Alex de Vigan 上一家企业因生成式 AI 崛起陷入困境,但他正将原团队为电商打造的产品渲染平台技术重新利用,致力于提升机器人的实用性。
其新创公司 Physicl 已获得由 Inovia Capital 领投的 1000 万美元种子轮融资,旨在通过高逼真模拟,协助世界模型设计者与机器人构建者解决训练难题。
从电商渲染到物理AI:技术栈的转型
创始人兼 CEO de Vigan 在过去十年打造了 nfinite,帮助品牌轻松创建并展示商品 3D 模型。尽管 Transformer 等 AI 模型促使行业转向生成式图像,但 de Vigan 认为团队在忠实渲染 3D 环境方面积累的技术栈仍有新价值。
“我们在 3D 领域做得非常独特,而 AI 本应取代这一点,但 AI 缺少了一些东西:它理解、交互和操纵空间及物体的能力。”de Vigan 表示。
当前,开发物理 AI 模型的研究人员希望赋予机器人处理多样化小物件的能力,但仅靠视频训练回报有限,远程操作收集数据又成本高昂。数字模拟虽被视为解决方案,但确保其符合现实物理规律极具挑战。De Vigan 认为,其前公司将“非结构化、不完整、异构的现实世界信息转化为高保真物理表示”的流程,正是提升物理 AI 模型效率的关键。
聚焦边缘案例:Studio 产品与合成数据
Physicl 进入了一个竞争激烈的赛道,众多初创企业正为基础模型构建者和机器人运营商提供数据工具。“这个领域还很年轻,有时也很模糊。”de Vigan 坦言。各方正尝试不同模态的数据收集与生成方式,以寻找让机器人落地的关键配方。
Physicl 专注于困难边缘案例的模型后训练。其推出的 Studio 产品包含 10,000 个 3D 环境和 100,000 个物体资产,允许用户创建场景并生成合成数据,专门训练机器人解决特定问题(如在杂乱台面或阴影中识别杯子)。
超越数据提供商:自动化智能体工作流
世界模型构建器 SpAItial 作为早期客户,已与 Physicl 合作以提升其产品(如最新发布的 Echo-3)的保真度。SpAItial CEO Matthias Niessner 表示,要从 2D 图像有效生成 3D 模拟,必须依赖 Physicl 提供的高保真合成数据进行训练。
然而,Physicl 的定位不止于数据提供商,更致力于成为持续生成合成数据的工具。“我们十年前在不知情的情况下创建的,本质上是一个智能体工作流,用于将非结构化信息转化为高保真 3D 模型。”de Vigan 表示。他设想客户可将海量图像或激光雷达数据输入平台,转化为高质量 3D 表示,进而生成数十亿种排列组合用于模型训练。
慕尼黑工业大学机器人学教授 Niessner 指出:“真正的挑战在于手动整理数据过程漫长。Physicl 的吸引力在于可以即时完成这一过程……运行 Claude 检查训练状态后,系统能自动生成所需数据。这正是 Physicl 所提供的核心价值。”

