0.5 这类开源 VLA 方案，而是想坐在更上层：一个可接入现有仿真 API 的学习型世界生成器，能够对 π0、GR00T N 等具身基础模型做后训练，再部署到真实硬件。
从自动驾驶到通用机器人
OmniDreams 的可贵之处在于，团队已经证明了他们能做出闭环驾驶仿真器：策略的动作会逐帧改变生成场景。把这套能力迁移到机器人，意味着世界模型要处理抓取、可变形物体、接触物理和多样机位，难度远高于驾驶，但经济回报也更大：仓库、医院、农业、家庭都需要能快速适应新任务的机器人。在量产交付仍卡在万台关口的当下，训练数据层的进展将直接决定这波回报兑现的时间表。
如果 Veeda 成功，机器人策略的开发流程将越来越像训练大语言模型：在广泛的仿真经验上预训练，用少量真实数据微调，再用 Sim2Real 差距评估。最昂贵的环节将从「手工搭建仿真场景」变成「扩展世界模型本身」。
产业信号
Veeda 的成立是一个明确信号：物理 AI 正在进入数据基础设施阶段。 过去几年，聚光灯打在硬件平台、视觉-语言-动作基础模型和人形演示上；现在前沿正移向「生成训练数据」这一层。历史上有过类似剧本：自动驾驶里，拥有高保真仿真器的公司比困在真实路测的对手迭代更快；游戏领域里，程序化环境催生了 AlphaStar 和 OpenAI Five。机器人是下一个。
资本实际上在赌：在生成现实中进行交互式学习，会成为具身 AI 栈的核心原语之一，与执行器、感知模型、推理芯片并列。如果赌对了，下一代机器人基础模型的评价标准可能不只是参数量，而是它们能「消费」多少模拟年的经验。
行动建议
- 机器人工程师： 把世界模型当作一等训练环境，而不是可视化工具。未来 Sim2Real 管线消耗的算力可能超过策略本身。
- AI 产品负责人： 想清楚你的机器人价值来自硬件 novelty，还是训练它的数据引擎。Veeda 说明资本正在流向后者。
- 投资者与监管者： 关注生成式仿真的「保真度-成本曲线」。一旦生成环境比真实试点更便宜、更安全，现有的责任与监管框架必须跟上。
FAQ
什么是机器人基础世界模型？
它是一种生成式仿真器，根据当前状态和机器人动作预测未来观测，让策略在没有物理机器的情况下练习任务。
Veeda 和 NVIDIA Isaac 等传统物理仿真器有什么区别？
Isaac 依赖手工搭建的图形管线与物理求解器；Veeda 试图从数据中学习世界动力学，再与物理约束结合，从而更容易扩展到新物体和新场景。
交互式世界模型训练什么时候能规模化？
特定工业任务可能在未来 2-3 年内进入生产环境，但通用家用机器人还需要更长时间，因为 Sim2Real 差距仍然很大。
来源：36Kr / 阿尔法公社
