Veeda AI apparaît avec 90 millions de dollars levés et un projet de world models pour l’IA physique. La question technique est de savoir si l’environnement réagit utilement aux actions de l’agent et se transpose à des tâches réelles.
Financement et preuve produit sont deux étapes
Le reportage d’août de BetaKit indique que l’entreprise a confirmé 90 millions de dollars américains levés, avec Radical Ventures et Khosla Ventures. Il identifie Sanja Fidler, Zan Gojcic et Huan Ling comme fondateurs, Gojcic au poste de CTO et Ling à la direction scientifique. L’ancienne arithmétique détaillée des actions de la société n’est pas nécessaire pour comprendre l’annonce.
Dans une publication investisseur du 24 août, Tomi Poutanen confirme que Radical codirige l’investissement avec Khosla. Il explique la thèse : des environnements simulés interactifs pour entraîner des systèmes incarnés. C’est la présentation d’un investisseur, pas une mesure indépendante de performances déployées.
Le site de Veeda décrit des world models multimodaux appris sur des données de capteurs et du monde physique. L’objectif est de produire davantage d’expérience interactive que ne le permet l’essai physique. L’échelle « infinie » relève de la formulation de l’entreprise ; calcul, données et validation gardent des coûts finis.
Observer ce qui change quand l’action change
Expérience de pensée originale : un robot approche une boîte sur une table. Partons exactement de la même scène. Dans la branche A, la pince passe à gauche ; dans B, elle pousse directement la boîte. Un environnement utile conditionné par l’action devrait produire des conséquences différentes, cohérentes avec ces gestes.
Il ne suffit pas que les deux vidéos soient plausibles. Le système conserve-t-il le même objet et la même disposition initiale ? Le contact survient-il au bon endroit ? Après réinitialisation, la variation d’une action répétée est-elle compréhensible ? Combien d’étapes sont possibles avant que géométrie ou état des objets deviennent incohérents ?
Ces questions définissent une évaluation ; elles n’affirment pas que Veeda expose cette API ou a réussi ce test. L’illustration montre les deux branches sans imiter une démonstration générée ni une capture du produit.
La comparaison décisive porte sur la tâche réelle
Un simulateur appris peut élargir l’expérience, mais aussi enseigner l’exploitation de ses erreurs. Un robot réussissant seulement parce qu’un objet traverse une table simulée n’a pas appris une solution transférable.
Une comparaison proposée entraînerait la même politique, avec des budgets d’interaction identiques, dans un simulateur conventionnel et dans l’environnement appris. Les deux seraient ensuite évalués sur des tâches physiques tenues à l’écart. Publiez réussites réelles, catégories d’échec et adaptation nécessaire au monde réel. Réalisme visuel et récompense simulée sont des diagnostics utiles ; aucun ne remplace cette mesure du transfert.
Le financement fournit des moyens pour poursuivre ce travail. Il ne tranche pas la comparaison. Nul besoin non plus d’affirmer que personne n’a jamais démontré de simulation apprise utile pour expliquer ce que cette entreprise doit encore montrer.
Revue du 8 septembre : annonces et documents techniques vérifiés, évolutions ajoutées et illustration explicative reprise.