Physicl привлекает $10 млн посевных инвестиций для решения проблемы редких нештатных ситуаций в физическом ИИ

Physicl объявила 6 ноября 2026 года о привлечении $10 млн посевного финансирования во главе с Inovia Capital при участии US Venture Partners, а также о запуске Studio — своего первого приложения для создания синтетических обучающих данных для физического ИИ.

Средства раунда пойдут на развитие команды компании в Париже и районе залива Сан-Франциско, а также платформы, лежащей в основе Studio. Партнёр Inovia Стив Вудс назвал масштабируемые высококачественные данные о физических объектах, основанные на физике реального мира, важнейшей составляющей превращения возможностей моделей в реальные результаты.

Physicl ориентируется на редкие ситуации, от которых может зависеть надёжная работа роботов, автономных систем и моделей мира вне демонстрационных условий: например, чашка, частично скрытая сумкой, тень, пересекающая столешницу, или коробка, поставленная чуть не на своё место. Такие случаи сложно запечатлеть в больших масштабах, а после записи невозможно воспроизвести, изменив отдельные условия.

По мнению Physicl, в сфере физического ИИ нет обучающего корпуса, сопоставимого с интернет-текстами, на которых обучаются языковые модели, или миллиардами изображений с подписями, используемых для обучения моделей обработки изображений. Поэтому командам не хватает примеров сбоев, которые могут помешать внедрению.

Основатель и генеральный директор Алекс де Виган десять лет занимался оцифровкой объектов и помещений в 3D, в том числе создавал библиотеки и программное обеспечение для моделирования вариаций для крупных розничных сетей. Впоследствии команды, работающие в области робототехники, моделей мира и компьютерного зрения, начали запрашивать точно размеченные версии ситуаций, с которыми не справлялись их модели, — тысячами. Этот спрос лёг в основу платформы Physicl для создания синтетических данных.

В команде Physicl, занимающейся 3D, моделированием и машинным обучением, около 30 человек. Офисы компании находятся в Нью-Йорке, Сан-Франциско и Париже. Большинство сотрудников шесть лет создавали системы 3D-производства вместе с де Виганом, прежде чем он основал компанию.

Studio создаёт контролируемые нештатные ситуации

В опубликованном одновременно с новостью о финансировании анонсе продукта описан рабочий процесс из четырёх этапов. Исследователь описывает сбой простыми словами; Studio предлагает подходящую сцену и её варианты; исследователь корректирует диапазоны параметров и фиксирует такие условия, как траектория камеры; затем система визуализирует и экспортирует результат, записывая условия для каждого кадра.

Studio использует библиотеку из 10 000 сред и 100 000 базовых объектов, созданных на основе реальной 3D-геометрии и известных материалов. Освещение, время суток, загромождённость, объекты, материалы, высоту камеры и её траекторию можно менять как по отдельности, так и одновременно. Это позволяет проводить контролируемые сравнения, при которых между видеороликами различаются только выбранные условия.

Данные о глубине, нормалях поверхности, сегментации экземпляров и классов, а также двумерные ограничивающие рамки формируются на основе той же 3D-сцены, что и изображение, а не предсказываются по визуализированной картинке и не размечаются вручную аннотаторами. Экспорт включает RGB-изображения или видео с разрешением до 1920 × 1080, а также позу камеры для каждого кадра и метаданные сцены, в том числе сведения об освещении, планировке и объектах.

Доступ к бета-версии и первые результаты

Studio находится в стадии бета-тестирования и в этот период доступна бесплатно. Доступ поэтапно открывают лабораториям, университетам и компаниям, разрабатывающим модели компьютерного зрения, модели мира и робототехнические модели. Данные из реального мира по-прежнему необходимы: Studio призвана дополнять их редкими случаями, которые невозможно многократно и в больших объёмах зафиксировать в реальных условиях. Новые сцены добавляются ежедневно, а Physicl планирует совершенствовать средства управления, слои с эталонными данными и форматы экспорта, учитывая отзывы исследователей.

Physicl сообщила, что компания SpAItial, разрабатывающая модели мира, более чем вдвое снизила ошибку реконструкции реальных помещений после обучения на данных Physicl. Оценку провела команда Маттиаса Нисснера из TUM. Нисснер — генеральный директор SpAItial и профессор TUM; он также указан в качестве консультанта Physicl.

Бета-версия Studio позволит проверить на более широкой аудитории основную идею Physicl: способны ли воспроизводимые синтетические нештатные ситуации с точной разметкой достаточно надёжно улучшать модели, чтобы их можно было внедрять в физических средах.