图片来源：Physicl
Alex de Vigan上一次创业遭遇了生成式AI的冲击，但如今，他正试图利用团队过去积累的技术，在机器人领域寻找新的机会。
他此前开发的是一个帮助电商平台生成高质量商品渲染图的平台。现在，他希望将这套技术重新应用于机器人训练，让机器人能够更好地理解和操作物理世界。
De Vigan 创办的新公司 Physicl近日宣布完成 1000 万美元种子轮融资，由 Inovia Capital 领投。公司旨在通过更加逼真的仿真环境，帮助世界模型开发者和机器人制造商解决复杂的训练难题。
过去十年，Physicl创始人兼CEO de Vigan一直在经营另一家公司nfinite。该公司主要帮助品牌和零售商创建商品的3D模型，并将其展示在电商平台上。
随着基于Transformer架构的AI模型兴起，nfinite逐渐将业务重心转向生成式图像。但de Vigan意识到，团队过去建立的高保真3D环境渲染技术，或许能够在另一个领域发挥价值。
“我们过去在3D领域最独特的能力，正在被AI取代。但AI仍然缺少一项关键能力：理解空间与物体，并与之交互和进行操作。”de Vigan 表示。
目前，研究人员正试图开发更强大的物理AI模型，让机器人能够完成操作不同形状、尺寸的小型物体等复杂任务。
然而，仅依靠视频数据进行训练，效果已经遭遇瓶颈；通过远程遥操作采集真实世界数据，成本又十分高昂。
在数字世界中进行仿真训练，被认为是一条有前景的解决路径。但如何确保虚拟环境能够准确反映真实世界的物理规律，仍然是一个难题。
De Vigan认为，nfinite过去建立的技术流程恰好能够解决这一问题。这套系统能够将“非结构化、不完整、来源各异的真实世界信息，转化为具有正确几何结构、材质属性和物理特征的高保真物理表示”。
如今，这项能力可以被用于提升物理AI模型的训练效果。
不过，Physicl所进入的市场已经聚集了大量创业公司，它们都在争夺基础模型开发商和机器人运营商的数据及工具需求。
“这个领域还非常年轻，有时候边界也十分模糊。”de Vigan坦言。
目前，不同公司分别专注于各种模态数据的采集、标注或生成，而客户仍在探索，究竟什么样的数据和训练方法，才能真正释放机器人的潜力。
Physicl尤其希望解决模型后训练阶段的长尾难题。
公司正在推出一款名为Studio的产品，内置1万个3D环境和10万个物体资产。用户可以利用这些资源搭建场景，生成针对特定机器人训练问题的合成数据。
例如，当机器人难以识别杂乱台面上的一个杯子，或者无法准确辨认阴影中的杯子时，Studio可以生成相应的训练数据，帮助机器人改善这些特定场景下的表现。
世界模型开发商SpAItial是Physicl的早期客户之一。双方曾合作提升SpAItial产品的仿真保真度。SpAItial上周刚刚发布了最新模型Echo-3。
SpAItial的技术能够根据二维图像生成三维仿真环境。其创始人兼CEO Matthias Niessner表示，要实现这一能力，公司需要使用Physicl提供的高保真合成数据进行训练。
不过，Physicl并不希望自己只是一家数据供应商，而是想成为持续生成合成数据的基础工具平台。
“十年前，我们在不知不觉中建立的，其实是一套Agent工作流，能够将非结构化信息转化为高保真3D内容。”de Vigan 表示。
他设想，未来客户可以将数万亿张图像，或者数百万小时的激光雷达（LiDAR）采集数据输入Physicl平台，将其转化为高质量的三维表示，再通过这些基础数据生成数十亿种不同的场景组合，用于模型训练。
这一模式的价值，在于改变目前合成数据生产高度依赖人工的流程。
“真正的挑战在于，你必须手动筛选和整理数据，而这是一个非常漫长的过程。”Niessner表示。他同时也是慕尼黑工业大学的机器人学教授。
在他看来，Physicl最有吸引力的地方，是能够根据模型训练过程中的实际需求，动态生成数据。
“对我们来说，真正有吸引力的是，你可以即时完成这一过程。比如，你正在运行Claude，它发现自己在训练过程中还需要某一类数据，于是系统就能根据当前的训练状态，自动生成这些数据。”
“这让我非常兴奋，而这正是Physicl正在提供的能力。”
Physicl希望推动的，不只是让机器人获得更多合成训练数据，而是让数据生成从一个依赖人工设计、筛选和整理的独立环节，转变为能够根据模型训练需求持续反馈、自动生成的动态流程。
参考资料：
https://techcrunch.com/2026/11/06/physicl-raises-10m-to-make-the-digital-world-real-enough-for-robots/
