Physicl ने भौतिक एआई की सीमांत स्थितियों की समस्या से निपटने के लिए 10 मिलियन डॉलर का सीड निवेश जुटाया

Physicl ने घोषणा की कि उसने 6 नवंबर, 2026 को Inovia Capital के नेतृत्व में सीड निवेश के तौर पर 10 मिलियन डॉलर जुटाए हैं। इस निवेश में US Venture Partners ने भी भाग लिया। कंपनी ने Studio भी लॉन्च किया, जो भौतिक एआई के लिए सिंथेटिक प्रशिक्षण डेटा तैयार करने वाला उसका पहला अनुप्रयोग है।

इस निवेश से पेरिस और सैन फ़्रांसिस्को खाड़ी क्षेत्र में कंपनी की टीम और Studio के पीछे के प्लेटफ़ॉर्म को वित्तपोषण मिलेगा। Inovia के पार्टनर Steve Woods ने कहा कि वास्तविक दुनिया की भौतिकी पर आधारित Physicl का उच्च-गुणवत्ता वाला, बड़े पैमाने पर तैयार किया जा सकने वाला भौतिक डेटा, मॉडल की क्षमताओं को वास्तविक दुनिया के प्रदर्शन में बदलने का एक अहम हिस्सा है।

Physicl उन दुर्लभ परिस्थितियों पर ध्यान दे रही है जो यह तय कर सकती हैं कि रोबोट, स्वायत्त प्रणालियाँ और विश्व-मॉडल, प्रदर्शन से आगे वास्तविक परिस्थितियों में भरोसेमंद ढंग से काम करते हैं या नहीं। इनमें थैले से आंशिक रूप से ढका कप, काउंटर पर पड़ती परछाईं या अपनी जगह से थोड़ा हटकर रखा डिब्बा शामिल हैं। ऐसी परिस्थितियों को बड़े पैमाने पर रिकॉर्ड करना कठिन है और एक बार रिकॉर्ड हो जाने के बाद, चुनी हुई परिस्थितियों को बदलकर उन्हें दोबारा नहीं दिखाया जा सकता।

Physicl का तर्क है कि भौतिक एआई के पास ऐसा प्रशिक्षण संग्रह नहीं है जिसकी तुलना भाषा-मॉडलों के पीछे मौजूद इंटरनेट पर उपलब्ध पाठ या छवि-मॉडलों के पीछे मौजूद कैप्शन वाली अरबों तस्वीरों से की जा सके। इसके कारण टीमों के पास उन विफलताओं के उदाहरण कम पड़ जाते हैं जो तैनाती में बाधा बन सकती हैं।

संस्थापक और सीईओ Alex de Vigan ने वस्तुओं और कमरों को 3D में डिजिटाइज़ करने के काम में दस साल बिताए हैं। इसमें बड़े खुदरा विक्रेताओं के लिए लाइब्रेरी और अलग-अलग रूप तैयार करने वाले सॉफ़्टवेयर बनाना भी शामिल है। इसके बाद रोबोटिक्स, विश्व-मॉडल और कंप्यूटर विज़न की टीमों ने उन परिस्थितियों के सटीक लेबल वाले संस्करण माँगने शुरू किए जिन्हें उनके मॉडल संभालने में विफल रहे थे—ऐसे संस्करण हज़ारों की संख्या में चाहिए थे। इसी माँग ने Physicl के सिंथेटिक डेटा प्लेटफ़ॉर्म की नींव रखी।

Physicl की 3D, सिमुलेशन और मशीन लर्निंग से जुड़ी टीम में लगभग 30 सदस्य हैं। इसके कार्यालय न्यूयॉर्क, सैन फ़्रांसिस्को और पेरिस में हैं। कंपनी की स्थापना से पहले इनमें से अधिकांश सदस्यों ने de Vigan के साथ छह साल तक 3D उत्पादन प्रणालियाँ बनाने का काम किया था।

Studio नियंत्रित सीमांत स्थितियाँ तैयार करता है

निवेश की खबर के साथ प्रकाशित उत्पाद घोषणा में चार चरणों वाली कार्यप्रणाली बताई गई है। शोधकर्ता सरल भाषा में किसी विफलता का वर्णन करता है; Studio उससे मेल खाता दृश्य और उसके रूपांतर सुझाता है; शोधकर्ता उनकी सीमाएँ तय करता है और कैमरे के पथ जैसी स्थितियों को निश्चित करता है; फिर सिस्टम परिणाम तैयार करके निर्यात करता है और हर फ़्रेम के पीछे की परिस्थितियों का रिकॉर्ड रखता है।

Studio वास्तविक 3D ज्यामिति और ज्ञात सामग्रियों से बने 10,000 परिवेशों और 100,000 आधारभूत संसाधनों की लाइब्रेरी का उपयोग करता है। रोशनी, दिन का समय, बिखरी हुई वस्तुएँ, अन्य वस्तुएँ, सामग्रियाँ, कैमरे की ऊँचाई और उसका पथ—इन सभी को अलग-अलग या एक साथ बदला जा सकता है। इससे नियंत्रित तुलना करना संभव होता है, जिसमें अलग-अलग क्लिप के बीच केवल चुनी हुई परिस्थितियाँ ही भिन्न होती हैं।

गहराई, सतह के अभिलंब, इंस्टेंस और वर्ग विभाजन तथा द्वि-आयामी बॉक्स उसी 3D दृश्य से प्राप्त होते हैं जिससे छवि बनती है; इन्हें रेंडर की गई तस्वीर से अनुमानित नहीं किया जाता और न ही एनोटेटर इन्हें हाथ से बनाते हैं। निर्यात में 1920 गुणा 1080 तक के रिज़ॉल्यूशन वाली RGB छवियाँ या वीडियो शामिल हैं। इनके साथ हर फ़्रेम के लिए कैमरे की स्थिति और रोशनी, लेआउट तथा वस्तुओं की जानकारी वाला दृश्य मेटाडेटा भी मिलता है।

बीटा तक पहुँच और शुरुआती नतीजा

Studio अभी बीटा संस्करण में है और इस अवधि में मुफ़्त उपलब्ध है। विज़न, विश्व-मॉडल और रोबोटिक्स मॉडल विकसित करने वाली प्रयोगशालाओं, विश्वविद्यालयों और कंपनियों को चरणों में इसकी पहुँच दी जा रही है। इस दृष्टिकोण में वास्तविक दुनिया का डेटा अब भी आवश्यक है: Studio का उद्देश्य ऐसे दुर्लभ मामलों से उसकी पूर्ति करना है जिन्हें वास्तविक परिस्थितियों में बार-बार और बड़े पैमाने पर रिकॉर्ड नहीं किया जा सकता। हर दिन नए दृश्य जोड़े जाते हैं। Physicl की योजना है कि शोधकर्ताओं से मिले सुझावों के आधार पर नियंत्रण सुविधाओं, ग्राउंड-ट्रुथ परतों और निर्यात प्रारूपों को विकसित किया जाए।

Physicl ने बताया कि विश्व-मॉडल कंपनी SpAItial ने Physicl के डेटा पर प्रशिक्षण के बाद वास्तविक कमरों के पुनर्निर्माण में होने वाली त्रुटि आधे से भी अधिक घटा दी। यह मूल्यांकन TUM में Matthias Niessner की टीम ने किया। Niessner, SpAItial के सीईओ और TUM में प्रोफ़ेसर हैं; उन्हें Physicl के सलाहकार के रूप में भी सूचीबद्ध किया गया है।

Studio का बीटा संस्करण Physicl की मूल अवधारणा को व्यापक स्तर पर परखने का अवसर देता है: क्या बार-बार तैयार की जा सकने वाली और सटीक लेबल वाली सिंथेटिक सीमांत स्थितियाँ मॉडलों को इतना भरोसेमंद बना सकती हैं कि उन्हें भौतिक परिवेशों में तैनात किया जा सके?