Physicl huy động 10 triệu USD vốn hạt giống để giải quyết vấn đề tình huống biên của AI vật lý

Physicl thông báo vào ngày 6 tháng 11 năm 2026 rằng công ty đã huy động được 10 triệu USD vốn hạt giống trong vòng gọi vốn do Inovia Capital dẫn dắt, với sự tham gia của US Venture Partners, đồng thời ra mắt Studio, ứng dụng đầu tiên của công ty dùng để tạo dữ liệu tổng hợp phục vụ huấn luyện AI vật lý.

Vòng gọi vốn này cung cấp kinh phí cho đội ngũ của công ty tại Paris và Vùng Vịnh San Francisco, cũng như cho nền tảng đứng sau Studio. Steve Woods, đối tác tại Inovia, nhận định rằng dữ liệu vật lý có khả năng mở rộng, chất lượng cao và dựa trên các định luật vật lý trong thế giới thực của Physicl là yếu tố thiết yếu để chuyển hóa năng lực của mô hình thành hiệu suất trong thế giới thực.

Physicl nhắm đến những tình huống hiếm gặp có thể quyết định liệu robot, hệ thống tự hành và mô hình thế giới có vận hành đáng tin cậy ngoài các buổi trình diễn hay không; chẳng hạn như một chiếc cốc bị chiếc túi che khuất một phần, bóng đổ lướt qua mặt bàn hay một chiếc hộp được xếp hơi lệch vị trí. Những tình huống này khó thu thập ở quy mô lớn và, một khi đã được ghi lại, không thể tái hiện với các điều kiện được thay đổi theo ý muốn.

Physicl cho rằng AI vật lý chưa có kho dữ liệu huấn luyện tương đương với lượng văn bản trên internet làm nền tảng cho các mô hình ngôn ngữ hay hàng tỷ bức ảnh có chú thích làm nền tảng cho các mô hình hình ảnh. Vì vậy, các nhóm đang thiếu ví dụ về những lỗi có thể cản trở việc triển khai.

Nhà sáng lập kiêm CEO Alex de Vigan đã dành 10 năm số hóa các vật thể và căn phòng dưới dạng 3D, trong đó có việc xây dựng thư viện và phần mềm tạo biến thể cho các nhà bán lẻ lớn. Sau đó, các nhóm nghiên cứu robot, mô hình thế giới và thị giác máy tính bắt đầu yêu cầu những phiên bản được gắn nhãn chính xác của các tình huống mà mô hình của họ không xử lý được, với số lượng lên đến hàng nghìn. Nhu cầu đó đã tạo nền tảng cho nền tảng dữ liệu tổng hợp của Physicl.

Physicl có khoảng 30 thành viên trong đội ngũ làm việc trong các lĩnh vực 3D, mô phỏng và học máy, với văn phòng tại New York, San Francisco và Paris. Trước khi de Vigan thành lập công ty, phần lớn đội ngũ đã dành 6 năm cùng ông xây dựng các hệ thống sản xuất 3D.

Studio tạo ra các tình huống biên có kiểm soát

Thông báo về sản phẩm được công bố cùng tin tức gọi vốn mô tả quy trình làm việc gồm bốn bước. Nhà nghiên cứu mô tả lỗi bằng ngôn ngữ thông thường; Studio đề xuất một cảnh phù hợp cùng các biến thể; nhà nghiên cứu điều chỉnh phạm vi của các biến thể và cố định những điều kiện như đường đi của camera; sau đó, hệ thống kết xuất và xuất kết quả, đồng thời ghi lại các điều kiện của từng khung hình.

Studio sử dụng thư viện gồm 10.000 môi trường và 100.000 tài sản nền tảng được xây dựng từ hình học 3D thực và vật liệu đã biết. Có thể thay đổi riêng lẻ hoặc đồng thời ánh sáng, thời điểm trong ngày, mức độ bừa bộn, vật thể, vật liệu, độ cao của camera và đường đi của camera. Nhờ đó, có thể thực hiện các phép so sánh có kiểm soát, trong đó chỉ những điều kiện được chọn mới khác nhau giữa các đoạn hình.

Độ sâu, pháp tuyến bề mặt, phân đoạn theo đối tượng và lớp, cùng các khung giới hạn hai chiều đều được lấy từ chính cảnh 3D tạo ra hình ảnh, thay vì được dự đoán từ ảnh đã kết xuất hoặc do người gán nhãn vẽ. Dữ liệu xuất ra bao gồm hình ảnh hoặc video RGB ở độ phân giải tối đa 1920 x 1080, kèm theo tư thế camera cho từng khung hình và siêu dữ liệu của cảnh, bao gồm thông tin về ánh sáng, bố cục và vật thể.

Quyền truy cập bản beta và kết quả ban đầu

Studio đang trong giai đoạn thử nghiệm beta và được cung cấp miễn phí trong thời gian này; quyền truy cập sẽ được mở theo từng đợt cho các phòng thí nghiệm, trường đại học và công ty phát triển mô hình thị giác máy tính, mô hình thế giới và robot. Dữ liệu từ thế giới thực vẫn là yếu tố thiết yếu trong phương pháp này: Studio được thiết kế để bổ sung dữ liệu đó bằng những tình huống hiếm gặp mà việc thu thập dữ liệu thực không thể cung cấp lặp đi lặp lại với số lượng lớn. Các cảnh mới được bổ sung hằng ngày, và Physicl dự định cải tiến các công cụ điều khiển, lớp dữ liệu thực chuẩn và định dạng xuất thông qua phản hồi từ người dùng trong lĩnh vực nghiên cứu.

Physicl cho biết công ty mô hình thế giới SpAItial đã giảm hơn một nửa sai số tái dựng trong các căn phòng thực sau khi huấn luyện bằng dữ liệu của Physicl. Nhóm của Matthias Niessner tại TUM đã tiến hành đánh giá này. Niessner là CEO của SpAItial, đồng thời là giáo sư tại TUM và cũng được liệt kê là cố vấn của Physicl.

Phiên bản beta của Studio đưa giả thuyết của Physicl ra kiểm chứng rộng rãi hơn: liệu các tình huống biên tổng hợp có thể tái tạo và được gắn nhãn chính xác có cải thiện mô hình đủ tin cậy để triển khai trong môi trường vật lý hay không.