Physicl arrecada US$ 10 milhões para tornar o mundo digital real o suficiente para robôs

O último negócio de Alex de Vigan foi inundado pela ascensão da IA ​​generativa, mas agora ele aposta que a tecnologia que a equipe construiu, uma plataforma para criar representações tentadoras de produtos para comércio eletrônico, pode ser reaproveitada para tornar os robôs mais úteis.

Seu novo empreendimento, Physicl, levantou US$ 10 milhões em financiamento inicial da Inovia Capital para ajudar designers de modelos mundiais e construtores de robôs a resolver problemas de treinamento espinhosos com simulações mais realistas.

O fundador e CEO de Vigan passou a última década construindo o nfinite, o que tornou mais fácil para marcas e varejistas criarem modelos 3D de seus produtos e exibi-los online. A chegada de modelos de IA baseados em transformadores levou a empresa a se concentrar mais em imagens generativas, mas de Vigan viu um novo propósito para sua equipe e para a pilha de tecnologia que eles construíram para renderizar fielmente ambientes 3D.

“O que éramos únicos em fazer em 3D, a IA iria substituir, mas faltava algo na IA: sua capacidade de compreender, interagir e manipular espaço e objetos”, diz de Cigan.

Os pesquisadores que desenvolvem modelos físicos de IA para tornar os robôs mais capazes de tarefas como lidar com diversos objetos pequenos têm ficado frustrados com o retorno do treinamento em vídeo e com o custo da coleta de dados por meio de operações remotas.

Simulações em mundos digitais são vistas como uma solução promissora, mas tem sido difícil garantir que esses mundos simulados sejam fiéis à física do mundo real. de Vigan acredita que o pipeline que sua empresa anterior construiu para “transformar informações não estruturadas, incompletas e heterogêneas do mundo real em uma representação física de alta fidelidade… com geometria, materiais e física corretos” agora pode ser usado para tornar os modelos físicos de IA mais eficazes.

A Physcl está entrando em uma categoria lotada de startups que competem para fornecer dados e ferramentas para construtores de modelos básicos e operadores de robôs. “O espaço é muito jovem e às vezes muito desfocado”, admite de Vigan. Há uma variedade de empresas que coletam, rotulam ou geram dados em diferentes modalidades, à medida que seus clientes tentam descobrir o ingrediente secreto que fará com que os robôs cumpram suas promessas.

Em particular, Phyiscl quer se concentrar em modelos pós-treinamento em casos extremos difíceis. A startup está lançando um produto chamado Studio com 10 mil ambientes 3D e 100 mil ativos que representam diversos objetos. Ele permite que os usuários criem cenas para gerar dados sintéticos para treinar robôs em problemas específicos. Por exemplo, o Studio poderia ser usado para gerar dados de treinamento para ajudar um robô que tem dificuldade em discernir uma xícara em uma bancada desordenada ou enquanto a xícara está na sombra.

SpAItial, construtora mundial de modelos, colaborou com a Physicl como um dos primeiros clientes para melhorar a fidelidade de seus produtos, o mais recente dos quais, Echo-3, foi lançado na semana passada. A ferramenta da SpAItial gera simulações 3D a partir de imagens 2D e, para fazer isso de forma eficaz, seu CEO e fundador, Matthias Niessner, disse que precisavam treinar no tipo de dados sintéticos de alta fidelidade que a Physicl oferece.

Contudo, a Physicl quer ser mais do que um fornecedor de dados; ele se vê como uma ferramenta para a geração contínua de dados sintéticos. “O que criamos há 10 anos, sem saber, foi basicamente um fluxo de trabalho de agente para transformar informações não estruturadas em 3D de alta fidelidade”, disse de Vigan. Ele imagina os clientes trazendo trilhões de imagens ou milhões de horas de dados de captura LIDAR para alimentar sua plataforma e transformá-los em representações 3D de alta qualidade que podem ser usadas para gerar bilhões de permutações para treinar seus modelos.

“O verdadeiro desafio é que você precisa selecionar os dados manualmente, e este é um ciclo muito longo”, disse Niessner, também professor de robótica na Universidade Técnica de Munique, ao TechCrunch. “Para nós, o que parece muito atraente é que você pode fazer isso na hora (…) Você está executando o Claude e ele verifica: ‘Ah, preciso de mais dados sobre isso no meu treinamento’, e então gera automaticamente esses dados, dependendo do estado do treinamento. Isso, para mim, é super emocionante, e é exatamente isso que a Physicl está oferecendo.”