Physicl haalt $10 miljoen aan seedfinanciering op om het probleem van randgevallen in fysieke AI aan te pakken

Physicl maakte bekend dat het op 6 november 2026 $10 miljoen aan seedfinanciering had opgehaald onder leiding van Inovia Capital, met deelname van US Venture Partners. Ook lanceerde het Studio, zijn eerste toepassing voor het genereren van synthetische trainingsgegevens voor fysieke AI.

De financieringsronde is bedoeld voor het team van het bedrijf in Parijs en de San Francisco Bay Area en voor het platform achter Studio. Inovia-partner Steve Woods noemde Physicl’s schaalbare fysieke gegevens van hoge kwaliteit, gebaseerd op de natuurkundige wetten van de echte wereld, een cruciaal onderdeel om modelcapaciteiten om te zetten in prestaties in de echte wereld.

Physicl richt zich op zeldzame situaties die kunnen bepalen of robots, autonome systemen en wereldmodellen betrouwbaar functioneren buiten demonstraties, zoals een kopje dat deels achter een tas schuilgaat, een schaduw die over een aanrecht valt of een doos die net niet goed op een stapel staat. Zulke gevallen zijn moeilijk op grote schaal vast te leggen en kunnen na opname niet opnieuw worden afgespeeld met geselecteerde omstandigheden aangepast.

Volgens Physicl beschikt fysieke AI niet over een trainingscorpus dat vergelijkbaar is met de internetteksten waarop taalmodellen zijn gebaseerd of de miljarden foto’s met bijschriften achter beeldmodellen. Daardoor hebben teams te weinig voorbeelden van fouten die de inzet van modellen kunnen belemmeren.

Oprichter en CEO Alex de Vigan houdt zich al tien jaar bezig met het digitaliseren van objecten en ruimtes in 3D. Zo bouwde hij bibliotheken en software om variaties te creëren voor grote retailers. Later begonnen teams op het gebied van robotica, wereldmodellen en visie nauwkeurig gelabelde versies op te vragen van situaties die hun modellen niet aankonden, in aantallen van duizenden. Die vraag vormde de basis voor het platform van Physicl voor synthetische gegevens.

Physicl heeft ongeveer 30 teamleden die zich bezighouden met 3D, simulatie en machine learning, en kantoren in New York, San Francisco en Parijs. De meesten hadden zes jaar lang samen met de Vigan 3D-productiesystemen gebouwd voordat hij het bedrijf oprichtte.

Studio genereert gecontroleerde randgevallen

Een productaankondiging die samen met het nieuws over de financiering werd gepubliceerd, beschrijft een proces in vier stappen. Een onderzoeker beschrijft in gewone taal een fout; Studio stelt een bijbehorende scène en variaties voor; de onderzoeker past de bereiken ervan aan en legt omstandigheden zoals het cameratraject vast; vervolgens rendert en exporteert het systeem het resultaat, terwijl het de omstandigheden bij elk frame registreert.

Studio maakt gebruik van een bibliotheek met 10.000 omgevingen en 100.000 onderliggende assets, opgebouwd uit echte 3D-geometrie en bekende materialen. Belichting, tijdstip, rommel, objecten, materialen, camera­hoogte en cameratraject kunnen afzonderlijk of gezamenlijk worden aangepast. Zo zijn gecontroleerde vergelijkingen mogelijk waarbij alleen geselecteerde omstandigheden tussen videofragmenten verschillen.

Diepte, oppervlaktenormalen, segmentatie van instanties en klassen en tweedimensionale begrenzingskaders zijn afkomstig uit dezelfde 3D-scène als het beeld. Ze worden dus niet voorspeld op basis van de gerenderde afbeelding of door annotatoren getekend. De exports omvatten RGB-afbeeldingen of video met een resolutie tot 1920 bij 1080, plus de camerapositie per frame en scènemetadata over belichting, indeling en objecten.

Bètatoegang en een eerste resultaat

Studio is momenteel in bèta en gedurende die periode gratis. De toegang wordt stapsgewijs opengesteld voor laboratoria, universiteiten en bedrijven die visie-, wereldmodel- en roboticamodellen ontwikkelen. Gegevens uit de echte wereld blijven essentieel voor deze aanpak: Studio is bedoeld als aanvulling daarop, met zeldzame gevallen die niet herhaaldelijk en op grote schaal in de echte wereld kunnen worden vastgelegd. Er worden dagelijks nieuwe scènes toegevoegd en Physicl wil de bedieningselementen, lagen met grondwaarheidsgegevens en exportindelingen verder ontwikkelen op basis van feedback van onderzoekers.

Physicl meldde dat wereldmodelbedrijf SpAItial zijn reconstructiefout op echte ruimtes met meer dan de helft had teruggebracht na training met gegevens van Physicl. De evaluatie werd uitgevoerd door het team van Matthias Niessner aan de TUM. Niessner is CEO van SpAItial en hoogleraar aan de TUM; ook staat hij vermeld als adviseur van Physicl.

Met de bèta van Studio wordt de centrale aanname van Physicl op grotere schaal getoetst: kunnen herhaalbare, synthetische randgevallen met exacte labels modellen betrouwbaar genoeg verbeteren voor inzet in fysieke omgevingen?