Главное в материале

  • Physicl привлёк $10 млн посевного раунда от Inovia Capital
  • Основатель де Виган переориентировал команду и технологии nfinite с 3D-рендеринга товаров на симуляции для робототехники
  • Запущен продукт Studio: 10 000 3D-сред и 100 000 объектов для генерации синтетических данных

Посевной раунд и смена курса основателя

Стартап Physicl привлёк $10 млн посевных инвестиций от Inovia Capital, сообщает TechCrunch. Основатель и CEO Алекс де Виган десять лет строил компанию nfinite, которая помогала брендам и ритейлерам создавать 3D-модели товаров для онлайн-витрин. С появлением генеративного ИИ на трансформерах этот бизнес оказался под давлением, и де Виган решил переориентировать команду и накопленный стек технологий на новую задачу — реалистичные симуляции для обучения роботов. По его словам, ИИ должен был заменить то, что они делали в 3D, но у него не хватало «способности понимать, взаимодействовать и манипулировать пространством и объектами».

Зачем роботам цифровые миры

Разработчики «физического ИИ», обучающего роботов манипулировать разнообразными мелкими объектами, сталкиваются с двумя проблемами: обучение на видео даёт слабую отдачу, а сбор данных через удалённое управление роботами дорог. Симуляции в цифровых мирах считаются перспективным решением, но добиться их точного соответствия реальной физике сложно. Де Виган считает, что пайплайн nfinite, превращавший «неструктурированную, неполную, разнородную информацию реального мира в высокоточное физическое представление с корректной геометрией, материалами и физикой», можно применить именно к этой задаче.

Продукт Studio и первые клиенты

Physicl выходит на уже заполненный рынок стартапов, поставляющих данные и инструменты создателям фундаментальных моделей и операторам роботов; сам де Виган признаёт, что «пространство очень молодое и порой очень размытое». Компания выпустила продукт Studio с 10 000 3D-сред и 100 000 объектов-ассетов: пользователи могут собирать сцены и генерировать синтетические данные для отработки конкретных проблем, например распознавания чашки на захламлённой столешнице или в тени. Фокус делается на пост-тренинге моделей на сложных граничных случаях. Ранним клиентом стал разработчик world-моделей SpAItial, чей продукт Echo-3, генерирующий 3D-симуляции из 2D-изображений, вышел на прошлой неделе; его основатель Маттиас Ниснер, также профессор робототехники в Мюнхенском техническом университете, сказал, что им нужны были именно такие высокоточные синтетические данные.

Амбиции шире поставки данных

Physicl видит себя не просто поставщиком данных, а инструментом для постоянной генерации синтетических данных: де Виган говорит, что десять лет назад, сам того не зная, создал «агентный воркфлоу для превращения неструктурированной информации в высокоточное 3D». Он представляет клиентов, загружающих триллионы изображений или миллионы часов данных LIDAR, которые платформа превращает в качественные 3D-представления для генерации миллиардов вариаций при обучении моделей. Ниснер добавляет, что ручная курация данных — «очень долгий цикл», а привлекательность Physicl в возможности делать это «на лету»: обучающая система сама определяет, каких данных не хватает, и автоматически их генерирует.