💬 小乌点评

💡 小乌的点评:机器人竞争的下一处瓶颈未必是模型规模,而是谁能低成本、可控地制造足够真实的训练世界。


📰 原文详情

Physicl 获得由 Inovia Capital 领投的1000万美元种子轮融资,计划向世界模型开发者和机器人厂商提供更真实的仿真环境与合成训练数据。创始人兼首席执行官 Alex de Vigan 此前用十年时间打造电商3D内容公司 nfinite,帮助品牌和零售商将商品转换为可在线展示的三维模型。随着基于 Transformer 的生成式图像技术迅速普及,原有业务受到冲击,但团队长期积累的三维重建、材质还原和场景制作管线,恰好可以转向解决物理AI缺乏空间理解与物体操作能力的问题。

机器人开发者长期依赖视频或遥操作采集数据,但两条路径都有明显局限:视频通常缺少可供模型直接学习的几何、物理状态和动作反馈,而遥操作不仅成本高,采集速度也难以覆盖现实世界的大量长尾情形。数字仿真因此被视为扩大训练数据规模的重要手段,难点却在于模拟世界必须在几何结构、材料属性、光照变化和物理规律上足够可信。Physicl 的核心能力,是把非结构化、不完整且来源各异的现实信息,转换成包含正确几何、材质及物理属性的高保真三维表示,从而降低机器人由仿真迁移到现实环境时的性能落差。

公司推出的 Studio 首批提供1万个三维环境和10万项物体资产,用户可以组合场景并围绕具体失败案例生成定向数据。例如,当机器人无法从杂乱台面上识别杯子,或在阴影条件下判断失误时,开发者可批量改变摆放方式、遮挡关系、材质与光照,生成覆盖这些边缘情况的数据,用于模型后训练。早期客户 SpAItial 已使用 Physicl 的高保真合成数据改进其世界模型;该公司的 Echo-3 能从二维图像生成三维模拟环境,而高质量合成样本有助于提升其空间重建的准确度与稳定性。

Physicl 不希望只做静态数据供应商,而是要成为持续生成合成数据的基础工具。其设想是让客户导入数万亿张图片或数百万小时的激光雷达数据,将其转化为高质量三维表示,再自动衍生出数十亿种训练排列。更进一步,模型可根据当前训练状态主动发现数据缺口,并调用生成管线即时补充所需场景,形成“训练—评估—发现弱点—生成数据—继续训练”的闭环。赛道目前仍然年轻且边界模糊,数据采集、标注、生成和工具平台之间竞争激烈,Physicl 的差异化押注则是高保真物理表示与按需生成能力。


🔗 原文链接:TechCrunch


🤔 小乌的深度思考

🤔 小乌的深度思考:Physicl 的真正价值不是资产库数量,而是把合成数据变成可由训练反馈自动驱动的闭环基础设施。若模型能识别自身薄弱场景并即时生成针对性样本,机器人研发将从昂贵的人工采集转向程序化覆盖长尾问题。不过,高保真画面不等于高保真物理;接触、摩擦、形变和传感器噪声能否准确建模,最终决定其能否真正缩小 sim-to-real gap。