Physicl raccoglie 10 milioni di dollari in un round seed per affrontare il problema dei casi limite dell’IA fisica

Physicl ha annunciato il 6 novembre 2026 di aver raccolto 10 milioni di dollari in un round di finanziamento seed guidato da Inovia Capital, con la partecipazione di US Venture Partners, e di aver lanciato Studio, la sua prima applicazione per generare dati sintetici di addestramento per l’IA fisica.

Il round finanzia il team dell’azienda a Parigi e nella Bay Area di San Francisco, oltre alla piattaforma alla base di Studio. Steve Woods, partner di Inovia, ha descritto i dati sul mondo fisico di Physicl, scalabili, di alta qualità e basati sulla fisica del mondo reale, come un elemento fondamentale per tradurre le capacità dei modelli in prestazioni nel mondo reale.

Physicl punta a riprodurre condizioni rare che possono determinare se robot, sistemi autonomi e modelli del mondo funzionino in modo affidabile al di fuori delle dimostrazioni, come una tazza parzialmente nascosta da una borsa, un’ombra che attraversa un bancone o una scatola impilata leggermente fuori posto. Questi casi sono difficili da acquisire su larga scala e, una volta registrati, non possono essere riprodotti modificando condizioni specifiche.

Secondo Physicl, all’IA fisica manca un corpus di addestramento paragonabile ai testi online alla base dei modelli linguistici o ai miliardi di foto corredate da didascalie usate per i modelli di immagini. Di conseguenza, ai team mancano esempi dei malfunzionamenti che possono impedire la messa in produzione.

Il fondatore e CEO Alex de Vigan da dieci anni digitalizza oggetti e ambienti in 3D, anche realizzando librerie e software per la gestione delle varianti destinati ai grandi rivenditori. In seguito, i team di robotica, modelli del mondo e visione artificiale hanno iniziato a chiedere versioni etichettate con precisione delle situazioni che i loro modelli non riuscivano a gestire, in quantità di migliaia. Questa domanda ha posto le basi per la piattaforma di dati sintetici di Physicl.

Physicl conta circa 30 membri del team che si occupano di 3D, simulazione e apprendimento automatico, con uffici a New York, San Francisco e Parigi. La maggior parte di loro ha trascorso sei anni a costruire sistemi di produzione 3D con de Vigan, prima che fondasse l’azienda.

Studio genera casi limite controllati

Un annuncio del prodotto pubblicato insieme alla notizia del finanziamento descrive un flusso di lavoro in quattro fasi. Un ricercatore descrive un malfunzionamento in linguaggio semplice; Studio propone una scena corrispondente e alcune varianti; il ricercatore ne modifica gli intervalli e blocca condizioni come il percorso della telecamera; infine, il sistema renderizza ed esporta il risultato, registrando le condizioni associate a ciascun fotogramma.

Studio attinge a una libreria di 10.000 ambienti e 100.000 risorse di base, costruiti a partire da geometrie 3D reali e materiali noti. L’illuminazione, l’ora del giorno, il disordine, gli oggetti, i materiali, l’altezza della telecamera e il suo percorso possono essere modificati singolarmente o insieme. Ciò consente confronti controllati in cui, tra una clip e l’altra, cambiano solo le condizioni selezionate.

La profondità, le normali delle superfici, la segmentazione per istanza e per classe e i riquadri bidimensionali provengono dalla stessa scena 3D che genera l’immagine, anziché essere predetti a partire dall’immagine renderizzata o disegnati da annotatori. Le esportazioni includono immagini o video RGB con risoluzioni fino a 1920 per 1080, oltre alla posa della telecamera per ogni fotogramma e ai metadati della scena relativi a illuminazione, disposizione e oggetti.

Accesso alla beta e un primo risultato

Studio è in versione beta e rimarrà gratuito durante questo periodo; l’accesso sarà aperto a ondate a laboratori, università e aziende che sviluppano modelli di visione artificiale, modelli del mondo e modelli robotici. I dati del mondo reale restano essenziali per questo approccio: Studio è progettato per integrarli con casi rari che non è possibile acquisire ripetutamente e su larga scala nel mondo reale. Ogni giorno vengono aggiunte nuove scene e Physicl intende sviluppare i controlli, i livelli di ground truth e i formati di esportazione sulla base dei riscontri degli utenti impegnati nella ricerca.

Physicl ha riferito che, dopo aver effettuato l’addestramento con i dati di Physicl, l’azienda SpAItial, che sviluppa modelli del mondo, ha più che dimezzato il proprio errore di ricostruzione di ambienti reali. La valutazione è stata condotta dal team di Matthias Niessner alla TUM. Niessner è CEO di SpAItial e professore alla TUM, oltre a figurare tra i consulenti di Physicl.

La versione beta di Studio sottopone a una verifica più ampia l’ipotesi di Physicl: che casi limite sintetici, riproducibili ed etichettati con precisione possano migliorare i modelli con un’affidabilità sufficiente per la loro messa in produzione in ambienti fisici.