Physicl привлек 10 млн долларов посевного финансирования от Inovia Capital, чтобы превратить точные 3D-среды в данные для обучения роботов и моделей физического ИИ. Основатель Алекс де Виган переносит в робототехнику конвейер рендеринга, который десять лет строил в компании nfinite для визуализации товаров. Ставка важна для бизнеса, потому что разработчикам роботов до сих пор не хватает масштабируемого способа учить системы захватывать реальные предметы и работать с ними.
Посевной раунд и запуск Studio для крайних случаев
Де Виган десять лет развивал nfinite, которая помогала брендам и ритейлерам создавать 3D-модели товаров для показа в интернете. Распространение генеративных моделей на архитектуре трансформеров изменило этот бизнес и выявило слабое понимание пространства и объектов со стороны ИИ. Теперь Physicl использует тот же опыт превращения неполных реальных данных в точную геометрию, материалы и физику для обучения роботов.
Исследователи, обучающие модели физического ИИ, получили ограниченную отдачу от видео и столкнулись с высокой стоимостью сбора данных через телеуправление. Цифровые симуляции выглядят альтернативой, однако обеспечить их соответствие реальной физике сложно. Physicl предлагает конвейер как мост, который превращает разрозненные и неоднородные входные данные в представления с верной формой, свойствами поверхностей и поведением.
Компания выпускает продукт Studio с 10000 3D-сред и 100000 моделей объектов для построения пользовательских сцен. Пользователи могут генерировать синтетические данные под конкретные сбои, например когда робот не распознает чашку на захламленной столешнице или в тени. Компания называет себя не разовым поставщиком данных, а инструментом для постоянного создания синтетики.
Что синтетический 3D меняет для автоматизации
Ранний клиент SpAItial, разработчик моделей мира, использовал данные Physicl для повышения точности симуляций, создаваемых из 2D-изображений. Его новый продукт Echo-3 вышел на прошлой неделе, а глава компании Маттиас Нисснер связал качество с обучением на точных синтетических данных. Для компаний с роботами на складах, в рознице и на производстве такой инструмент может сократить исправление ошибок восприятия без нового сбора физических данных.
Де Виган рассчитывает, что клиенты будут приносить триллионы изображений или миллионы часов LIDAR-съемки для создания миллиардов вариантов обучения. Нисснер, также профессор робототехники в Technical University of Munich, отметил генерацию на лету, когда система на Claude запрашивает данные по мере выявления пробелов. Ограничение — курирование: ручная подготовка наборов остается медленной, и покупателям нужно проверять точность физики, покрытие библиотек и связь с их стеком обучения.
Признаком подтверждения тренда станет переход клиентов Studio от пилотных сцен к постоянной генерации в контуре обучения моделей. Повторные заказы под библиотеки крайних случаев и новые релизы класса Echo подтвердят спрос на синтетический 3D как инфраструктуру. В этом случае команды физического ИИ будут оценивать качество симуляции при закупках наравне с вычислениями и разметкой данных.
