Physicl完成1000万美元种子轮融资，解决物理人工智能的边界案例难题

Physicl于2026年11月6日宣布，公司已完成1000万美元种子轮融资。本轮融资由Inovia Capital领投，US Venture Partners参投；公司还推出了Studio，这是其首款用于生成物理人工智能合成训练数据的应用。

本轮融资将用于支持公司在巴黎和旧金山湾区的团队，以及Studio背后的平台。Inovia合伙人Steve Woods表示，Physicl提供的可扩展、高质量物理数据以现实世界的物理规律为基础，是将模型能力转化为现实世界表现的关键。

Physicl的目标是处理那些罕见情形——它们可能决定机器人、自主系统和世界模型能否在演示场景之外可靠运行，例如被袋子部分遮住的杯子、掠过台面的阴影，或稍微堆放错位的箱子。这些情况难以大规模采集；一旦记录下来，也无法在改变特定条件后重新演练。

Physicl指出，物理人工智能缺少类似语言模型所依托的互联网文本语料库，或图像模型背后数十亿张带说明文字的照片那样的训练语料，导致团队缺乏足够的示例来应对可能阻碍产品部署的故障。

创始人兼首席执行官Alex de Vigan花了十年时间将物体和房间数字化为3D内容，其中包括为大型零售商构建素材库和变化生成软件。此后，机器人、世界模型和视觉团队开始提出需求，希望获得模型无法处理的情况的精确标注版本，数量达数千个。这一需求构成了Physicl合成数据平台的基础。

Physicl在3D、仿真和机器学习领域拥有约30名团队成员，办公地点设在纽约、旧金山和巴黎。其中大多数人在de Vigan创立公司之前，曾与他一起花六年时间构建3D制作系统。

Studio生成可控的边界案例

与融资消息一同发布的产品公告介绍了一套四步工作流程：研究人员用通俗语言描述故障；Studio提出匹配的场景及其变体；研究人员调整各项参数的范围，并固定摄像机运动路径等条件；随后，系统渲染并导出结果，同时记录每一帧所依据的条件。

Studio使用一个包含10,000种环境和100,000项基础素材的素材库，这些内容基于真实的3D几何形状和已知材质构建。光照、一天中的时段、杂物、物体、材质、摄像机高度和摄像机运动路径都可以单独或同时调整。这样便能进行受控比较，让不同片段之间只有选定条件存在差异。

深度、表面法线、实例与类别分割以及二维框，均来自生成图像的同一个3D场景，而非根据渲染图像预测得出或由标注人员手动绘制。导出内容包括分辨率最高可达1920×1080的RGB图像或视频，并附带逐帧摄像机姿态，以及涵盖光照、布局和物体的场景元数据。

测试版开放体验与早期成果

Studio目前处于测试阶段，在此期间免费使用，并将分批向实验室、大学以及开发视觉、世界模型和机器人模型的公司开放。现实世界数据仍是这一方案不可或缺的一部分：Studio旨在补充这类数据，提供现实采集无法反复、大规模获得的罕见案例。新场景每天都会加入，Physicl计划根据研究用户的反馈，持续开发控制功能、真实标注层和导出格式。

Physicl表示，世界模型公司SpAItial使用Physicl数据训练后，在真实房间中的重建误差降低了一半以上。这项评估由TUM的Matthias Niessner团队完成。Niessner是SpAItial的首席执行官和TUM教授，同时也被列为Physicl顾问。

Studio测试版让Physicl的设想接受更广泛的检验：可重复生成且标注精确的合成边界案例，能否足够可靠地提升模型表现，使其得以部署于物理环境中。