Physicl pozyskuje 10 mln USD w rundzie zarodowej na rozwój precyzyjnych symulacji robotów

Physicl, startup założony przez byłego prezesa nfinite, Alexa de Vigana, ogłosił rundę zarodową o wartości 10 milionów dolarów, której przewodniczył Inovia Capital. Finansowanie przyspieszy rozwój platformy Studio, która oferuje tysiąцы wysokiej wierności środowisk 3D i zasobów do generowania danych syntetycznych na potrzeby trenowania modeli robotów.

Co się stało

Według serwisu TechCrunch, runda zarodowa Physicl ma pomóc „projektantom modeli świata i twórcom robotów w rozwiązywaniu trudnych problemów treningowych za pomocą bardziej realistycznych symulacji”. Firma przekształca rurociąg renderowania 3D zbudowany dla wizualizacji produktów e-commerce w narzędzie, które potrafi przyjmować „nieustrukturyzowane, niepełne, heterogeniczne informacje ze świata rzeczywistego” i generować dokładną geometrię, materiały oraz fizykę. Flagowa oferta, Studio, zawiera 10 000 gotowych środowisk 3D i 100 000 zasobów, umożliwiając użytkownikom tworzenie niestandardowych scen do trenowania przypadków brzegowych — takich jak robot rozróżniający kubek na zagraconym blacie lub w cieniu.

Wcześni użytkownicy, tacy jak SpAItial (twórca modeli świata), zintegrowali już dane Physicl, aby poprawić wierność swojego silnika symulacyjnego Echo-3. Założyciel SpAItial, Matthias Niessner, powiedział TechCrunch, że możliwość „automatycznego generowania” danych w locie, napędzana stanem treningowym modelu, jest „super ekscytująca”. De Vigan podkreśla, że platforma to coś więcej niż statyczny zrzut danych; to „przepływ pracy opyczny na agentach”, który może przetworzyć biliony obrazów lub miliony godzin danych LIDAR i stale generować miliardy syntetycznych permutacji do trenowania modeli.

Rynek danych do trenowania robotów jest zatłoczony, a wiele startupów oferuje usługi zbierania, etykietowania lub generowania w różnych modalnościach. Physicl wyróżnia się, skupiając się na augmentacji trudnych przypadków brzegowych po treningu oraz pozycjonując swoje narzędzia jako rurociąg wielokrotnego użytku, a nie jednorazowy zestaw danych.

Dlaczego to ma znaczenie dla małych zespołów zajmujących się robotyką i sztuczną inteligencją

dla małych zespołów, które nie mają zasobów na budowę masywnych fizycznych stanowisk testowych lub ręczne tworzenie nieskończonych zestawów danych wideo, podejście Physicl oferuje pragmatyczny skrót. Dane syntetyczne od dawna są uważane za sposób na skalowanie treningu, ale luki w wierności często powodują, że modele zawodzą po przeniesieniu do świata rzeczywistego. Zapewniając wysokiej jakości, zgodny z fizyką stos 3D, Physicl zmniejsza „przepaść rzeczywistości”, która dręczy wiele rurociągów uczenia maszynowego robotów.

Z perspektywy przepływu pracy platforma ucieleśnia rodzaj orkiestracji sterowanej zdarzeniami w stylu DAG, której pragną nowoczesne zespoły operacyjne AI: model sygnalizuje niedobór danych, agent (np. Claude) uruchamia Physicl w celu stworzenia nowej sceny, wyrenderowania zasobów i przesłania wyniku z powrotem do pętli treningowej — wszystko bez interwencji człowieka. Ta automatyzacja w zamkniętej pętli poprawia obserwowalność (możesz śledzić, które syntetyczne próbki poprawiły wydajność) i niezawodność (proces generowania danych jest powtarzalny i wersjonowany. Dla twórców, którzy już zmagają się z CI/CD dla modeli, Physicl wpasowuje się w istniejące rurociągi jako mikrousługa, którą można wywołać przez API, rejestrować i monitorować.

Co zrobić w tym tygodniu

1. Zamietnij prototyp sceny syntetycznej – Zarejestruj się w wersji próbnej Studio Physicl, wybierz istniejące środowisko i wygeneruj garść obrazów dla konkretnego obiektu, z którym Twój robot ma problem (np. kubek w cieniu).
2. Zintegruj API ze swoją pętlą treningową – Dodaj prosty webhook, który po spadku metryki walidacji wywoła punkt końcowy generowania danych Studio i doda nowe próbki do kolejnej partii treningowej.
3. Uinstrumentuj krok generowania danych – Rejestruj parametry sceny, czas renderowania i wydajność modelu końcowego na pulpicie nawiacyjnym (np. Grafana), aby móc określić ilościowo wpływ każdej partii syntetycznej.

Źródła

• Physicl raises $10M to make the digital world real enough for robots — TechCrunch - AI