物理AI的愿景在于让工程师能像编程数字代理一样对物理代理进行编程。然而，受限于物理空间数据匮乏，机器人技术仍面临瓶颈。目前行业多通过搭建模拟仓库或监控生产线来训练深度学习模型，而高保真仿真作为真实环境的虚拟副本，正成为以可扩展方式获取数据与工作空间的关键替代方案。
安条克：弥合“仿真到现实”差距
初创公司Antioch致力于为机器人开发者构建模拟工具，旨在解决“仿真到现实”（Sim-to-Real）难题——即确保虚拟环境足够逼真，使训练出的机器人能在物理世界可靠运行。联合创始人Harry Mellsop表示：“我们的核心目标是最大限度缩小这一差距，使仿真从自主系统视角看与真实世界无异。”
该公司今日宣布完成850万美元种子轮融资，估值达6000万美元。本轮由A*和Category Ventures领投，MaC Venture Capital、Abstract、Box Group及Icehouse Ventures等跟投。
团队背景与行业痛点
Antioch于去年5月在纽约成立。Mellsop曾联合创立安全情报公司Transpose并出售给Chainalysis；联合创始人Colin Schlag和Colton Swinger分别拥有Meta Reality Labs和Google DeepMind任职经历。
高精度仿真是自动驾驶等领域的核心需求。例如Waymo利用DeepMind的世界模型测试驾驶算法，以降低新区域部署时的数据采集成本。然而，机器人仿真所需技能与自动驾驶差异显著，且新兴公司缺乏自建实体测试场或大规模路测的资金。Antioch希望打造平台，帮助这些企业应对挑战。
Mellsop指出：“绝大多数行业尚未普及仿真，我们亟需加快步伐。”
产品逻辑与技术壁垒
Antioch将自身定位为机器人领域的Cursor（AI代码生成工具）。其允许开发者启动硬件数字实例并连接模拟传感器，复现现实数据流，从而支持边缘情况测试、强化学习及新训练数据生成。
关键在于确保仿真物理规律与现实一致。公司基于Nvidia、World Labs等模型建立特定领域库，并通过与多家客户深度合作积累了独特背景知识，这是单一物理AI公司难以比拟的优势。
Category Ventures合伙人Çağla Kaymaz强调：“物理AI领域的风险远高于纯软件世界。软件工程与大模型的发展经验虽可借鉴，但物理世界的stakes（利害关系）要高得多。”
应用场景与未来展望
目前Antioch聚焦于自动驾驶车辆、农林建筑机械及无人机等感知系统需求旺盛的领域，通用机器人任务尚需时日。尽管目标客户为初创公司，但其早期合作伙伴已包含重金投入机器人的大型跨国企业。
前Cruise高管、Foxglove创始人Adrian Macneil以天使投资人身份支持Antioch。他在Ride AI大会上表示：“构建安全论证或处理高精度任务时，仿真至关重要，‘在现实中跑够里程’并不现实。”他呼吁涌现类似GitHub、Stripe的SaaS级工具链，以支撑物理AI发展。
Mellsop预测：“未来两三年内，为现实世界构建自主系统的团队将主要依赖软件实现迭代与反馈闭环。”
实践已在展开。MIT CSAIL研究员David Mayo正利用Antioch平台评估大语言模型，包括设计机器人并在模拟器中进行对抗测试。这种逼真的沙盒环境有望为大模型基准测试提供新范式。
要真正实现数据飞轮效应——即工程师确信下月模型优于上月版本——仍需大量工作弥合数字与现实的鸿沟。对于其他企业而言，要么自研此类工具，要么直接购买。