Physicl lève 10 M$ pour entraîner les robots en simulation

Physicl, une nouvelle startup fondée par Alex de Vigan, a levé 10 millions de dollars auprès de Inovia Capital pour aider les concepteurs de modèles du monde et les fabricants de robots à résoudre les problèmes complexes liés à l’entraînement des systèmes d’intelligence artificielle physique. La société veut créer des simulations numériques suffisamment fidèles au monde réel pour que les robots apprennent à manipuler des objets, à percevoir leur environnement et à réussir des tâches difficiles sans recourir à des données physiques coûteuses ou difficiles à collecter. Alex de Vigan avait précédemment fondé nfinite, une entreprise qui permettait aux marques et aux détaillants de créer des modèles 3D de leurs produits pour les présenter en ligne. Avec l’arrivée de l’intelligence artificielle générative, cette activité a été directement concernée par les transformations du marché. Mais le fondateur a estimé que la technologie et les équipes construites autour du rendu 3D pouvait trouver une nouvelle utilité dans la robotique. Selon lui, si l’IA générative remplace facilement la création d’images en trois dimensions, elle reste limitée dans sa capacité à comprendre, à interagir avec l’espace et à manipuler les objets de manière fiable. Physicl se concentre précisément sur ce manque. Les modèles d’IA physique peinent souvent à apprendre uniquement à partir de vidéos, car ces données sont difficiles à exploiter pour saisir la géométrie, la physique et le comportement réel des objets. Les simulations numériques apparaissent comme une solution prometteuse, mais leur efficacité dépend fortement de leur fidélité. La startup propose donc un pipeline capable de transformer des informations brutes, incomplètes ou hétérogènes en représentations 3D de haute qualité, avec des propriétés géométriques, matérielles et physiques correctes. L’entreprise lance également un produit nommé Studio, qui contient 10 000 environnements 3D et 100 000 objets numériques. Il permet aux utilisateurs de créer des scènes et de générer des données synthétiques pour entraîner des robots sur des cas difficiles, par exemple reconnaître une tasse sur un plan de travail encombré ou dans l’ombre. Cette approche peut aussi servir à l’entraînement continu des modèles, afin de combler automatiquement les manques détectés pendant leur développement. Physicl évolue dans un secteur très concurrentiel, où de nombreuses startups proposent des données, des outils ou des environnements de simulation pour les modèles fondamentaux et les systèmes robotiques. La startup espère toutefois se distinguer en allant au-delà de la simple fourniture de données. Son ambition est de devenir une plateforme d’entraînement pour modèles physiques, capable de transformer des volumes massifs d’images, de données LiDAR ou d’autres captures du monde réel en millions de variantes exploitables pour rendre les robots plus robustes, plus précis et plus utiles dans des environnements réels.