Finanzierung
Physicl sammelt in einer Seed-Runde 10 Mio. US-Dollar ein, um das Problem seltener Ausnahmefälle bei physischer KI anzugehen
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Physicl gab am 6. November 2026 bekannt, dass das Unternehmen 10 Millionen US-Dollar an Seed-Finanzierung eingesammelt hat. Die Runde wurde von Inovia Capital angeführt, US Venture Partners beteiligte sich ebenfalls. Außerdem startete Physicl Studio, seine erste Anwendung zur Generierung synthetischer Trainingsdaten für physische KI.
Mit der Finanzierungsrunde werden das Team des Unternehmens in Paris und der San Francisco Bay Area sowie die Plattform hinter Studio finanziert. Inovia-Partner Steve Woods bezeichnete Physicls skalierbare, hochwertige physische Daten, die auf realer Physik beruhen, als entscheidenden Baustein, um Modellfähigkeiten in reale Leistung zu übertragen.
Physicl konzentriert sich auf seltene Bedingungen, die darüber entscheiden können, ob Roboter, autonome Systeme und Weltmodelle außerhalb von Vorführungen zuverlässig funktionieren. Dazu zählen etwa eine teilweise von einer Tasche verdeckte Tasse, ein Schatten, der über eine Arbeitsfläche wandert, oder eine leicht versetzt gestapelte Kiste. Solche Fälle lassen sich nur schwer in großem Umfang erfassen und können nach ihrer Aufzeichnung nicht erneut abgespielt werden, wobei gezielt ausgewählte Bedingungen verändert werden.
Physicl argumentiert, dass es der physischen KI an einem Trainingskorpus mangelt, der mit den Internettexten vergleichbar ist, auf denen Sprachmodelle basieren, oder mit den Milliarden beschrifteten Fotos, die Bildmodellen zugrunde liegen. Dadurch fehlt den Teams eine ausreichende Zahl von Beispielen für jene Fehler, die eine Bereitstellung verhindern können.
Gründer und CEO Alex de Vigan beschäftigt sich seit zehn Jahren mit der Digitalisierung von Objekten und Räumen in 3D. Dazu gehörten auch der Aufbau von Bibliotheken und die Entwicklung von Software für Variationen für große Einzelhändler. Später fragten Robotik-, Weltmodell- und Bildverarbeitungsteams präzise beschriftete Varianten von Situationen an, mit denen ihre Modelle nicht zurechtgekommen waren – in Tausenderzahlen. Diese Nachfrage bildete die Grundlage für Physicls Plattform für synthetische Daten.
Physicl hat rund 30 Teammitglieder in den Bereichen 3D, Simulation und maschinelles Lernen; die Büros befinden sich in New York, San Francisco und Paris. Die meisten hatten zuvor sechs Jahre lang mit de Vigan an 3D-Produktionssystemen gearbeitet, bevor er das Unternehmen gründete.
Studio erzeugt kontrollierte Ausnahmefälle
Eine parallel zur Finanzierungsnachricht veröffentlichte Produktankündigung beschreibt einen vierstufigen Arbeitsablauf. Eine Forscherin oder ein Forscher beschreibt einen Fehler in Alltagssprache; Studio schlägt eine passende Szene und Variationen vor; die Forschenden passen deren Wertebereiche an und legen Bedingungen wie den Kamerapfad fest; anschließend rendert das System das Ergebnis und exportiert es, wobei es die Bedingungen für jedes Einzelbild aufzeichnet.
Studio greift auf eine Bibliothek mit 10.000 Umgebungen und 100.000 zugrunde liegenden Assets zurück, die auf echter 3D-Geometrie und bekannten Materialien basieren. Beleuchtung, Tageszeit, Unordnung, Objekte, Materialien, Kamerahöhe und Kamerapfad lassen sich unabhängig voneinander oder gemeinsam ändern. So sind kontrollierte Vergleiche möglich, bei denen sich die Clips nur in ausgewählten Bedingungen unterscheiden.
Tiefeninformationen, Oberflächennormalen, Instanz- und Klassensegmentierungen sowie zweidimensionale Begrenzungsrahmen stammen aus derselben 3D-Szene, aus der auch das Bild erzeugt wird. Sie werden also weder aus dem gerenderten Bild vorhergesagt noch von Annotierenden eingezeichnet. Zu den Exporten zählen RGB-Bilder oder -Videos mit Auflösungen von bis zu 1920 × 1080 sowie die Kamerapose für jedes Einzelbild und Szenenmetadaten zu Beleuchtung, Anordnung und Objekten.
Betazugang und ein erstes Ergebnis
Studio befindet sich in der Betaphase und ist während dieser Zeit kostenlos. Der Zugang wird nach und nach für Labore, Universitäten und Unternehmen geöffnet, die Modelle für Bildverarbeitung, Weltmodelle und Robotik entwickeln. Reale Daten bleiben für diesen Ansatz unverzichtbar: Studio soll sie um seltene Fälle ergänzen, die sich durch Aufnahmen in der realen Welt nicht wiederholt und in großem Umfang erfassen lassen. Täglich kommen neue Szenen hinzu. Physicl plant, die Steuerungsmöglichkeiten, Ground-Truth-Ebenen und Exportformate anhand des Feedbacks von Forschenden weiterzuentwickeln.
Physicl berichtete, dass das Weltmodell-Unternehmen SpAItial seinen Rekonstruktionsfehler bei realen Räumen nach dem Training mit Physicl-Daten um mehr als die Hälfte reduziert hat. Die Auswertung stammt vom Team von Matthias Niessner an der TUM. Niessner ist CEO von SpAItial und Professor an der TUM; außerdem wird er als Berater von Physicl geführt.
Mit der Betaversion von Studio stellt Physicl seine Grundannahme einer breiteren Prüfung: Können wiederholbare, exakt beschriftete synthetische Ausnahmefälle Modelle so zuverlässig verbessern, dass sie in physischen Umgebungen eingesetzt werden können?
