Nomadic, סטארטאפ צעיר מסן־פרנסיסקו, הודיע ב־31 במרץ 2026 על גיוס Seed בהיקף של 8.4 מיליון דולר, בסבב שהעמיד את שוויו לאחר הכסף על 50 מיליון דולר. לפי דיווחים, את הסבב הובילה TQ Ventures ובהשתתפות Pear VC ומשקיעי־על מהעולם האקדמי והתעשייה. החברה, שהוקמה בידי Mustafa Bal (מנכ"ל) ו־Varun Krishnan (CTO) שנפגשו בלימודי מדעי המחשב בהרווארד ועבדו בצוותים טכניים בליבות של Lyft ו־Snowflake בונה תשתית AI שממיינת אוקיינוסים של וידאו מכלי־רכב אוטונומיים, רובוטים תעשייתיים ומערכות לוגיסטיות למסדי נתונים מובְנים וברי־חיפוש. התוצאה המוצהרת: קיצור דרמטי של הזמן מאיסוף נתונים עד ליצירת מערכי אימון איכותיים, איתור מהיר של 'מקרי קצה', והזרמת קטעים רלוונטיים ישירות לצנרת האימון והולידציה של מודלי נהיגה ותפיסה.
הבעיה: הרים של וידאו, מעט תשובות
בכל צי AV מודרני, מצלמות וסנסורים אחרים מפיקים טרה־בתים ליום, אך רק שבריר קטן מהחומר הזה מועיל בפועל ללמידה. 'מקרי קצה' צמתים חסומים, שוטרים שמכוונים תנועה, הולכי רגל עם התנהגות לא צפויה, שילוט זמני, או תנאי תאורה וגשם חריגים הם החומר המזוקק שממנו מודלים משתפרים. אלא שאיתורם בגיבוב אינסופי של וידאו נשען לרוב על צפייה ידנית איטית, על־ידי צוותים גדולים של מתייגים וסוקרים. ההסקיילינג נשבר בדיוק שם: גם אם תזרימו עוד מצלמות ועוד כלי־רכב, תישארו עם צוואר בקבוק אנושי. כאן נכנסת Nomadic: היא מבטיחה להפוך את אינסוף הפריימים ל'דאטה תָכליתי' שניתן לשאיבה לפי שאילתות סמנטיות, להרכבה לסטים ייעודיים, ולהזרמה ישירה לאימון ולבדיקה.
הפתרון של Nomadic: מווידאו גולמי למסד נתונים בר־חיפוש
ליבת המוצר של Nomadic נשענת על שילוב מודלי Vision-Language ו־Vision-Language-Action (VLM/VLA) שמבצעים ניתוח סמנטי עמוק על וידאו ארוך־טווח. הרעיון פשוט אך שאפתני: להפוך תיעוד רציף של מסעות נהיגה או פעולות רובוטיות לייצוג עשיר של אובייקטים, אירועים, יחסי־סיבה ותנועה במרחב ולארוז זאת כמבנה נתונים שניתן לשאילתות חופשיות בסגנון שפה טבעית. לפי מקורות בתעשייה, החברה מגדירה את המערכת כ"agentic reasoning" המשתמש מתאר תופעה או סדרת פעולות, והמערכת מרכיבה תכנית חיפוש, רצה על פני מאגרי הווידאו, ומחזירה מופעים רלוונטיים עם טיימקודים, מטא־דאטה ותוויות פעולה. זה מאפשר: בקרה תפעולית ברמת צי, בניית דאטהסטים ממוקדים ל־RL, ועקיבות רגולטורית סביב תרחישים רגישים.
- שאילתות סמנטיות מורכבות: תיאור מילולי של תופעה (“אור אדום+שוטר מנופף”) והחזרת כל המופעים הרלוונטיים.
- סגמנטציה טמפורלית: פירוק וידאו ארוך לפרקי פעולה ממותגים (עקיפה, בלימת חירום, חצייה) עם גבולות זמן מדויקים.
- קישוריות מולטימודלית: סנכרון וידאו עם IMU, GPS, טלמטריית רכב וחיישנים נוספים לצורך ניתוח הקשרי.
- יצוא ישיר לצנרת אימון: בניית סטים מאוזנים וניתנים לשחזור ל־RL או ללמידה מפוקחת, כולל גרסאות וקריטריוני בחירה.
- כלי בקרה לצי: ניטור דפוסים, זיהוי אירועים חריגים והתראות מבוססות תוכן ולא רק טלמטריה.
העסקה: מי השקיע ולמה זה חשוב
הסבב הובל בידי TQ Ventures קרן שמנוהלת בידי Schuster Tanger ו־Andrew Marks והשתתפו בו Pear VC ומשקיעים בולטים נוספים. לפי הדיווחים, גם Jeff Dean הצטרף כמְשקיע, מה שמאותת על אמון בטכנולוגיה שמחברת הבנה סמנטית עמוקה עם זרימות דאטה תובעניות של AV. מבחינת הקצאת הון, מדובר בסכום צנוע יחסית לשוק ה־AV עתיר המזומנים, אך כזה שמכוון ל'שכבת התשתית' שבה חיתוך נכון של דאטה שווה זהב: קיצור מחזורים של אימון, קפיצה בביצועי מודלים על תרחישים נדירים, ויכולת להראות עקיבות והסבריוּת נכסים קריטיים לקראת רגולציה. משקיע מוביל היטיב לתאר זאת: כשחברות AV בונות פנימית מערכות כאלה, הן מסתכנות בסטייה ממשימתם העיקרית בניית הרובוט עצמו.
לקוחות ושיתופי פעולה: מ־Zoox ועד NATIX
Nomadic מדווחת על לקוחות מוקדמים הכוללים את Zoox (חטיבת הרובוטקסי של Amazon), Zendar (חיישני רדאר הדמייתי), Mitsubishi Electric Automotive America ו־NATIX Network. לפי עדכוני שותפות, שילוב הפלטפורמה של Nomadic עם מאגרי וידאו מרובי־מצלמות של NATIX הופך את הדאטה לברי־חיפוש ואינטראקטיביים, ומאפשר לצוותי הנדסה לדלג על נבירה ידנית בקילומטרים של וידאו. בצד התעשייתי, Zendar מציינת שהכלי של Nomadic איפשר לה להאיץ מהלכים טכנולוגיים בלי להישען על מיקור־חוץ של תיוגים. מעניין גם ההקשר הרחב: NVIDIA דוחפת קו מודלים פתוחים ל־AV (Alpamayo), והעובדה ש־Nomadic זכתה לאחרונה בתחרות פיצ'ים במסגרת אירועי GTC מעידה על כושר התאמה לעידן שבו VLM/VLA ו־סימולציה פתוחה מתלכדים.
תחרות ומיצוב: למה זה לא עוד כלי תיוג?
שוק 'דאטה־אופריישנס' ל־AV ורובוטיקה רותח. שחקניות ותיקות של תיוג נתונים Scale AI, Kognic, Encord ואחרות מטמיעות אוטומציה ו־AI כדי לצמצם תלות במלאכת יד. מנגד, יצרים גדולים (OEMs, Tier-1s) בונים פלחים פנימיים שמחברים טלמטריה, סימולציה וחומרי וידאו. ההבדלה של Nomadic, כפי שעולה מעדויות לקוחות ומהצגת החברה, נמצאת בשכבת 'הסוכן' המְנַמק: לא רק להצמיד תוויות לאובייקטים, אלא לזהות סדרי־פעולה, לקשור ביניהם סיבתית, ולמסור תת־אוספים מדידים לשחזור מדויק בניסויי אימון. בעולם שמאמץ VLA, ערכו של דאטה מחושב ביכולות החיפוש וההרכבה, לא רק ב'כמות תגים'. עבור מהנדסים, זה ההבדל בין עוד לייבל־סט לבין “סט תרחישים” מאוזן שמעלה ביצועים בדיוק היכן שזה קשה.
- יתרון יחודי: שאילתות ברמה תיאורית (“עקיפת אוטובוס אחרי חסימת נתיב ע"י עבודות”) ולא רק חיפוש אובייקטים.
- שחזוריות מלאה: גרסאות דאטהסטים, קריטריוני בחירה, ולוג תהליך מרכיב קריטי לעמידה בדרישות רגולציה.
- קיצור TTM: מעבר מהקלטה לשיפור־מודל בתוך שבועות במקום חודשים, במיוחד בתרחישים נדירים.
- הפחתת עלויות: פחות צפייה ידנית ופרויקטי תיוג חיצוניים יקרים.
- אינטגרציה לצנרת קיימת: יצוא ל־RL, דיסטילציה, ולידציה וסימולציה סגורה.
ההקשר הישראלי: חיישנים, רגולציה והזדמנויות שיתופיות
מישראל יוצאות לשוק טכנולוגיות־ליבה ל־AV: Innoviz בתחום ה־LiDAR, Arbe ב־Radar הדמייתי, ו־Mobileye בתפיסה, מיפוי ובטיחות־פורמלית. כולן פועלות בסביבה עתירת וידאו וסנסורים, שבה זיהוי תרחישים נדירים קריטי. פלטפורמה כמו Nomadic עשויה להשלים שרשרת־ערך: בניית סטים “מדברים רגולטורית” (עקיבות מלאה ומקורות ברורים), קיצור לופים בין ניסוי כביש, סימולציה ואימון, והחלפת שעות תיוג ידניות בשאילתות סמנטיות. מבחינת ישימות בישראל, עולה חשיבות ניהול פרטיות והגנת מידע זיהוי לוחות רישוי, פנים ואובייקטים רגישים לצד איחסון ואפליקציה המותאמת לדרישות מקומיות. גם מוסדות אקדמיים בארץ שעוסקים ב־embodied AI יכולים להרוויח מגישה מודרכת־שאילתות לדאטה, במיוחד במחקרי למידה מהדגמות אנושיות והעברת־למידה מרובוטיקה לסביבה אמיתית.
מבט טכני קדימה: מולטימודליות, סנכרון סנסורים וסימולציה פתוחה
לפי החברה, היעד הבא הוא חציית הקיר שבין וידאו לבין חיישנים לא־ויזואליים LiDAR, Radar וטלמטריות רכב ליצירת ייצוג אחוד בזמן־ממשי. המשמעות: שאילתות לא רק על 'מה נראה', אלא על 'מה קרה מבחינה פיזיקלית' לדוגמה, דינמיקת שינוי נתיב שנמדדה בסנסורים שונים. ההתפתחות בתשתיות פתוחות כמו פורטפוליו Alpamayo של NVIDIA (מודלי VLA, סימולציה ודאטה פתוחים) מאיצה אימוץ פרקטיקות של שקיפות ושחזוריות: קוד פתוח, סטנדרטים לשמות אירועים, וריצות אימון ניתנות לשחזור. עבור צוותי AV, זה מעניק גישור בין נתוני־שטח לסימולציה, ומקצר טרנזיטים יקרים בין איסוף לריצה חוזרת על מודלים. האתגר יישאר מחשובי: ניהול טרה־בתים ליום, הרצת מודלים כבדים, ואופטימיזציה של עלות־תועלת בענן לעומת בקצה־הרכב.
מה נעקוב הלאה: אבני־דרך שיעידו על התבגרות המוצר
האם Nomadic תצליח להפוך ל'שכבת ה־data ops' הסטנדרטית של תעשיית ה־AV והרובוטיקה? התשובה תתברר לאורך 2026–2027 לפי מספר מדדים: קצב הרחבת הלקוחות (מעבר מפיילוטים להטמעות בצי), איכות האינטגרציה המולטימודאלית (וידאו+LiDAR+Radar), תמיכה בתהליכי רגולציה ובטיחות (עקיבות, מדדי כיסוי תרחישים), וביצועים אמפיריים עד כמה דאטהסטים שנבנו דרך שאילתות משפרים ביצועי מודלים במדדי נהיגה קריטיים. לא פחות חשוב: קלות חיבור לצנרות קיימות, קונקטורים לכלי סימולציה, ותמחור שמאפשר שימוש יומיומי ולא רק ניסויים. בשורה התחתונה, אם הכלי אכן יקטין תלות בצפייה ידנית וישפר תפיסת 'מקרי קצה', הוא עשוי להפוך לחלק קבוע מערמות הכלים של צוותי AV, מרובוטקסי ועד רובוטיקה תעשייתית.
- התרחבות מצי בודד למספר ציים והוכחת סקיילינג בענן.
- אינטגרציה מלאה לסנסורים לא־ויזואליים וסט מקרים מולטימודלי.
- מדדים להשפעת דאטה־שואל (query-built datasets) על ביצועים.
- כלי עקיבות וקומפליינס מובנים (data lineage, reproducibility).
- קונקטורים רשמיים לסימולטורים ו־tooling פתוח.
- קבלות הפקה: קיצור זמן־מחקר וזמן־הטמעה אצל לקוחות מפתח.
המסר האסטרטגי מהגיוס של Nomadic ברור: במרוץ לבניית מכונות אוטונומיות בטוחות ומסבירות, 'המודל שצריך מודל' הוא לא מטפורה זו שכבת AI שיודעת לארגן, לשאול ולזקק את חומרי הגלם היקרים ביותר של התחום: וידאו וסיגנלים מהעולם האמיתי. אם השחקניות הגדולות משקיעות הון עתק בהתרחבות צי, ומקבץ סטארטאפים פועל על סימולציה וחומרה, הרי שבעיית הדאטה איסוף, מיון, איזון ושחזור היא צוואר הבקבוק המשותף. מי שיפתור אותה באופן גנרי, שקוף ומבוסס־שאילתות, ירוויח לא רק חוזים, אלא השפעה ישירה על אופן בניית תקני בטיחות, מדדי כיסוי תרחישים, ושיטות הערכה גלובליות ל־AV ורובוטיקה. זה המקום שבו Nomadic רוצה לשבת.