Physicl pozyskuje 10 mln dolarów w rundzie zalążkowej, by rozwiązać problem przypadków brzegowych w fizycznej sztucznej inteligencji

Physicl poinformowała 6 listopada 2026 roku o pozyskaniu 10 mln dolarów finansowania zalążkowego, którego rundzie przewodził Inovia Capital, przy udziale US Venture Partners. Firma uruchomiła też Studio, swoją pierwszą aplikację do generowania syntetycznych danych treningowych dla fizycznej sztucznej inteligencji.

Środki z rundy sfinansują zespół firmy w Paryżu i rejonie Zatoki San Francisco oraz platformę, na której opiera się Studio. Steve Woods, partner w Inovia, określił skalowalne, wysokiej jakości dane fizyczne Physicl, oparte na prawach fizyki świata rzeczywistego, jako kluczowy element przekładania możliwości modeli na ich skuteczność w rzeczywistych warunkach.

Physicl koncentruje się na rzadkich warunkach, które mogą decydować o tym, czy roboty, systemy autonomiczne i modele świata będą działać niezawodnie poza demonstracjami. Należą do nich między innymi kubek częściowo zasłonięty torbą, cień przesuwający się po blacie czy pudełko ustawione nieco krzywo na stosie. Takie przypadki trudno rejestrować na dużą skalę, a po ich zarejestrowaniu nie można ich odtworzyć z jednoczesną zmianą wybranych warunków.

Physicl argumentuje, że fizycznej sztucznej inteligencji brakuje korpusu treningowego porównywalnego z tekstami internetowymi, na których opierają się modele językowe, lub miliardami zdjęć z podpisami wykorzystywanymi przez modele obrazowe. W rezultacie zespołom brakuje przykładów błędów, które mogą uniemożliwić wdrożenie tych modeli.

Założyciel i dyrektor generalny Alex de Vigan od dziesięciu lat zajmuje się cyfrowym odwzorowywaniem obiektów i pomieszczeń w 3D. Tworzył między innymi biblioteki i oprogramowanie do wariantowania produktów dla dużych sieci handlowych. Z czasem zespoły zajmujące się robotyką, modelami świata i widzeniem komputerowym zaczęły prosić o precyzyjnie oznaczone wersje sytuacji, z którymi ich modele sobie nie radziły — w liczbie sięgającej tysięcy. To zapotrzebowanie stało się podstawą platformy Physicl do generowania danych syntetycznych.

Physicl zatrudnia około 30 osób zajmujących się grafiką 3D, symulacją i uczeniem maszynowym. Firma ma biura w Nowym Jorku, San Francisco i Paryżu. Większość zespołu przez sześć lat budowała z de Viganem systemy produkcji 3D, zanim założył firmę.

Studio generuje kontrolowane przypadki brzegowe

Ogłoszenie o produkcie opublikowane wraz z informacją o finansowaniu opisuje czteroetapowy proces. Badacz zwykłym językiem opisuje błąd, a Studio proponuje odpowiadającą mu scenę i jej warianty. Następnie badacz dostosowuje zakresy wariantów i ustala warunki, takie jak trasa kamery. Na koniec system renderuje i eksportuje wynik, zapisując warunki dotyczące każdej klatki.

Studio korzysta z biblioteki obejmującej 10 000 środowisk i 100 000 zasobów bazujących na rzeczywistej geometrii 3D i znanych materiałach. Oświetlenie, porę dnia, bałagan, obiekty, materiały, wysokość kamery i jej trasę można zmieniać niezależnie lub jednocześnie. Umożliwia to przeprowadzanie kontrolowanych porównań, w których między klipami różnią się tylko wybrane warunki.

Informacje o głębi, normalnych powierzchni, segmentacji instancji i klas oraz ramki dwuwymiarowe pochodzą z tej samej sceny 3D, na podstawie której powstaje obraz — nie są przewidywane na podstawie wyrenderowanego obrazu ani rysowane przez osoby oznaczające dane. Eksport obejmuje obrazy lub wideo RGB w rozdzielczości do 1920 × 1080, a także pozycję kamery dla każdej klatki oraz metadane sceny dotyczące oświetlenia, układu i obiektów.

Dostęp do wersji beta i wstępny wynik

Studio jest w wersji beta i w tym okresie jest bezpłatne. Dostęp jest udostępniany etapami laboratoriom, uniwersytetom i firmom opracowującym modele widzenia komputerowego, modele świata i modele robotyczne. Dane ze świata rzeczywistego nadal są niezbędne w tym podejściu: Studio ma je uzupełniać o rzadkie przypadki, których nie da się wielokrotnie rejestrować w rzeczywistych warunkach ani pozyskiwać w dużych ilościach. Codziennie dodawane są nowe sceny, a Physicl planuje rozwijać mechanizmy kontroli, warstwy danych referencyjnych i formaty eksportu na podstawie opinii użytkowników z sektora badawczego.

Physicl poinformowała, że po treningu na danych Physicl firma SpAItial, tworząca modele świata, zmniejszyła o ponad połowę błąd rekonstrukcji rzeczywistych pomieszczeń. Ocenę przeprowadził zespół Matthiasa Niessnera z TUM. Niessner jest dyrektorem generalnym SpAItial i profesorem TUM, a także figuruje na liście doradców Physicl.

Wersja beta Studio pozwoli szerzej sprawdzić założenie Physicl: czy powtarzalne, precyzyjnie oznaczone syntetyczne przypadki brzegowe mogą na tyle niezawodnie poprawić modele, by można je było wdrażać w środowiskach fizycznych.