Physicl привлекла $10 млн и открыла роботам 10 000 виртуальных сред

Робот научился брать чашку с пустого стола. Поставьте рядом тарелки, приглушите свет или частично закройте ручку полотенцем — и захват может развалиться. Чтобы исправить такую ошибку, команде приходится собирать новые записи с камер и лидаров, управлять роботом вручную, размечать данные и снова запускать обучение. Это дорого, медленно и плохо масштабируется на тысячи редких ситуаций.

Стартап Physicl предлагает собирать подобные случаи не только в лаборатории, но и внутри управляемых трёхмерных миров. Компания привлекла $10 млн посевных инвестиций от Inovia Capital и представила Studio: библиотеку из 10 000 виртуальных сред и 100 000 объектов для генерации синтетических обучающих данных.

От витрин интернет-магазинов к роботам

Основатель Physicl Алекс де Виган раньше развивал nfinite — платформу для создания трёхмерных моделей товаров и рекламных изображений. Генеративные модели начали вытеснять часть этого бизнеса, однако накопленная технология построения точных 3D-сцен получила другое применение.

Для робота красивой картинки недостаточно. Ему важно понимать размер предмета, расстояние до него, материал поверхности, освещение, столкновения и то, как объект поведёт себя при захвате. Physicl собирается превращать разрозненные изображения и лидарные записи в сцены с заданной геометрией, материалами и физическими свойствами. Затем одну сцену можно многократно менять: переставлять чашку, добавлять беспорядок, двигать источник света или закрывать часть объекта.

Так разработчик получает не ещё один общий набор данных, а инструмент для работы с конкретной ошибкой. Если модель не замечает тёмную чашку на заставленной столешнице, команда создаёт сотни вариантов именно этой ситуации и использует их для дополнительного обучения.

Генерация данных по запросу модели

Более интересная идея Physicl — встроить генератор сцен прямо в цикл обучения. Модель или агент оценки обнаруживает слабое место, формулирует, каких примеров не хватает, после чего платформа создаёт новую порцию данных. Ранний клиент Physicl, разработчик пространственных моделей SpAItial, использовал такие синтетические материалы для повышения точности своих 3D-систем.

На практике это похоже на автоматические тесты для физического мира. Ошибка перестаёт быть единичным эпизодом: система разворачивает вокруг неё набор проверок с разным светом, положением камеры и окружением. Для команд робототехники это потенциально сокращает путь от найденного сбоя до следующей версии модели.

Но заявленный масштаб пока остаётся планом. Physicl говорит о загрузке триллионов изображений, миллионах часов лидарных записей и миллиардах вариантов сцен, не раскрывая стоимость такой обработки, скорость генерации и результаты независимых сравнений. Неясно и то, насколько точно виртуальная физика воспроизводит трение, деформацию, прозрачные материалы и другие свойства реальных предметов.

Что проверять разработчикам

Синтетические данные полезны лишь тогда, когда навык переносится из симулятора в настоящий робот. Поэтому команде недостаточно показать улучшение на виртуальном тесте. Нужен отдельный набор физических испытаний: те же предметы, новые помещения, другие камеры и условия, которых не было при генерации.

Physicl стоит рассматривать как инфраструктуру для направленного сбора данных, а не как замену реальным экспериментам. Практический сценарий выглядит так: зафиксировать повторяемую ошибку робота, собрать вокруг неё семейство синтетических сцен, дополнительно обучить модель и сравнить результат на неизменяемом наборе реальных испытаний. Если прирост сохраняется, цикл можно автоматизировать. Если нет — проблема, вероятно, скрыта в качестве симуляции, датчиках или самой архитектуре модели.

Для продуктовых команд главный сигнал шире одного стартапа: рынок робототехники движется от покупки статичных наборов данных к системам, которые создают примеры под текущие слабости модели. Physicl получила $10 млн, чтобы занять место в этом цикле. Доказывать ценность ей придётся не размером библиотеки, а тем, насколько быстрее клиент исправляет реальные ошибки робота.