Physicl sammelt 10 Millionen Dollar für das Training physischer KI mit synthetischen Daten
Was passiert ist
Das Pariser Startup Physicl hat in einer Seed-Finanzierungsrunde 10 Millionen Dollar eingesammelt, um eine Technologie zu entwickeln, die Forschern in den Bereichen Robotik und physische KI hilft, Schwachstellen in ihren KI-Modellen zu erkennen und zu beheben. 15. November 2026 von Sam Francis Das Pariser Startup Physicl hat in einer Seed-Finanzierungsrunde 10 Millionen Dollar eingesammelt, um eine Technologie zu entwickeln, die Forschern in den Bereichen Robotik und physische KI hilft, Schwachstellen in ihren KI-Modellen zu erkennen und zu beheben.
Das Unternehmen hat außerdem Studio vorgestellt, eine Anwendung, mit der Forscher maßgeschneiderte 3D-Umgebungen erstellen und Trainingsdaten generieren können, die auf bestimmte Situationen zugeschnitten sind, in denen KI-Modelle Schwierigkeiten haben. Diese Situationen, gemeinhin als Edge Cases bezeichnet, lassen sich mit herkömmlicher Datenerfassung nur schwer umfassend abbilden.
Die Finanzierungsrunde wurde von Inovia Capital angeführt, mit Beteiligung von US Venture Partners, und soll den Ausbau des Teams von Physicl sowie die Weiterentwicklung seiner Plattform zur Generierung synthetischer Daten unterstützen. Das Problem der Edge Cases Eine der Herausforderungen für Entwickler physischer KI besteht darin, Modelle so vorzubereiten, dass sie in unvorhersehbaren realen Umgebungen zuverlässig arbeiten.
Zwar können Modelle in kontrollierten Demonstrationen gut funktionieren, sie können jedoch ins Straucheln geraten, wenn sie auf ungewöhnliche Lichtverhältnisse, unbekannte Objekte oder unerwartete physische Anordnungen treffen. Der Ansatz von Physicl erlaubt es Forschern, problematische Szenarien in der Simulation nachzubilden, Variationen zu erzeugen und die daraus resultierenden Daten zu nutzen, um die Leistung der Modelle zu verbessern.
Gezielte Trainingsumgebungen Studio bietet Zugang zu 10.000 3D-Umgebungen mit Ground Truth, mehr als 100.000 digitalen Assets und Milliarden möglicher Szenenvariationen. Forscher können Umgebungen auswählen oder Situationen beschreiben, in denen ihre Modelle Schwierigkeiten haben, und dabei Variablen wie Beleuchtung, Kamerawinkel und Objektplatzierung anpassen.