Une entreprise de trois mois, sans produit, vient de lever plus de 90 millions de dollars, et la raison tient à l'équipe fondatrice plutôt qu'au discours. Veeda AI a annoncé son tour d'amorçage le mercredi 19 août 2026, co-dirigé par Khosla Ventures et Radical Ventures. Sa directrice générale Sanja Fidler a bâti l'unité de recherche de Nvidia à Toronto, devenue le Spatial Intelligence Lab, et elle en a ramené deux collègues. L'entreprise construit des modèles du monde, c'est à dire des simulateurs appris à partir de données plutôt qu'écrits à la main, en partant du principe que les robots ne peuvent pas apprendre assez vite dans le monde physique.
The short answer
Veeda AI a annoncé un tour d'amorçage de plus de 90 millions de dollars américains le mercredi 19 août 2026, co-dirigé par Khosla Ventures et Radical Ventures. L'entreprise, juridiquement Veeda Innovation Inc., a été constituée début juin 2026 et siège à Toronto. Sanja Fidler en est la directrice générale, Zan Gojcic le directeur technique et Huan Ling le scientifique en chef, tous issus du Spatial Intelligence Lab de Nvidia. Le produit annoncé est un modèle du monde multimodal, autrement dit un simulateur appris pour entraîner des agents incarnés. Aucune valorisation n'a été communiquée.
Un tour d'amorçage de cette taille suit normalement un produit. Celui ci suit un laboratoire de recherche, ce qui est un pari d'une autre nature et mérite d'être compris pour lui même.
Ce qui a été annoncé
Veeda AI a annoncé son tour d'amorçage le mercredi 19 août 2026. Il dépasse 90 millions de dollars américains, il est co-dirigé par Khosla Ventures et Radical Ventures, et il est présenté comme l'un des plus gros tours d'amorçage jamais levés par une start-up canadienne.
L'entreprise s'appelle juridiquement Veeda Innovation Inc. et siège à Toronto. Les registres rapportés par The Logic montrent qu'elle a été constituée début juin 2026, ce qui donne trois mois d'existence au moment du tour. Ces mêmes registres indiquent qu'elle a émis fin juillet 60,6 millions d'actions d'amorçage au prix d'un dollar américain pièce, et nommé deux administrateurs : Tomi Poutanen, de Radical Ventures, et Sven Strohband, de Khosla Ventures. Le total annoncé dépassant 90 millions de dollars, ce document semble couvrir une partie du tour plutôt que sa totalité. Aucune valorisation n'a été publiée.
L'équipe fondatrice est la substance du sujet. Sanja Fidler est directrice générale. Elle a rejoint Nvidia en 2018 pour créer l'unité de recherche de Toronto, devenue le Spatial Intelligence Lab, et elle y était vice présidente de la recherche en IA avant son départ. Zan Gojcic, ancien directeur de recherche de Nvidia basé à Zurich, est directeur technique. Huan Ling, issu du même laboratoire, est scientifique en chef. Fidler et Ling ont travaillé sur les premiers modèles du monde de Nvidia à destination des développeurs d'IA physique. Fidler a annoncé le lancement sur LinkedIn.
Ce qu'est vraiment un modèle du monde
Le terme circule de façon vague, et il vaut la peine d'être précis, parce que la différence entre un modèle du monde et les deux objets qui lui ressemblent est justement là où se trouve l'ingénierie.
Un simulateur classique est écrit par des humains. Quelqu'un code la dynamique des corps rigides, choisit un coefficient de frottement, décide comment se résout un contact. Il est exact dans les situations que ses auteurs ont anticipées et il n'a tout simplement rien à dire en dehors. Quiconque a vu un moteur physique produire une absurdité quand deux objets s'interpénètrent de façon imprévue connaît cette frontière.
Un modèle de génération vidéo prédit des pixels. Il peut produire une séquence qui a l'air juste sans aucune notion interne d'état, raison pour laquelle il peut générer un plan plausible d'une action sur laquelle on ne peut pas l'interroger.
Un modèle du monde se place entre les deux. Il est entraîné sur des données physiques, spatiales et de mouvement pour prédire ce qui suit un état et une action, ce qui permet de l'avancer pas à pas, de le brancher et de le réinitialiser comme un simulateur, tout en généralisant comme un modèle appris. Veeda décrit des modèles multimodaux produisant des environnements simulés extensibles à l'infini, où des agents incarnés apprennent par interaction répétée. Le troc est explicite : vous gagnez la couverture de situations que personne n'a énumérées, vous perdez la garantie que la réponse est juste.
Pourquoi l'argent est allé là
La thèse du tour est que la robotique est contrainte par la donnée et non par l'architecture des modèles.
L'essai erreur réel cumule quatre problèmes. Il est lent, car un bras physique se déplace à vitesse physique. Il est coûteux, car les échecs cassent du matériel. Il se parallélise mal, car il faut un robot par flux d'expérience. Et certains échecs ne sont tout simplement pas acceptables à répéter. La formule de Fidler est que pour passer l'apprentissage interactif à l'échelle, les robots devront apprendre dans une réalité simulée.
La simulation lève ces quatre contraintes ensemble. Le coût s'appelle l'écart au réel : une politique entraînée dans un simulateur qui diffère du monde échouera dans le monde, d'une manière corrélée à la façon précise dont le simulateur avait tort. Réduire cet écart en apprenant le simulateur à partir de données plutôt qu'en l'écrivant, c'est le pari précis fait ici, et il est plausible venant d'une équipe qui a construit la génération précédente de cet outillage chez Nvidia.
Cela s'inscrit aussi dans un mouvement visible. Les capitaux se dirigent vers l'IA incarnée depuis des mois, et ce n'est pas le premier gros tour du cycle dans ce domaine, après des opérations comme Walden Robotics et ses 300 millions de dollars pour des robots polyvalents. Côté modèles, le même problème se présente par l'autre bout dans des travaux comme Gemini Robotics 2 et son contrôle corps entier. Un camp construit les corps et les politiques, l'autre construit le lieu où les entraîner.
Ce qu'il faut en retenir
Rien à installer et rien à changer dans votre pile. Une entreprise de trois mois n'a ni interface de programmation, ni modèle publié, ni banc d'essai, et il serait étrange qu'elle en ait.
Ce qui mérite d'être gardé, c'est une lecture de l'endroit où le domaine situe son goulot d'étranglement. Quatre vingt dix millions de dollars sont allés vers la production d'expérience d'entraînement plutôt que vers un meilleur algorithme d'apprentissage, ce qui constitue une affirmation précise sur la moitié du problème qui est la plus difficile en ce moment. Si vous travaillez près de la robotique, de l'autonomie ou de l'outillage de simulation, cela vous indique où se concentreront les recrutements et les publications libres pendant deux ans.
La réserve honnête est celle qui vaut pour tout gros tour d'amorçage. L'équipe est remarquable et la thèse est cohérente, et ni l'un ni l'autre n'est un produit. La question mesurable, celle de savoir si un modèle du monde appris réduit l'écart au réel assez pour battre un simulateur classique bien réglé sur une tâche concrète, n'a encore reçu de réponse publique de personne. C'est le chiffre qu'il faut attendre.
Sources et pour aller plus loin
- Sanja Fidler's world model startup Veeda AI raises $90M in seed funding, SiliconANGLE, 19 août 2026
- Star researcher Sanja Fidler raises over US$90M for world model startup, The Logic, août 2026
- Former Nvidia lab leader Sanja Fidler launches Veeda AI to tackle world models, BetaKit, août 2026
- Veeda AI Raises $90M+ Seed Backed by Khosla and Radical to Build World Models for Physical AI, Unite.AI, août 2026
Questions fréquentes
Qu'est ce qu'un modèle du monde, concrètement ?
Un modèle du monde est un simulateur appris. Au lieu d'un moteur physique où une personne écrit les règles et règle les constantes, un modèle du monde est entraîné sur des données physiques, spatiales et de mouvement jusqu'à pouvoir prédire ce qui se produit ensuite, à partir d'un état et d'une action. La distinction qui compte pour un développeur est la généralité : un simulateur écrit à la main est exact dans les situations que son auteur a prévues et muet en dehors, tandis qu'un simulateur appris se dégrade progressivement dans des situations que personne n'a énumérées, sans garantie d'avoir raison. Veeda décrit son objectif comme des modèles multimodaux produisant des environnements simulés extensibles à l'infini, où des agents incarnés apprennent par interaction répétée.
Pourquoi ne pas entraîner les robots dans le monde réel ?
Parce que l'essai erreur réel est lent, coûteux, difficile à paralléliser et parfois destructeur. Un bras robotisé qui apprend en échouant casse des choses, et il ne peut échouer qu'une fois à la fois. La simulation lève ces quatre contraintes d'un coup : des milliers d'instances tournent en parallèle, les échecs ne coûtent rien, et l'environnement se réinitialise instantanément. Fidler a résumé l'argument simplement, en disant que pour passer l'apprentissage interactif à l'échelle, les robots devront apprendre dans une réalité simulée. Le piège est l'écart au réel, c'est à dire la différence entre le simulateur et le monde, et c'est exactement le problème qu'un modèle du monde appris cherche à réduire.
Qui est derrière l'entreprise ?
Sanja Fidler en est la directrice générale. Elle a rejoint Nvidia en 2018 pour créer l'unité de recherche de Toronto, devenue le Spatial Intelligence Lab de l'entreprise, et elle y était vice présidente de la recherche en IA avant son départ. Zan Gojcic, ancien directeur de recherche de Nvidia basé à Zurich, est directeur technique. Huan Ling, également issu du Spatial Intelligence Lab, est scientifique en chef. Fidler et Ling ont travaillé sur les premiers modèles du monde de Nvidia destinés aux développeurs d'IA physique, l'équipe n'entre donc pas dans le domaine, elle y poursuit son travail sous son propre nom. Fidler a annoncé le lancement sur LinkedIn.
Que disent les documents officiels sur ce tour ?
Les registres d'entreprise rapportés par The Logic montrent que Veeda Innovation Inc. a été constituée début juin 2026. Fin juillet, elle a émis 60,6 millions d'actions d'amorçage au prix d'un dollar américain pièce et nommé deux nouveaux administrateurs, Tomi Poutanen de Radical Ventures et Sven Strohband de Khosla Ventures. Le tour annoncé publiquement dépasse 90 millions de dollars américains, ce document semble donc en couvrir une partie plutôt que la totalité. Aucune valorisation n'a été communiquée. Il est présenté comme l'un des plus gros tours d'amorçage jamais levés par une start-up canadienne.
Cela doit il changer quelque chose à ce que je construis aujourd'hui ?
Pas aujourd'hui. Il n'y a ni produit, ni interface de programmation, ni modèle publié, et une entreprise de trois mois n'en aura pas de sitôt. Ce qu'il faut en retenir, c'est la direction que prennent les capitaux. Des investisseurs ont mis quatre vingt dix millions de dollars sur l'idée que la contrainte principale en robotique est la donnée d'entraînement plutôt que l'architecture des modèles, et que le moyen d'obtenir cette donnée est de la générer. Si vous travaillez près de la robotique, de l'autonomie ou de la simulation, c'est un signal utile sur l'endroit où se concentreront l'outillage et les talents pendant deux ans, bien avant que quoi que ce soit ne devienne installable.