Physicl גייסה 10 מיליון דולר כדי לגשר על הפער בין סימולציה לעולם האמיתי ברובוטיקה

סטארטאפ חדש בשם Physicl גייס 10 מיליון דולר בסבב seed מקרן Inovia Capital, במטרה לעזור למפתחי world models (מודלים שמדמים סביבות פיזיות) ולבוני רובוטים לאמן את המערכות שלהם בסימולציות מציאותיות יותר. הבסיס הטכנולוגי של החברה לא נולד בעולם הרובוטיקה: הוא פותח במקור כדי להציג מוצרים באינטרנט.

המייסד והמנכ"ל, אלכס דה ויגן, הקדיש את העשור האחרון ל-nfinite, חברה שאפשרה למותגים ולקמעונאים ליצור מודלים תלת-ממדיים של מוצרים ולהציג אותם ברשת. עם הופעת מודלי ה-AI מבוססי transformer, החברה עברה להתמקד יותר בתמונות גנרטיביות, ולפי TechCrunch העסק נשחק תחת עליית ה-AI הגנרטיבי. דה ויגן זיהה שימוש חדש לטכנולוגיה. "את מה שהיינו ייחודיים בו בתלת-ממד, ה-AI עמד להחליף, אבל משהו היה חסר ב-AI: היכולת להבין מרחב ואובייקטים, לפעול בתוכם ולתפעל אותם", אמר.

הבעיה: סימולציה שלא נאמנה למציאות

חוקרים שמפתחים מודלי physical AI, כלומר AI שפועל בעולם הפיזי, מתוסכלים מהתמורה הנמוכה של אימון על וידאו ומהעלות של איסוף נתונים באמצעות הפעלה מרחוק. סימולציות בעולמות דיגיטליים נחשבות לפתרון מבטיח, אבל קשה לוודא שהן נאמנות לחוקי הפיזיקה של העולם האמיתי.

כאן Physicl מנסה להיכנס לתמונה. דה ויגן מאמין שהצינור שבנתה חברתו הקודמת, שהופך מידע לא מובנה, חלקי והטרוגני מהעולם האמיתי לייצוג פיזי מדויק עם גיאומטריה, חומרים ופיזיקה נכונים, יכול לשפר את מודלי ה-physical AI.

החברה משיקה מוצר בשם Studio, הכולל 10,000 סביבות תלת-ממדיות ו-100,000 נכסים דיגיטליים שמייצגים אובייקטים שונים. המשתמשים בונים בו סצנות ומפיקים נתונים סינתטיים לאימון רובוטים על בעיות ספציפיות. הדוגמה שמביאה הכתבה: רובוט שמתקשה לזהות כוס על משטח עמוס, או כוס שנמצאת בצל. המיקוד של החברה הוא post-training, שלב האימון המשלים של מודל קיים, על מקרי קצה קשים.

יותר מספקית נתונים

בין הלקוחות המוקדמים נמצאת SpAItial, שבונה world models ומייצרת סימולציות תלת-ממדיות מתמונות דו-ממדיות. החברה שיתפה פעולה עם Physicl כדי לשפר את נאמנות המוצרים שלה, שהאחרון בהם, Echo-3, שוחרר בשבוע שעבר.

Physicl רוצה להיות כלי לייצור מתמשך של נתונים סינתטיים, ולא רק ספקית נתונים. דה ויגן מדמיין לקוחות שיזינו לפלטפורמה טריליוני תמונות או מיליוני שעות של סריקות LIDAR, ויקבלו ייצוגים תלת-ממדיים שמהם אפשר להפיק מיליארדי וריאציות לאימון.

מתיאס ניסנר, מייסד ומנכ"ל SpAItial ופרופסור לרובוטיקה באוניברסיטה הטכנית של מינכן, הסביר ל-TechCrunch שהאתגר האמיתי הוא שצריך לאצור את הנתונים ידנית, במחזור ארוך מאוד. לדבריו, האטרקטיביות היא ביכולת לעשות זאת תוך כדי תנועה: "אתה מריץ את Claude, והוא בודק: 'אה, אני צריך עוד נתונים מהסוג הזה באימון שלי', ואז הוא מייצר את הנתונים האלה אוטומטית, בהתאם למצב האימון".

למה זה חשוב

Physicl נכנסת לקטגוריה צפופה של סטארטאפים שמתחרים על אספקת נתונים וכלים לבוני מודלי יסוד ולמפעילי רובוטים. "התחום צעיר מאוד ולפעמים מטושטש מאוד", מודה דה ויגן.

הסיפור של החברה ממחיש, ככל הנראה, מגמה רחבה יותר: צוואר הבקבוק של הרובוטיקה הוא במידה רבה נתוני אימון, ולכן גם ידע שנצבר בתחומים רחוקים כמו הדמיית מוצרים עשוי לקבל ערך חדש. עשרה מיליון דולר הם סכום צנוע יחסית לתחום עתיר משאבים כזה, והמבחן של החברה יהיה כנראה ביכולת להוכיח שהנתונים שלה אכן משפרים את ביצועי הרובוטים בעולם האמיתי.