Physicl、ロボットのシミュレーションと現実の差を埋めるため1,000万ドル調達

導入

ロボットが現実の環境で作業するには、整った画像から物体を認識するだけでは不十分だ。物体が別の物体に隠れていたり、影の中にあったり、雑然とした場所に置かれていたりする状況にも対応しなければならない。Physiclは、より現実に近いデジタル環境を使って、ロボット開発で知られる「シミュレーションから現実へのギャップ」を縮めようとしている。同社はInovia Capitalが主導する1,000万ドルのシードラウンドを完了した。

EC向け3D技術をフィジカルAIへ

Physiclを創業したAlex de Viganは、過去10年間、nfiniteを率いてきた。nfiniteはブランドや小売事業者が商品を3Dモデル化し、オンラインで表示するための仕組みを提供していた。生成AIによる画像制作が広がる中で、de Viganはチームが蓄積した3D資産の構築、シーン生成、写実的なレンダリングの技術を、AIが空間と物体を理解し操作するために利用できると考えた。

ロボットの学習では、動画だけに依存しても十分な成果を得にくく、遠隔操作によるデータ収集には費用がかかる。シミュレーションは有力な選択肢だが、仮想世界の形状、素材、光、物理挙動が現実と大きく異なれば、シミュレーション上で動いたモデルが実機で失敗する可能性がある。

Physiclは、欠落やばらつきのある現実世界の情報を高精度な3D表現へ変換し、その表現から多数の学習シナリオを生成することを目指している。

Studioの役割

• 豊富な環境とアセット：Studioには1万の3D環境と、さまざまな物体を表す10万のアセットが用意されている。
• 難しいケースに対応：散らかったカウンター上のカップや、影に入ったカップを見分ける訓練データなどを作成できる。
• 継続的なデータ生成：一度データを納品するだけでなく、モデルの訓練状況に応じて不足するシーンを追加するツール層を目指す。
• SpAItialとの連携：2D画像から3Dシミュレーションを生成する同社は、Echo-3などのシステムに使う合成データの忠実度を高めるためPhysiclと協力した。

意義と課題

Physiclが参入するのは、データ収集、ラベル付け、合成データ生成、基盤モデルやロボット向けの開発ツールが混在する、まだ輪郭の定まらない市場だ。同社は特に、一般的なデータで訓練した後に残る難しいエッジケースへの対応を重視している。

この方向性の価値は、単にデータ量を増やすこととは異なる。訓練結果からモデルの弱点を把握し、それに合わせて新しい形状や照明、配置のデータを生成できれば、合成データは事前に作る静的な素材集ではなく、訓練ループの一部になり得る。

一方で、現実の物理法則をどこまで正確に再現できるか、生成されたシーンが本当に有効か、仮想環境から実機へ安定して移行できるかは残された課題だ。EC向け3D技術を出発点にしたPhysiclの動きは、ロボット開発が大量データの収集だけでなく、環境と訓練工程を細かく設計する段階に進んでいることを示している。

出典：TechCrunch AI