Physicl 完成 1000 万美元种子轮融资，助力高保真机器人模拟

由前 nfinite CEO Alex de Vigan 创立的初创公司 Physicl 宣布完成由 Inovia Capital 领投的 1000 万美元种子轮融资。这笔资金将加速其 Studio 平台的发展，该平台提供数千个高保真 3D 环境和资产，用于生成训练机器人模型的合成数据。

发生了什么

据 TechCrunch 报道，Physicl 的种子轮融资旨在帮助“世界模型设计师和机器人构建者通过更逼真的模拟解决棘手的训练问题”。该公司将原本用于电商产品可视化的 3D 渲染流水线重新利用，打造出一款能够摄取“非结构化、不完整、异构的真实世界信息”并输出精确几何、材质和物理属性的工具。其旗舰产品 Studio 内置了 10,000 个预构建的 3D 环境和 100,000 个资产，使用户能够创建用于边缘情况训练的自定义场景——例如机器人区分杂乱台面上的杯子或阴影中的杯子。

SpAItial 等早期采用者（一家世界模型构建公司）已经整合了 Physicl 的数据，以提高其 Echo-3 模拟引擎的保真度。SpAItial 创始人 Matthias Niessner 告诉 TechCrunch，能够根据模型的训练状态“自动生成”数据“非常令人兴奋”。De Vigan 强调，该平台不仅仅是一个静态数据转储，而是一个“代理式工作流”，可以摄取数万亿张图像或数百万小时的 LIDAR 数据，并持续生成数十亿个合成变体用于模型训练。

机器人训练数据市场竞争激烈，许多初创公司提供跨模态的收集、标注或生成服务。Physicl 通过专注于困难边缘情况的训练后增强，并将其工具定位为可重复使用的流水线而非一次性数据集，从而实现了差异化。

为什么这对小型机器人和 AI 团队很重要

对于缺乏资源构建大型物理测试装置或手动策划无尽视频数据集的小型团队来说，Physicl 的方法提供了一种务实的捷径。合成数据长期以来一直被誉为扩展训练规模的一种方式，但保真度差距往往导致模型在迁移到现实世界时失败。通过提供高质量、物理精确的 3D 技术栈，Physicl 减少了困扰许多机器人学习流水线的“现实差距”。

从工作流角度来看，该平台体现了现代 AI 运维团队所渴望的事件驱动、DAG 风格编排：当模型发出数据不足信号时，代理（例如 Claude）会触发 Physicl 启动新场景、渲染资产并将结果反馈到训练循环中——全程无需人工干预。这种闭环自动化提高了可观测性（您可以跟踪哪些合成样本提升了性能）和可靠性（数据生成过程是可重复且版本化的）。对于已经在为模型 CI/CD 而苦恼的构建者来说，Physicl 可以作为微服务嵌入现有流水线，通过 API 调用、记录日志并进行监控。

本周该做什么

1. 原型化一个合成场景 – 注册 Physicl 的 Studio 试用版，选择一个现有环境，并为您机器人难以处理的具体对象（例如阴影中的杯子）生成少量图像。
2. 将 API 集成到您的训练循环中 – 添加一个简单的 webhook，当验证指标下降时，调用 Studio 的数据生成端点，并将新样本附加到下一个训练批次中。
3. 对数据生成步骤进行仪表化 – 将场景参数、渲染时间和下游模型性能记录到仪表板（例如 Grafana）中，以便量化每个合成批次的影响。

来源

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