Worldmodeldata 成功籌得 700 萬英鎊種子輪資金,用於建構遊戲數據供應鏈

總部位於劍橋的 Worldmodeldata 結束隱身模式,完成 700 萬英鎊的種子輪融資,旨在彙整經授權的電玩遊戲數據以用於機器人訓練,著眼於解決物理人工智慧開發中的關鍵瓶頸。

A
2分鐘閱讀Posted: 2026年7月7日
Worldmodeldata 成功籌得 700 萬英鎊種子輪資金,用於建構遊戲數據供應鏈

總部位於劍橋的 Worldmodeldata 於 2026 年 7 月 6 日正式亮相,並完成了一輪 700 萬英鎊(約 890 萬美元)的種子輪融資,旨在解決物理人工智慧領域的一項關鍵限制。 本輪融資由 Iona Star Capital 領投,將加速這家新創公司將現代電玩遊戲中經授權的遊戲玩法數據彙整並結構化,進而轉化為物理人工智慧及世界模型的訓練資料集 [1]。

物理人工智慧產業正面臨嚴重的供應鏈瓶頸,而問題所在並非矽晶片或致動器,而是數據。儘管大型語言模型是透過從網路上抓取文本進行訓練的,但機器人開發人員卻缺乏相應的物理互動數據庫。

物理人工智慧的數據供應鏈

Worldmodeldata 由 Rhea Loucas 於 2025 年底創立,她是一位在電玩產業擁有四至五年資歷的資深從業者,並察覺到現行 AI 訓練方法的局限性 [1]。 該公司的核心理念在於:現代電玩遊戲憑藉其複雜的物理引擎與互動式環境,蘊藏著龐大且尚未開發的結構化數據寶庫,這些數據能清晰展現因果關係。

這家新創公司的近期目標是在 2026 年底前彙整 100 萬小時的遊戲遊玩數據。若能達成,這將是當前最大可用數據集的 25 倍——根據公司聲稱,該數據集目前約為 4 萬小時 [1]。

這輪 700 萬英鎊的種子輪融資於 2025 年 12 月完成,但在為期七個月的隱秘運作期間未對外公開,這筆資金將用於建構所需基礎設施。 該公司還任命了前 Meta 歐洲、中東及非洲(EMEA)地區公共政策副總裁理查德·艾倫勳爵(Lord Richard Allan)擔任非執行董事長,此舉顯示公司將著重於數據治理與授權合規性 [1]。目前團隊約有 10 人,其中包括顧問和合約人員 [1]。

市場背景與競爭態勢

該市場的

合成與授權訓練資料的規模正迅速擴大。Mordor Intelligence 預測,該產業規模將從 2026 年的 7.1 億美元成長至 2031 年的 36.7 億美元,年複合成長率達 39% [1]。

Worldmodeldata 將自身定位為純數據供應商,並將其商業模式比作「物理人工智慧時代」的 Scale AI。此策略與競爭對手 General Intuition 形成鮮明對比——後者是 Medal 的分拆公司,已透過兩輪融資籌集 4.54 億美元,近期估值更達 23 億美元。 雖然 General Intuition 將遊戲數據保留在公司內部,用以開發並銷售專有模型,但 Worldmodeldata 則計畫向更廣泛的機器人與 AI 開發者生態系統提供服務 [1]。

另一家值得注意的競爭對手是總部位於舊金山的 Origin Lab,該公司於 2026 年 5 月完成 800 萬美元種子輪融資,並宣稱已與超過 20 家遊戲發行商建立合作夥伴關係 [1]。此利基市場中湧現多家資金雄厚的初創企業,證實了投資者將遊戲數據視為下一代人工智慧的關鍵推動力。

uploaded image
機器人開發的真正瓶頸

機器人產業歷來聚焦於硬體工程,致力於改良馬達、感測器及電池續航力。然而,隨著關注焦點轉向通用型類人機器人與適應性強的工業系統,主要的限制因素已轉變為軟體,尤其是負責感知、決策與控制的人工智慧模型。

訓練這些模型需要海量的數據,用以展示物體的行為模式、環境如何對動作作出反應,以及複雜任務的執行順序。透過遙控操作或實體試驗來收集真實世界數據,不僅耗時、昂貴,且難以擴展規模。模擬環境雖有幫助,但往往缺乏真實世界中的多樣性與邊緣案例。

電玩遊戲則提供了一種折衷方案:高度多樣化且具互動性的環境

這些系統遵循一致的物理法則運作,隨著數百萬名玩家每日與其互動,產生海量的結構化數據。透過擷取並格式化這些數據,Worldmodeldata 等公司旨在為物理人工智慧系統提供基礎訓練資料。

對機器人開發者而言,挑戰在於實體世界具有無窮無盡的複雜性。在倉庫中運作的機器人必須理解,一個紙箱在空置時與裝滿重型金屬零件時的行為表現截然不同。 它必須辨識出濕地板的抓地力比乾地板差,且易碎物品所需的抓握力與堅固物品不同。這些細微差異難以透過傳統程式設計或有限的實境資料蒐集來捕捉。

電子遊戲——尤其是配備先進物理引擎的遊戲——能模擬其中許多互動情境。當玩家在遊戲中投擲物體時,遊戲引擎會根據模擬出的質量、速度與重力來計算軌跡;當角色行走於不同表面時,遊戲引擎也會相應地調整摩擦力與移動速度。 透過萃取這些數據,Worldmodeldata 旨在提供關於物理學與物體互動的基礎理解,並將其應用於現實世界的機器人。

泛化能力的挑戰

雖然電玩遊戲數據為數據匱乏問題提供了極具潛力的解決方案,但它並非沒有局限性。 主要挑戰在於「模擬到現實」的鴻溝,即模擬環境與物理世界之間的差異。即使是現代電玩中最先進的物理引擎,也無法完美重現現實世界中摩擦、材料特性及不可預測環境因素的複雜性。

此外,電玩遊戲中角色的動作往往為了遊戲性而經過風格化或簡化,這可能無法直接轉化為實體機器人所需的精確動作。例如,

遊戲中角色拾取物件時,所需的精細動作控制與觸覺回饋程度,可能不如工廠環境中執行相同任務的機械手臂那般嚴苛。

為解決這些挑戰,Worldmodeldata 等公司必須開發先進的方法,用以過濾、增強並將遊戲數據轉換為適合訓練實體 AI 模型的格式。此過程不僅涉及從遊戲中提取視覺與物理資訊,還需將其映射至不同機器人平台的特定運動學與動力學限制。

此方法能否成功,將取決於能否有效彌合「模擬與現實」之間的鴻溝。若從電玩遊戲中萃取的數據過於抽象或不精確,可能會導致實體機器人出現不可預測或不安全的行為。因此,在真實環境中進行嚴格的測試與驗證,仍將是開發過程中至關重要的一環。

對授權電玩數據的依賴也帶來潛在的法律與倫理考量。遊戲發行商擁有其遊戲的智慧財產權,而將遊戲數據用於商業人工智慧訓練,則需要明確的授權協議。Worldmodeldata 任命擁有公共政策背景的理查德·艾倫勳爵(Lord Richard Allan),顯示該公司正採取積極主動的態度來處理這些複雜問題 [1]。

對採購的啟示

對於自動化採購方與營運主管而言,實體人工智慧強健的數據供應鏈的出現具有重大影響。機器人供應商能以多快的速度提升其系統的適應性與常識能力,將在很大程度上取決於其能否取得高品質的訓練數據。

在評估機器人供應商時,採購團隊不應僅關注硬體規格,更應深入了解供應商的數據策略。若供應商僅依賴緩慢且手動的數據蒐集方式,恐將難以跟上競爭對手的步伐

善用龐大的合成或授權資料集。能夠利用多元資料來源快速訓練並優化模型,將成為自主系統部署準備度的一項關鍵差異化因素。

Worldmodeldata 獲得的 700 萬英鎊種子輪融資,顯示了實體人工智慧產業正將資源導向何處。產業瓶頸已從硬體設計轉移至資料獲取。成功建構實體人工智慧資料供應鏈的企業,將對整個機器人生態系統的發展產生重大影響。 正如在大型語言模型時代,能否取得龐大的文本資料集決定了勝出者,在具身人工智慧時代,能否取得結構化的實體互動資料,也將決定誰能成為領導者。

向以數據為中心的機器人開發轉變,也意味著機器人系統的生命週期將發生改變。 未來的機器人將不再是僅執行固定任務的靜態機器,而是透過空中軟體更新(OTA)持續更新與改進,並藉由對新資料集的持續訓練來驅動。這種持續學習能力將要求採購團隊在選擇供應商時,必須考量其長期軟體支援與資料基礎架構。

此外,將實體人工智慧整合至工業與商業環境中,將需要採取新的安全與合規方法。隨著機器人變得更加自主且適應力更強,確保它們能在動態環境中安全運作將至關重要。訓練數據的品質與多樣性,將在決定這些系統的可靠性與安全性方面發揮關鍵作用。

對 Worldmodeldata 等公司的投資,凸顯了機器人產業的一項根本性轉變。焦點正從機器人的實體組件,轉移到驅動其智慧的數位基礎設施。對於採購專業人士而言,理解這項轉變,並根據供應商的數據能力來評估其表現,將

在「實體人工智慧」時代,這對於做出明智的採購決策至關重要。這項演進凸顯了建立一個強健、可擴展且符合法規的數據供應鏈之迫切需求,以支援全球各產業的下一代智慧自動化系統,確保機器人技術的未來建立在高品質、結構化數據的堅實基礎之上。

參考文獻

1. 《科技融資新聞》(Tech Funding News),〈Worldmodeldata 獲得 700 萬英鎊種子輪融資,將遊戲數據轉化為 AI 訓練資料〉,2026 年 7 月 6 日。https://techfundingnews.com/worldmodeldata-7m-seed-ai-training-data-video-games/