Physicl sammelt 10 Mio. US-Dollar für Roboter-Simulationen

Physicl, das neue Unternehmen des früheren nfinite-Gründers und -CEO Alex de Vigan, hat zehn Millionen US-Dollar Seed-Finanzierung von Inovia Capital erhalten. Das Start-up will mit realistischen Simulationen und synthetischen Trainingsdaten Robotik-Systemen und physischen KI-Modellen zu besserer Zuverlässigkeit verhelfen. de Vigan hatte mit nfinite über ein Jahrzehnt hinweg eine Plattform aufgebaut, mit der Marken und Händler ihre Produkte als 3D-Modelle für den Online-Handel darstellen konnten. Der Aufstieg generativer KI ersetzte dieses Geschäftsmodell teilweise, doch statt die eigene Technologie aufzugeben, richtet er sie nun auf Robotertraining aus. De Vigan sieht den entscheidenden Mangel derzeitiger KI nicht im generativen Bildaufbau, sondern in der Fähigkeit, Raum, Objekte und Physik zu verstehen, zu interagieren und zu manipulieren. Forscher, die physische Modelle für Aufgaben wie das Greifen und Handhaben kleiner, unterschiedlicher Objekte entwickeln, stehen vor dem Problem, dass Video-Trainingsdaten oft zu wenig belastbar sind und echte Roboteroperationen teuer in der Erhebung sind. Digitale Simulationen gelten als möglicher Ausweg, doch ihre Physik, Geometrie und Materialtreue präzise abzubilden, ist schwierig. Physicl nutzt nach Angaben des Unternehmens eine Pipeline, die aus unstrukturierten, lückenhaften und heterogenen Realdaten hochgenaue physische 3D-Darstellungen erzeugt. Die erste Produktstufe Studio umfasst laut Physicl 10.000 3D-Umgebungen und 100.000 Assets. Nutzer können damit Szenen erstellen und gezielt synthetische Daten erzeugen, etwa für Roboterprobleme wie die Erkennung einer Tasse auf einer unübersichtlichen Theke oder in ungünstigem Schatten. Als frühster Kunde arbeitet der World-Model-Anbieter SpAItial mit Physicl zusammen. Der zuletzt veröffentlichte Ansatz Echo-3 erzeugt 3D-Simulationen aus zweidimensionalen Bildern und benötigt nach Angaben von SpAItial-Gründer Matthias Niessner hochwertige synthetische Trainingsdaten. Niessner, der zugleich Professor für Robotik an der Technischen Universität München ist, betont insbesondere den Wert automatisierter, trainingsabhängiger Datengenerierung: Ein System könne während des Trainings fehlende Datenfälle erkennen und sie direkt nachgenerieren, statt dass Teams sie langwierig von Hand kuratieren. Physicl tritt in einem noch jungen, dynamischen Feld an, in dem Unternehmen Daten, Labelling, Simulationen und Werkzeugketten für Roboterbauer und Trainingsplattformen großer Modelle entwickeln. De Vigan positioniert Physicl jedoch nicht primär als Datenlieferant, sondern als Infrastruktur für kontinuierliche synthetische Datengenerierung. Kunden sollen langfristig große Mengen an Bildern oder LIDAR-Aufnahmen in verlässliche 3D-Darstellungen überführen und daraus weitreichende Trainingsvarianten für physische KI-Modelle ableiten können.