Physicl lève 10 millions de dollars en amorçage pour s’attaquer au problème des cas limites de l’IA physique

Physicl a annoncé le 6 novembre 2026 avoir levé 10 millions de dollars lors d’un tour de financement d’amorçage mené par Inovia Capital, avec la participation d’US Venture Partners, et avoir lancé Studio, sa première application de génération de données d’entraînement synthétiques pour l’IA physique.

Ce tour de financement soutient l’équipe de l’entreprise à Paris et dans la région de la baie de San Francisco, ainsi que la plateforme qui sous-tend Studio. Steve Woods, associé chez Inovia, a décrit les données physiques évolutives et de haute qualité de Physicl, fondées sur la physique du monde réel, comme un élément essentiel pour transformer les capacités des modèles en performances dans le monde réel.

Physicl cible les situations rares qui peuvent déterminer si les robots, les systèmes autonomes et les modèles du monde fonctionnent de manière fiable en dehors des démonstrations : une tasse partiellement cachée par un sac, une ombre qui traverse un comptoir ou une boîte empilée légèrement de travers, par exemple. Ces situations sont difficiles à capturer à grande échelle et, une fois enregistrées, ne peuvent pas être rejouées en modifiant certaines conditions.

Physicl estime que l’IA physique ne dispose pas d’un corpus d’entraînement comparable aux textes d’Internet qui alimentent les modèles de langage ou aux milliards de photos légendées qui alimentent les modèles d’image. Les équipes manquent donc d’exemples des défaillances susceptibles d’empêcher le déploiement.

Le fondateur et PDG Alex de Vigan a consacré dix ans à la numérisation en 3D d’objets et de pièces, notamment en créant des bibliothèques et des logiciels de variation pour de grands distributeurs. Par la suite, des équipes spécialisées en robotique, en modèles du monde et en vision ont commencé à demander des versions précisément annotées des situations que leurs modèles ne parvenaient pas à gérer, à raison de plusieurs milliers d’exemplaires. Cette demande a servi de fondement à la plateforme de données synthétiques de Physicl.

Physicl compte environ 30 membres de l’équipe spécialisés en 3D, en simulation et en apprentissage automatique, et possède des bureaux à New York, San Francisco et Paris. La plupart ont passé six ans à créer des systèmes de production 3D avec de Vigan, avant la fondation de l’entreprise.

Studio génère des cas limites contrôlés

Une annonce du produit publiée en même temps que l’annonce du financement décrit un processus en quatre étapes. Un chercheur décrit une défaillance en langage courant ; Studio propose une scène correspondante et des variantes ; le chercheur ajuste leurs plages et fixe des conditions, comme la trajectoire de la caméra ; enfin, le système génère le rendu et exporte le résultat, tout en enregistrant les conditions associées à chaque image.

Studio s’appuie sur une bibliothèque de 10 000 environnements et de 100 000 ressources sous-jacentes, créés à partir de géométries 3D réelles et de matériaux connus. L’éclairage, le moment de la journée, l’encombrement, les objets, les matériaux, la hauteur de la caméra et sa trajectoire peuvent être modifiés séparément ou simultanément. Cela permet d’effectuer des comparaisons contrôlées dans lesquelles seules certaines conditions varient d’un clip à l’autre.

La profondeur, les normales de surface, la segmentation par instance et par classe ainsi que les boîtes 2D proviennent de la même scène 3D que celle qui produit l’image, au lieu d’être prédites à partir de l’image rendue ou tracées par des annotateurs. Les exports comprennent des images ou des vidéos RVB d’une résolution pouvant atteindre 1920 × 1080, ainsi que la pose de la caméra pour chaque image et des métadonnées de scène couvrant l’éclairage, la disposition et les objets.

Accès à la bêta et premier résultat

Studio est en version bêta et gratuit pendant cette période ; l’accès est ouvert par vagues aux laboratoires, aux universités et aux entreprises qui développent des modèles de vision, des modèles du monde et des modèles robotiques. Les données du monde réel restent essentielles à cette approche : Studio est conçu pour les compléter avec des cas rares que la capture dans le monde réel ne peut pas fournir de façon répétée et à grande échelle. De nouvelles scènes sont ajoutées chaque jour, et Physicl prévoit de faire évoluer les commandes, les couches de vérité terrain et les formats d’exportation grâce aux retours des utilisateurs de la recherche.

Physicl a indiqué que l’entreprise de modèles du monde SpAItial avait réduit de plus de moitié son erreur de reconstruction sur des pièces réelles après avoir entraîné ses modèles avec les données de Physicl. L’évaluation a été réalisée par l’équipe de Matthias Niessner à la TUM. Niessner est PDG de SpAItial et professeur à la TUM ; il figure également parmi les conseillers de Physicl.

La version bêta de Studio met à l’épreuve, à plus grande échelle, l’hypothèse de Physicl : des cas limites synthétiques, reproductibles et précisément annotés peuvent-ils améliorer les modèles de manière suffisamment fiable pour permettre leur déploiement dans des environnements physiques ?