Physicl获1000万美元融资，用高保真模拟让机器人更懂物理世界
从零开始：AI视觉技术的转型之路
Alex de Vigan的上一家创业公司曾深受生成式人工智能浪潮的冲击，但他并未就此止步。如今，他正将团队多年积累的核心技术——一套专为电商场景打造的高质量产品渲染平台——重新定位，用于解决机器人领域长期存在的训练难题。
他的新项目Physicl近期成功获得了由Inovia Capital领投的1000万美元种子轮融资，目标是为世界模型开发者和机器人制造商提供更真实的仿真方案，攻克训练过程中的关键瓶颈。
十年磨一剑：从电商渲染到物理AI
de Vigan在过去十年间倾力打造了nfinite这家公司，其核心功能是帮助品牌和零售商轻松创建商品的3D模型并在网络上展示。随着基于Transformer架构的AI模型的兴起，nfinite的业务重心逐渐转向生成式图像领域。然而，de Vigan敏锐地察觉到，团队所构建的技术栈拥有一个更大的潜在价值——那是一套能够精准还原三维环境的高保真渲染体系。
「我们在3D渲染领域建立的独特优势，恰恰是纯AI所欠缺的，」de Vigan表示，「AI正在取代传统的3D建模工作，但它目前仍缺少一项关键能力——对空间、物体进行深度理解、交互和操作的能力。」
物理AI训练的现实困境
数据收集的痛点
- 研究人员开发物理AI模型时，普遍面临训练效率低下的问题
- 通过远程操控收集真实数据的成本极其高昂
- 仅依赖视频进行训练，效果难以达到预期
仿真世界的挑战
虽然数字世界的模拟被视为一个有前景的解决方案，但如何在虚拟环境中精确还原现实物理特性，一直是一个艰巨的任务。de Vigan认为，前公司建立的一套完整流程——将「非结构化、不完整、异质的真实世界信息转化为具备正确几何结构、材质和物理属性的高保真三维表达」——完全可以迁移到物理AI模型的训练场景中。
Studio：聚焦边缘场景的仿真工具
Physicl正在切入一个竞争激烈的赛道——为底层模型开发者和机器人运营商提供数据与工具支持。「这个领域还相当年轻，边界有时相当模糊，」de Vigan坦言。
目前，多家企业正以不同模态收集、标注或生成数据，各方都在努力寻找让机器人真正发挥潜力的关键要素。
Physicl的独特之处在于，它专注于模型后训练阶段的困难边缘案例处理。公司推出了名为Studio的产品，内置了10,000个3D环境和100,000个资产，覆盖各种类型的物体。用户可通过该平台创建特定场景，生成合成数据，用于训练机器人应对具体问题。例如，当机器人在杂乱的台面上难以分辨杯子，或在阴影中无法识别物体时，Studio能够帮助生成针对性的训练数据。
生态合作与客户验证
世界模型构建公司SpAItial已成为Physicl的早期客户之一。SpAItial最新推出的产品Echo-3在上周发布，其CEO兼创始人Matthias Niessner表示，为了提升产品逼真度，他们需要使用Physicl提供的高保真合成数据来进行训练。
Niessner同时也是慕尼黑工业大学的机器人学教授，他对Physicl的技术路线给出了高度评价：
- 传统方式需要人工逐条筛选数据，周期极长
- Physicl的方式允许「实时」完成数据准备
- 模型在运行中可以自主识别所需数据，自动生成合成训练样本
「这种能够在训练过程中动态生成数据的能力，正是Physicl正在提供的核心价值，」Niessner说道。
智能体驱动的未来愿景
Physicl的定位远不止于数据供应商，而是希望成为持续生成合成数据的完整工具链。de Vigan回顾道：「十年前我们无意中建立的，本质上正是一个智能体工作流——将非结构化信息自动转化为高保真3D场景。」
他描绘了一个更为宏大的愿景：客户可以将海量图像或数百万小时的激光雷达采集数据导入平台，系统会自动将其转化为高质量的3D表示，进而生成数十亿种不同的排列组合，用于训练各类模型。
在物理AI快速发展的当下，逼真的仿真能力正成为连接虚拟世界与物理世界的桥梁，而Physicl正试图在这条赛道上占据一席之地。
关注微信号：智享开源 ，及时了解更新信息。
公众号：智享开源
还没有任何评论，你来说两句吧！