Physicl rejser 10 mio. dollars i seedkapital for at løse problemet med randtilfælde inden for fysisk AI

Physicl offentliggjorde den 6. november 2026, at virksomheden havde rejst 10 millioner dollars i seedkapital i en runde ledet af Inovia Capital med deltagelse af US Venture Partners, og lancerede Studio, sin første applikation til generering af syntetiske træningsdata til fysisk AI.

Finansieringsrunden skal finansiere virksomhedens team i Paris og San Francisco Bay Area samt platformen bag Studio. Inovia-partneren Steve Woods beskrev Physicls skalerbare fysiske data af høj kvalitet, som bygger på fysikken i den virkelige verden, som en afgørende del af arbejdet med at omsætte modellernes egenskaber til præstationer i den virkelige verden.

Physicl fokuserer på sjældne forhold, der kan afgøre, om robotter, autonome systemer og verdensmodeller fungerer pålideligt uden for demonstrationssituationer, herunder en kop, der delvist er skjult af en pose, en skygge, der bevæger sig hen over en køkkenbordplade, eller en kasse, der er stablet en smule skævt. Disse tilfælde er vanskelige at indfange i stor skala, og når de først er optaget, kan de ikke afspilles igen med udvalgte forhold ændret.

Physicl hævder, at fysisk AI mangler et træningskorpus, der kan sammenlignes med internetteksten bag sprogmodeller eller de milliarder af billedtekster, der ledsager fotos brugt til billedmodeller. Derfor mangler teams eksempler på de fejl, der kan forhindre implementering.

Grundlægger og administrerende direktør Alex de Vigan har brugt ti år på at digitalisere objekter og rum i 3D, herunder på at opbygge biblioteker og software til at skabe variationer for store detailhandlere. Efterfølgende begyndte teams inden for robotteknologi, verdensmodeller og computer vision at efterspørge præcist mærkede versioner af situationer, som deres modeller ikke kunne håndtere, i mængder på tusinder. Denne efterspørgsel dannede grundlaget for Physicls platform til syntetiske data.

Physicl har omkring 30 teammedlemmer inden for 3D, simulering og maskinlæring med kontorer i New York, San Francisco og Paris. De fleste havde brugt seks år på at opbygge 3D-produktionssystemer sammen med de Vigan, før han grundlagde virksomheden.

Studio genererer kontrollerede randtilfælde

En produktannoncering, der blev offentliggjort sammen med nyheden om finansieringen, beskriver en arbejdsgang i fire trin. En forsker beskriver en fejl i almindeligt sprog; Studio foreslår en tilsvarende scene og variationer; forskeren justerer intervallerne og fastlåser forhold som kamerabanen; og systemet gengiver og eksporterer resultatet, mens det registrerer forholdene bag hvert billede.

Studio bygger på et bibliotek med 10.000 miljøer og 100.000 underliggende aktiver, der er skabt ud fra ægte 3D-geometri og kendte materialer. Belysning, tidspunkt på dagen, rod, objekter, materialer, kamerahøjde og kamerabane kan ændres hver for sig eller samlet. Det gør det muligt at foretage kontrollerede sammenligninger, hvor kun udvalgte forhold er forskellige fra klip til klip.

Dybde, overfladenormaler, instans- og klassesegmentering samt todimensionelle bokse stammer fra den samme 3D-scene, som danner billedet, i stedet for at blive forudsagt ud fra det gengivne billede eller tegnet af annotatorer. Eksporterne omfatter RGB-billeder eller -video i opløsninger på op til 1920 gange 1080 samt kamerastilling for hvert billede og scenemetadata, der dækker belysning, indretning og objekter.

Betaversion og et tidligt resultat

Studio er i betaversion og gratis i denne periode, og adgangen åbnes gradvist for laboratorier, universiteter og virksomheder, der udvikler modeller inden for computer vision, verdensmodeller og robotteknologi. Data fra den virkelige verden er fortsat afgørende for denne tilgang: Studio er udviklet som et supplement med sjældne tilfælde, som ikke gentagne gange kan indsamles i stor skala fra den virkelige verden. Nye scener tilføjes dagligt, og Physicl planlægger at videreudvikle kontrollerne, lagene med facitdata og eksportformaterne på baggrund af feedback fra forskningsbrugere.

Physicl oplyste, at verdensmodelvirksomheden SpAItial mere end halverede sin rekonstruktionsfejl for virkelige rum efter træning med Physicl-data. Evalueringen blev udført af Matthias Niessners team ved TUM. Niessner er administrerende direktør for SpAItial og professor ved TUM, og han er også opført som rådgiver for Physicl.

Studios betaversion sætter Physicls præmis på en bredere prøve: Kan gentagelige, præcist mærkede syntetiske randtilfælde forbedre modellerne pålideligt nok til, at de kan anvendes i fysiske miljøer?