Physicl henter inn 10 millioner dollar i såkornfinansiering for å løse utfordringen med sjeldne unntakstilfeller innen fysisk KI

Physicl kunngjorde 6. november 2026 at selskapet hadde hentet inn 10 millioner dollar i såkornfinansiering i en runde ledet av Inovia Capital, med deltakelse fra US Venture Partners, og lansert Studio, sin første applikasjon for å generere syntetiske treningsdata for fysisk KI.

Finansieringsrunden skal finansiere selskapets team i Paris og San Francisco Bay Area og plattformen bak Studio. Inovia-partner Steve Woods beskrev Physicls skalerbare fysiske data av høy kvalitet, forankret i den virkelige verdens fysikk, som en avgjørende del av arbeidet med å omsette modellenes egenskaper til ytelse i den virkelige verden.

Physicl retter seg mot sjeldne situasjoner som kan avgjøre om roboter, autonome systemer og verdensmodeller fungerer pålitelig utenfor demonstrasjoner. Det kan for eksempel dreie seg om en kopp som er delvis skjult av en pose, en skygge som beveger seg over en benkeplate eller en eske som er stablet litt skjevt. Slike tilfeller er vanskelige å fange opp i stor skala, og når de først er registrert, kan de ikke gjenskapes med utvalgte forhold endret.

Physicl mener at fysisk KI mangler et treningskorpus som kan sammenlignes med internetteksten bak språkmodeller eller de milliardene av bildetekstmerkede bilder som ligger bak bildemodeller. Dermed mangler teamene eksempler på feil som kan hindre utrulling.

Grunnlegger og administrerende direktør Alex de Vigan har brukt ti år på å digitalisere objekter og rom i 3D, blant annet ved å bygge biblioteker og programvare for variasjon for store detaljhandelsaktører. Senere begynte team innen robotikk, verdensmodeller og datamaskinsyn å etterspørre nøyaktig merkede versjoner av situasjoner modellene deres ikke klarte å håndtere, i mengder på flere tusen. Denne etterspørselen dannet grunnlaget for Physicls plattform for syntetiske data.

Physicl har rundt 30 medarbeidere innen 3D, simulering og maskinlæring, med kontorer i New York, San Francisco og Paris. De fleste brukte seks år på å bygge 3D-produksjonssystemer sammen med de Vigan før han grunnla selskapet.

Studio genererer kontrollerte grensetilfeller

En produktkunngjøring publisert sammen med nyheten om finansieringen beskriver en arbeidsflyt i fire trinn. En forsker beskriver en feil med vanlig språk; Studio foreslår en passende scene og variasjoner; forskeren justerer intervallene og fastsetter forhold som kamerabanen; deretter gjengir og eksporterer systemet resultatet, samtidig som det registrerer forholdene bak hvert bilde.

Studio bygger på et bibliotek med 10 000 miljøer og 100 000 underliggende ressurser, laget med utgangspunkt i ekte 3D-geometri og kjente materialer. Belysning, tidspunkt på dagen, rot, objekter, materialer, kamerahøyde og kamerabane kan endres hver for seg eller samtidig. Det gjør det mulig å gjennomføre kontrollerte sammenligninger der bare utvalgte forhold er forskjellige mellom klippene.

Dybde, overflatenormaler, instans- og klassesegmentering samt todimensjonale avgrensningsbokser hentes fra den samme 3D-scenen som bildet produseres fra, i stedet for å bli forutsagt ut fra det gjengitte bildet eller tegnet inn av annotatører. Eksportene omfatter RGB-bilder eller video med oppløsninger på opptil 1920 ganger 1080, med kameraposisjon for hvert bilde og scenemetadata som dekker belysning, oppsett og objekter.

Betatilgang og et tidlig resultat

Studio er i beta og gratis i denne perioden, og tilgangen åpnes gradvis for laboratorier, universiteter og selskaper som utvikler modeller for datamaskinsyn, verdensmodeller og robotikk. Data fra den virkelige verden er fortsatt avgjørende for tilnærmingen: Studio er laget for å supplere slike data med sjeldne tilfeller som ikke kan fanges gjentatte ganger og i stor skala i den virkelige verden. Nye scener legges til daglig, og Physicl planlegger å videreutvikle kontrollene, fasitlagene og eksportformatene basert på tilbakemeldinger fra forskere som bruker løsningen.

Physicl opplyste at verdensmodellselskapet SpAItial mer enn halverte rekonstruksjonsfeilen for virkelige rom etter å ha trent med data fra Physicl. Evalueringen ble utført av teamet til Matthias Niessner ved TUM. Niessner er administrerende direktør i SpAItial og professor ved TUM, og er også oppført som rådgiver for Physicl.

Betaversjonen av Studio setter Physicls premiss på en bredere prøve: Kan repeterbare, nøyaktig merkede syntetiske grensetilfeller forbedre modeller pålitelig nok til at de kan tas i bruk i fysiske miljøer?