总部位于巴黎的初创公司Physicl已完成1000万美元种子轮融资,用于开发帮助机器人及物理AI研究人员识别和解决其AI模型缺陷的技术。
本轮融资由Inovia Capital领投,US Venture Partners参投,资金将用于扩充Physicl团队规模,并进一步开发其合成数据生成平台。
该公司同时推出了名为Studio的应用程序,该应用允许研究人员创建定制化的3D环境,并针对AI模型表现不佳的特定场景生成训练数据。
解决边缘案例问题
物理AI开发者面临的挑战之一,是如何让模型在不可预测的真实世界环境中稳定运行。
尽管模型在受控演示中可能表现良好,但在遇到异常光照条件、陌生物体或意外的物理排列组合时,它们可能会表现不佳。
这些通常被称为边缘案例的情形,很难通过传统数据收集方式全面捕捉。
Physicl的方法允许研究人员在仿真环境中重现问题场景,生成各种变体,并利用所得数据来提升模型性能。
Physicl创始人兼CEO亚历克斯·德维根(Alex de Vigan)表示:"模型在边缘案例上会失效。当研究人员发现这些弱点时,他们需要一种方法来专门生成针对这些问题的数据,并测试模型是否有所改善。我们打造Physicl正是为了让这一过程变得简单且可重复。"
生成针对性训练环境
Studio提供了10000个经过验证的3D环境、超过100000个数字资产以及数十亿种潜在场景变体的访问权限。
研究人员可以选择环境,或描述其模型遇到困难的具体情形,并调整光照、摄像机角度和物体摆放等变量。
该平台随后会生成专门针对这些弱点设计的训练数据,使开发者能够测试后续版本的模型是否表现更佳。
Physicl表示,该公司与包括Meta、World Labs、Epic Games和SpAItial等在内的多家AI实验室展开合作。
在一个案例中,专注于开发可生成可探索3D环境的世界模型的SpAItial,利用Physicl生成的数据提升了其模型重建真实房间的能力。
据双方公司介绍,加入这些额外训练数据后,该模型的重建误差率降低了一半以上。
SpAItial首席执行官兼慕尼黑工业大学计算机科学教授马蒂亚斯·尼斯纳(Matthias Niessner)表示:"Physicl让任何研究人员都能获得几乎任何他们能想象到的物理训练数据。这改变了一个小团队在物理AI领域能够构建出的成果,我们在自己的研究结果中立刻就看到了这一点。"
Physicl表示,其技术旨在支持机器人系统和世界模型的开发,帮助研究人员提升这些系统在现实应用中的可靠性。
该公司计划利用这笔新投资扩展其平台,让开发者更便捷地获取针对性的物理AI训练数据。
