Новый стартап Де Вигана, Physicl, привлек 10 миллионов долларов посевных инвестиций от Inovia Capital. Средства пойдут на помощь разработчикам мировых моделей и создателям роботов в решении сложных задач обучения с помощью более реалистичных симуляций.
Основатель и генеральный директор Де Виган провел последнее десятилетие, создавая nfinite, компанию, которая позволяла брендам и ритейлерам легко создавать 3D-модели своих товаров и отображать их онлайн. Появление генеративных моделей на основе трансформеров побудило компанию сосредоточиться на генерации изображений, но Де Виган увидел новую цель для своей команды и технологического стека, который они построили для точного рендеринга 3D-сред.
«То, что мы делали уникального в 3D, ИИ собирался заменить, но в ИИ чего-то не хватало: способности понимать, взаимодействовать и манипулировать пространством и объектами», — говорит Де Виган.
Исследователи, разрабатывающие физические ИИ-модели для повышения способности роботов выполнять такие задачи, как обработка разнообразных мелких предметов, сталкивались с разочарованием из-за результатов их обучения на видео и дороговизны сбора данных посредством удаленных операций.
Симуляции в цифровых мирах рассматриваются как многообещающее решение, но обеспечение соответствия этих симулированных миров реальной физике оказалось сложной задачей. Де Виган считает, что конвейер, созданный его предыдущей компанией для «преобразования неструктурированной, неполной, гетерогенной информации реального мира в высокоточную физическую модель… с правильной геометрией, материалами и физикой», теперь может быть использован для повышения эффективности физических ИИ-моделей.
Physicl выходит на переполненный рынок стартапов, борющихся за предоставление данных и инструментов для разработчиков фундаментальных моделей и операторов роботов. «Эта область очень молода и иногда очень размыта», — признает Де Виган. Существует множество компаний, которые собирают, маркируют или генерируют данные в различных модальностях, в то время как их клиенты пытаются найти секретный ингредиент, который позволит роботам оправдать свои обещания.
В частности, Phyiscl хочет сосредоточиться на постобучении моделей на сложных граничных случаях. Стартап выпускает продукт под названием Studio с 10 000 3D-сред и 100 000 объектов, представляющих различные предметы. Он позволяет пользователям создавать сцены для генерации синтетических данных для обучения роботов на конкретных задачах. Например, Studio может быть использован для генерации обучающих данных, чтобы помочь роботу, испытывающему трудности с распознаванием чашки на загроможденной столешнице или когда чашка находится в тени.
SpAItial, разработчик мировых моделей, сотрудничал с Physicl в качестве раннего клиента для повышения точности своих продуктов, последний из которых, Echo-3, был выпущен на прошлой неделе. Инструмент SpAItial генерирует 3D-симуляции из 2D-изображений, и для эффективного выполнения этой задачи, по словам его генерального директора и основателя Маттиаса Нисснера, им необходимо было обучаться на высокоточных синтетических данных, которые предлагает Physicl.
Однако Physicl хочет быть больше, чем просто поставщиком данных; он видит себя как инструмент для постоянной генерации синтетических данных. «То, что мы создали 10 лет назад, сами того не зная, по сути, было агентским рабочим процессом для преобразования неструктурированной информации в высокоточный 3D-формат», — сказал Де Виган. Он предполагает, что клиенты будут приносить триллионы изображений или миллионы часов данных LIDAR-съемки, чтобы загрузить их на его платформу и преобразовать в высококачественные 3D-представления, которые могут быть использованы для генерации миллиардов перестановок для обучения их моделей.
«Настоящая проблема в том, что вам приходится вручную курировать данные, и это очень долгий цикл», — сказал TechCrunch Нисснер, который также является профессором робототехники в Мюнхенском техническом университете. «Для нас очень привлекательно то, что вы можете делать это на лету […] Вы запускаете Claude, и он проверяет: «О, мне нужно больше данных такого типа в моем обучении», а затем он автоматически генерирует эти данные в зависимости от состояния обучения. Для меня это очень захватывающе, и именно это предлагает Physicl».
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Tim Fernholz
