Alex de Vigan, fondatore e CEO di Physicl, ha un passato nel mondo dell'e-commerce. La sua ultima impresa, nfinite, si concentrava sulla creazione di rendering 3D di prodotti per il commercio online. Tuttavia, con l'avvento dei modelli di intelligenza artificiale generativa basati su transformer, de Vigan ha visto un'opportunità per riproporre la tecnologia sviluppata da nfinite in un nuovo contesto: l'addestramento dei robot.
La nascita di Physicl
Physicl è nata con l'obiettivo di aiutare i progettisti di modelli del mondo e i costruttori di robot a risolvere problemi complessi di addestramento attraverso simulazioni più realistiche. De Vigan ha spiegato che, mentre l'IA stava sostituendo molte delle capacità uniche di nfinite nella creazione di ambienti 3D, mancava ancora la capacità di comprendere, interagire e manipolare lo spazio e gli oggetti.
I ricercatori che sviluppano modelli di intelligenza artificiale fisica per rendere i robot più capaci di eseguire compiti come la manipolazione di oggetti piccoli e diversi sono stati frustrati dai risultati dell'addestramento basato su video e dall'alto costo della raccolta di dati attraverso operazioni remote. Le simulazioni in mondi digitali sono viste come una soluzione promettente, ma garantire che queste simulazioni siano fedeli alla fisica del mondo reale si è rivelato difficile.
La tecnologia di Physicl
De Vigan crede che la pipeline sviluppata da nfinite per trasformare informazioni reali non strutturate, incomplete e eterogenee in rappresentazioni fisiche ad alta fedeltà, con geometria, materiali e fisica corretti, possa essere utilizzata per rendere i modelli di intelligenza artificiale fisica più efficaci.
Physicl sta entrando in un settore affollato di startup che forniscono dati e strumenti per i costruttori di modelli di base e gli operatori di robot. "Lo spazio è molto giovane e a volte molto confuso", ammette de Vigan. Ci sono diverse aziende che raccolgono, etichettano o generano dati in diverse modalità mentre i loro clienti cercano di scoprire la formula segreta che renderà i robot all'altezza delle loro promesse.
Studio: il prodotto di Physicl
Physicl si concentra sull'addestramento di modelli su casi limite difficili. La startup sta lanciando un prodotto chiamato Studio, che include 10.000 ambienti 3D e 100.000 asset che rappresentano vari oggetti. Studio permette agli utenti di creare scene per generare dati sintetici per addestrare i robot su problemi specifici. Ad esempio, Studio potrebbe essere utilizzato per generare dati di addestramento per aiutare un robot che ha difficoltà a distinguere una tazza su un bancone ingombro o mentre la tazza è in ombra.
Collaborazioni e obiettivi futuri
SpAItial, un costruttore di modelli del mondo, ha collaborato con Physicl come cliente anticipato per migliorare la fedeltà dei suoi prodotti, l'ultimo dei quali, Echo-3, è stato rilasciato la scorsa settimana. SpAItial utilizza uno strumento che genera simulazioni 3D da immagini 2D, e per farlo in modo efficace, il suo CEO e fondatore Matthias Niessner ha affermato che avevano bisogno di addestrarsi sui dati sintetici ad alta fedeltà offerti da Physicl.
Tuttavia, Physicl vuole essere più di un fornitore di dati; si vede come lo strumento per la generazione continua di dati sintetici. "Quello che abbiamo creato 10 anni fa, senza saperlo, era basically un workflow agentico per trasformare informazioni non strutturate in 3D ad alta fedeltà", ha detto de Vigan. Immagina clienti che portano trilioni di immagini o milioni di ore di dati LIDAR per alimentare la sua piattaforma e trasformarli in rappresentazioni 3D di alta qualità che possono essere utilizzate per generare miliardi di permutazioni per addestrare i loro modelli.
"La vera sfida è che devi curare i dati a mano, ed è un ciclo molto lungo", ha detto Niessner, anche professore di robotica presso il Technical University of Munich. "Quello che ci sembra molto attraente è che puoi farlo al volo [...] Stai eseguendo Claude, e controlla, 'Oh, ho bisogno di più dati di questo nel mio addestramento', e poi genera automaticamente quei dati, a seconda dello stato di addestramento. Questo, per me, è super eccitante, ed è esattamente quello che offre Physicl."