Physicl tar in 10 miljoner dollar i såddfinansiering för att lösa problemet med kantfall inom fysisk AI

Physicl meddelade den 6 november 2026 att företaget hade tagit in 10 miljoner dollar i såddfinansiering i en runda ledd av Inovia Capital, med deltagande från US Venture Partners, och lanserat Studio, sin första applikation för att generera syntetiska träningsdata för fysisk AI.

Finansieringen går till företagets team i Paris och San Francisco Bay Area samt till plattformen bakom Studio. Inovia-partnern Steve Woods beskrev Physicls skalbara fysiska data av hög kvalitet, grundade i verklighetens fysik, som en avgörande del i att omsätta modellernas förmågor i prestanda i verkligheten.

Physicl fokuserar på sällsynta förhållanden som kan avgöra om robotar, autonoma system och världsmodeller fungerar tillförlitligt utanför demonstrationer, till exempel en kopp som delvis skyms av en påse, en skugga som faller över en bänk eller en låda som står en aning fel i en stapel. Sådana fall är svåra att fånga i stor skala och kan inte spelas upp på nytt med utvalda förhållanden ändrade när de väl har registrerats.

Physicl menar att fysisk AI saknar en träningskorpus som kan mäta sig med internetteksten bakom språkmodeller eller de miljarder bildtexterförsedda fotografier som ligger till grund för bildmodeller. Därför saknar teamen exempel på de fel som kan hindra driftsättning.

Grundaren och vd:n Alex de Vigan har ägnat tio år åt att digitalisera föremål och rum i 3D, bland annat genom att bygga bibliotek och programvara för variationshantering åt stora återförsäljare. Därefter började team inom robotik, världsmodeller och datorseende efterfråga exakt märkta versioner av situationer som deras modeller inte klarade av att hantera, i volymer på tusentals. Den efterfrågan blev grunden för Physicls plattform för syntetiska data.

Physicl har cirka 30 medarbetare inom 3D, simulering och maskininlärning, med kontor i New York, San Francisco och Paris. De flesta hade arbetat i sex år med att bygga 3D-produktionssystem tillsammans med de Vigan innan han grundade företaget.

Studio genererar kontrollerade kantfall

Ett produktmeddelande som publicerades i samband med nyheten om finansieringen beskriver ett arbetsflöde i fyra steg. En forskare beskriver ett fel på vanlig svenska; Studio föreslår en matchande scen och variationer; forskaren justerar deras intervall och låser förhållanden som kamerans rörelsebana; därefter renderar och exporterar systemet resultatet och registrerar förhållandena bakom varje bildruta.

Studio bygger på ett bibliotek med 10 000 miljöer och 100 000 underliggande tillgångar, skapade utifrån verklig 3D-geometri och kända material. Belysning, tid på dygnet, oordning, föremål, material, kamerahöjd och kamerans rörelsebana kan ändras var för sig eller tillsammans. Det möjliggör kontrollerade jämförelser där endast utvalda förhållanden skiljer sig mellan klippen.

Djup, ytornas normaler, segmentering av instanser och klasser samt tvådimensionella begränsningsrutor hämtas från samma 3D-scen som genererar bilden, i stället för att förutsägas utifrån den renderade bilden eller ritas av annoterare. Exporterna omfattar RGB-bilder eller video med upplösningar på upp till 1920 gånger 1080, tillsammans med kamerans position och orientering per bildruta samt scenmetadata om belysning, layout och föremål.

Betaversion och ett tidigt resultat

Studio är i betaversion och gratis under betaperioden. Tillgången öppnas stegvis för laboratorier, universitet och företag som utvecklar modeller inom datorseende, världsmodeller och robotik. Verkliga data är fortfarande avgörande för metoden: Studio är utformat för att komplettera dem med sällsynta fall som inte går att fånga upprepade gånger och i stor skala i verkligheten. Nya scener läggs till dagligen, och Physicl planerar att vidareutveckla kontrollerna, facitlagren och exportformaten med hjälp av återkoppling från forskare som använder plattformen.

Physicl uppgav att världsmodellföretaget SpAItial mer än halverade sitt rekonstruktionsfel för verkliga rum efter träning med Physicl-data. Utvärderingen utfördes av Matthias Niessners team vid TUM. Niessner är vd för SpAItial och professor vid TUM, och anges även som rådgivare åt Physicl.

Betaversionen av Studio sätter Physicls grundidé på ett bredare prov: kan repeterbara, exakt märkta syntetiska kantfall förbättra modellerna tillräckligt tillförlitligt för att de ska kunna tas i bruk i fysiska miljöer?