Physicl recauda 10 millones de dólares en una ronda semilla para abordar el problema de los casos límite de la IA física

Physicl anunció el 6 de noviembre de 2026 que había recaudado 10 millones de dólares en una ronda de financiación semilla liderada por Inovia Capital, con la participación de US Venture Partners, y que había lanzado Studio, su primera aplicación para generar datos sintéticos de entrenamiento para la IA física.

La ronda financiará al equipo de la empresa en París y en el área de la bahía de San Francisco, así como la plataforma que impulsa Studio. Steve Woods, socio de Inovia, describió los datos físicos escalables y de alta calidad de Physicl, basados en la física del mundo real, como un componente fundamental para traducir las capacidades de los modelos en rendimiento en el mundo real.

Physicl se centra en condiciones poco frecuentes que pueden determinar si los robots, los sistemas autónomos y los modelos del mundo funcionan de manera fiable fuera de las demostraciones, como una taza parcialmente oculta por una bolsa, una sombra que cruza una encimera o una caja apilada ligeramente fuera de lugar. Estos casos son difíciles de capturar a gran escala y, una vez registrados, no se pueden reproducir modificando condiciones específicas.

Physicl sostiene que la IA física carece de un corpus de entrenamiento comparable al texto de internet que sustenta los modelos de lenguaje o a los miles de millones de fotos con descripciones que sustentan los modelos de imágenes, lo que deja a los equipos sin suficientes ejemplos de los fallos que pueden impedir el despliegue.

El fundador y director ejecutivo Alex de Vigan lleva diez años digitalizando objetos y espacios en 3D, lo que incluye crear bibliotecas y software de variación para grandes minoristas. Posteriormente, equipos de robótica, modelos del mundo y visión empezaron a solicitar versiones etiquetadas con precisión de situaciones que sus modelos no lograban manejar, en cantidades de miles. Esa demanda sentó las bases de la plataforma de datos sintéticos de Physicl.

Physicl cuenta con alrededor de 30 integrantes del equipo especializados en 3D, simulación y aprendizaje automático, y tiene oficinas en Nueva York, San Francisco y París. La mayoría pasó seis años creando sistemas de producción 3D con de Vigan antes de que este fundara la empresa.

Studio genera casos límite controlados

Un anuncio de producto publicado junto con la noticia de la financiación describe un flujo de trabajo de cuatro pasos. Un investigador describe un fallo en lenguaje corriente; Studio propone una escena correspondiente y distintas variaciones; el investigador ajusta los rangos y fija condiciones como la trayectoria de la cámara; y el sistema renderiza y exporta el resultado mientras registra las condiciones subyacentes a cada fotograma.

Studio se basa en una biblioteca de 10.000 entornos y 100.000 recursos subyacentes, creados a partir de geometría 3D real y materiales conocidos. La iluminación, la hora del día, el desorden, los objetos, los materiales, la altura de la cámara y su trayectoria se pueden modificar de forma independiente o conjunta. Esto permite realizar comparaciones controladas en las que solo cambian determinadas condiciones entre los clips.

La profundidad, las normales de superficie, la segmentación por instancia y por clase, y los cuadros delimitadores bidimensionales se obtienen de la misma escena 3D que genera la imagen, en lugar de predecirse a partir de la imagen renderizada o dibujarse manualmente por anotadores. Las exportaciones incluyen imágenes o vídeos RGB con resoluciones de hasta 1920 por 1080, además de la pose de la cámara para cada fotograma y metadatos de la escena que abarcan la iluminación, la distribución y los objetos.

Acceso a la versión beta y un primer resultado

Studio está en fase beta y será gratuito durante ese período; el acceso se abrirá por etapas a laboratorios, universidades y empresas que desarrollan modelos de visión, del mundo y de robótica. Los datos del mundo real siguen siendo esenciales para este enfoque: Studio está diseñado para complementarlos con casos poco frecuentes que no se pueden capturar repetidamente y en grandes cantidades en el mundo real. Se añaden escenas nuevas a diario y Physicl planea desarrollar los controles, las capas de datos de referencia y los formatos de exportación a partir de los comentarios de usuarios de investigación.

Physicl informó que la empresa de modelos del mundo SpAItial redujo en más de la mitad su error de reconstrucción de espacios reales tras entrenar con datos de Physicl. La evaluación estuvo a cargo del equipo de Matthias Niessner en TUM. Niessner es director ejecutivo de SpAItial y profesor de TUM, y también figura como asesor de Physicl.

La versión beta de Studio somete a una prueba más amplia la premisa de Physicl: si los casos límite sintéticos, reproducibles y etiquetados con precisión pueden mejorar los modelos de manera lo bastante fiable como para permitir su despliegue en entornos físicos.