El último negocio de Alex de Vigan quedó arrasado por el auge de la IA generativa, pero ahora apuesta a que la tecnología que su equipo había construido, una plataforma para crear atractivas representaciones de productos para e-commerce, puede reutilizarse para hacer que los robots sean más útiles.
Su nueva empresa, Physicl, ha recaudado $10 millones en financiación seed de Inovia Capital para ayudar a los diseñadores de world models y a los constructores de robots a resolver problemas de entrenamiento difíciles con simulaciones más realistas.
El fundador y CEO de Vigan pasó la última década construyendo nfinite, que facilitaba que marcas y minoristas crearan modelos 3D de sus productos y los mostraran en línea. La llegada de modelos de IA basados en transformers llevó a esa empresa a centrarse más en imágenes generativas, pero de Vigan vio un nuevo propósito para su equipo y el stack tecnológico que habían construido para representar fielmente entornos 3D.
«Lo que hacíamos de manera súper única en 3D, la IA iba a reemplazarlo, pero faltaba algo en la IA: su capacidad de comprender, interactuar y manipular el espacio y los objetos», dice de Cigan.
Los investigadores que desarrollan modelos de IA física para hacer que los robots sean más capaces de tareas como manipular objetos diversos y pequeños se han sentido frustrados por los resultados de entrenarlos con video y por el costo de recopilar datos mediante operaciones remotas.
Las simulaciones en mundos digitales se consideran una solución prometedora, pero garantizar que estos mundos simulados sean fieles a la física del mundo real ha resultado difícil. de Vigan cree que el pipeline que su empresa anterior construyó para «transformar información del mundo real no estructurada, incompleta y heterogénea en una representación física de alta fidelidad… con geometría, materiales y física correctos» puede ahora usarse para hacer que los modelos de IA física sean más efectivos.
Physcl entra en una categoría saturada de startups que compiten por proporcionar datos y herramientas a los constructores de foundation models y a los operadores de robots. «El espacio es muy joven y muy difuso a veces», admite de Vigan. Hay una variedad de empresas que recopilan, etiquetan o generan datos en diferentes modalidades mientras sus clientes intentan descubrir el ingrediente secreto que hará que los robots cumplan su promesa.
En particular, Phyiscl quiere centrarse en el post-training de modelos en casos límite difíciles. La startup está lanzando un producto llamado Studio con 10,000 entornos 3D y 100,000 assets que representan diversos objetos. Permite a los usuarios crear escenas para generar datos sintéticos para entrenar robots en problemas específicos. Por ejemplo, Studio podría usarse para generar datos de entrenamiento para ayudar a un robot que tiene dificultades para discernir una taza en una encimera desordenada, o mientras la taza está en sombra.
Cargando el reproductor…
SpAItial, un constructor de world models, colaboró con Physicl como cliente temprano para mejorar la fidelidad de sus productos, el más reciente de los cuales, Echo-3, se lanzó la semana pasada. La herramienta de SpAItial genera simulaciones 3D a partir de imágenes 2D, y para hacerlo de manera efectiva, su CEO y fundador Matthias Niessner dijo que necesitaban entrenar con el tipo de datos sintéticos de alta fidelidad que ofrece Physicl.
Sin embargo, Physicl quiere ser más que un proveedor de datos; se ve a sí misma como la herramienta para la generación continua de datos sintéticos. «Lo que creamos hace 10 años, sin saberlo, era básicamente un flujo de trabajo agéntico para transformar información no estructurada en 3D de alta fidelidad», dijo de Vigan. Imagina clientes que traigan billones de imágenes o millones de horas de datos de captura LIDAR para alimentar su plataforma y convertirlos en representaciones 3D de alta calidad que puedan usarse para generar miles de millones de permutaciones para entrenar sus modelos.
«El verdadero desafío es que tienes que curar los datos a mano, y este es un ciclo muy largo», dijo Niessner, también profesor de robótica en la Universidad Técnica de Múnich, a TechCrunch. «Lo que nos parece muy atractivo es que puedes hacer esto sobre la marcha […] Estás ejecutando Claude, y este verifica: “Oh, necesito más datos de esto en mi entrenamiento”, y luego autogenera esos datos, dependiendo del estado del entrenamiento. Eso, para mí, es súper emocionante, y esto es exactamente lo que ofrece Physicl».