Physicl获1000万美元融资，试图补上机器人“仿真到现实”鸿沟

导语

机器人要在真实世界中可靠工作，不能只学会识别理想条件下的物体，还必须应对遮挡、阴影、杂乱摆放以及物体种类变化等情况。Physicl正在尝试从数字世界入手，解决物理AI长期面临的“仿真到现实”鸿沟。公司近日宣布完成1000万美元种子轮融资，由Inovia Capital领投。

从电商渲染转向机器人训练

Physicl创始人兼CEO Alex de Vigan过去十年创办了nfinite。该公司最初为品牌和零售商提供3D商品建模与在线展示工具，后来随着生成式AI图像技术发展，业务重点受到影响。de Vigan认为，团队积累的3D资产、场景构建和真实感渲染能力，仍然适合一个尚未被充分解决的问题：让AI理解、交互并操控空间中的物体。

机器人训练通常依赖真实视频、远程操作采集的数据，或成本较高的人工整理流程。数字仿真可以降低数据获取成本，但如果模拟环境中的几何结构、材质和物理行为与现实差异过大，模型在部署时就容易失效。Physicl希望通过既有管线，把不完整、异构的现实信息转换成更高保真的3D表示，并据此生成训练数据。

核心产品与合作案例

• Studio平台：目前包含1万个3D环境和10万个物体资产，用户可以组合场景，为特定机器人问题生成合成数据。
• 面向边缘情况：例如训练机器人在杂乱台面上识别杯子，或识别处于阴影中的杯子，而不是只增加普通样本数量。
• 动态生成方向：Physicl不只想做一次性数据供应商，而是希望成为持续生成合成数据的工具层，让模型训练过程能够提出数据需求并触发新的场景生成。
• 早期客户SpAItial：该公司利用二维图像生成3D模拟，并与Physicl合作提升训练数据的保真度，用于支持其Echo-3世界模型工具。

意义与影响

Physicl进入的是一个参与者众多、边界仍在形成的市场。相关公司分别覆盖数据采集、标注、生成以及机器人和基础模型工具，客户仍在摸索哪种数据组合最能提升机器人的泛化能力。Physicl选择聚焦模型后训练阶段的困难案例，实际上是在争夺“如何发现数据缺口并快速补齐”的能力。

这一路径的价值不只是生成更多数据。若平台能够根据训练状态自动识别薄弱场景，再生成相应的几何、材质和光照变化，合成数据就可能从静态素材库变成训练闭环的一部分。不过，真实物理的准确复现、生成场景的有效性以及从仿真迁移到现实的稳定性，仍将决定这类产品能否真正改善机器人表现。

对Physicl而言，融资为其扩充平台和服务世界模型开发者提供了资源；对行业而言，这也说明机器人竞争正在从单纯扩大数据规模，转向更精细地构造数据、环境与训练流程。

来源：TechCrunch AI