物理 AI 领域正在出现一种尴尬的错位：演示视频里的机器人越来越灵巧，但一旦离开被精心布置过的厨房台面，它可能连一只被阴影遮住一半的杯子都认不出来。问题不在模型不够大，而在于训练数据不够偏。预训练阶段能轻易获得的海量视频，恰恰覆盖不了那些真正决定部署成败的稀有场景——被杂物遮挡的物体、日落时变化的光照、偏离常规摆放位置的箱子。这些长尾场景难以在真实世界被反复、可控地采集，而一旦模型在这些场景失败，研究者往往缺乏一种能定向生成训练数据、验证修复效果的工具。
这正是 Physicl 试图切入的位置。2026 年 11 月 6 日，这家总部位于巴黎的公司宣布完成 1000万美元种子轮融资，由 Inovia Capital 领投，US Venture Partners 参投。公司同步发布了首个产品 Studio，一个面向物理 AI 的定向合成训练数据平台。创始人兼 CEO Alex de Vigan 的表述很直接：一个令人印象深刻的演示，并不能告诉你模型在它可能遇到的所有情况下会如何表现。公司通稿称，这笔资金将用于扩充团队并进一步推进平台，以支持机器人与世界模型走向广泛部署。
| 字段 | 内容 |
|---|---|
| 公司 | Physicl |
| 轮次 | 种子轮 |
| 金额 | 1000万美元 |
| 投资方 | Inovia Capital（领投）、US Venture Partners（参投） |
| 总部 | 巴黎 |
| 创始人 | Alex de Vigan |
| 官网 | https://www.physicl.ai/ |
从电商渲染到机器人训练：一条 3D 管线的转向
Physicl 的故事起点并不在机器人领域。创始人 Alex de Vigan 此前花了十年时间构建 nfinite，一家帮助品牌和零售商创建商品 3D 模型并在线展示的公司。TechCrunch 在 2026 年 11 月 6 日的报道中记录了这一转折：生成式 AI 的崛起冲击了 nfinite 原有的业务逻辑，但 de Vigan 认为，团队在构建高保真 3D 渲染环境时积累的技术栈，恰好可以填补 AI 在理解、交互和操控空间与物体方面的能力缺口。
公司通稿将 Physicl 描述为六年 3D、仿真与机器学习工作的成果。这六年恰好覆盖了 nfinite 从商品可视化向 3D 基础设施演进的阶段。de Vigan 在接受 TechCrunch 采访时给出了一个更具技术细节的解释：他们十年前无意中构建的东西，本质上是一个将非结构化信息转化为高保真 3D 的智能体工作流。具体而言，这条管线能够把非结构化、不完整、异构的真实世界信息，转化为具有正确几何、材质与物理属性的高保真 3D 表示。现在，这条管线被重新指向物理 AI 的训练数据生成。
这个转向的逻辑建立在一条产业链约束之上：机器人模型训练的真实数据采集成本极高，远程操作采集数据尤其昂贵；而仿真数据虽然便宜，却长期受困于 sim-to-real 差距——仿真环境与真实物理世界之间的不一致，会让模型在仿真中学到的能力无法迁移到现实。Physicl 的主张是，它此前为电商渲染构建的 3D 管线，本身就强调几何、材质与物理属性的正确性，因此比传统游戏引擎或简单合成数据工具更接近真实物理约束。这是公司口径，其实际 sim-to-real 迁移效果尚未经过独立第三方验证。
Studio 的机制：把失败场景变成可重复生成的数据批次
Studio 的产品逻辑围绕一个核心工作流展开：研究者用自然语言描述模型在什么场景下失败，系统据此生成对应的 3D 场景与变化，研究者再调整光照、相机视角、物体摆放等变量，最终导出带精确 ground-truth 的训练数据。公司通稿称，Studio 提供 10,000 个 ground-truth 3D 环境、超过 100,000 个资产，以及数十亿种可能的场景变化。
与许多合成数据工具不同的是，Physicl 强调其标注并非事后预测或人工绘制。据 Unite.AI 在 2026 年 11 月 6 日的报道，Studio 导出的深度、表面法线、实例与类别分割、二维边界框，都来自生成图像所用的同一个 3D 场景，而非从渲染后的图片中推断。这意味着标注与像素之间不存在预测误差，至少在几何层面如此。导出格式包括分辨率最高 1920×1080 的 RGB 图像或视频，并附带逐帧相机位姿与场景元数据，覆盖光照、布局与物体信息。
de Vigan 在公司通稿中举了一个具体例子：一个家庭机器人可能能在干净的台面上识别杯子，但当杂物遮住杯子的一半，或者日落改变厨房阴影时，它就会失败。Studio 的设计目标，是让团队能够重建这些失败条件，生成带精确 ground-truth 的变体，并直接针对模型过去失败的条件进行训练。这种“失败—重建—训练—再测试”的闭环，是 Physicl 试图产品化的核心机制。
值得注意的是，Studio 目前处于 beta 阶段并免费开放，按批次向实验室、高校与企业放量。Unite.AI 的报道还提到，新场景每天都会加入，Physicl 计划通过研究用户的反馈来迭代控制项、ground-truth 层与导出格式。这意味着 Studio 当前更像一个用于验证产品假设的实验场，而非已经跑通付费逻辑的商业产品。
一个早期数据点：SpAItial 的误差率下降一半以上
Physicl 目前最具体的效果证据来自 SpAItial，一家开发可探索 3D 环境的世界模型公司。公司通稿称，SpAItial 的模型在重建真实房间时曾面临较高误差率；在训练数据中加入 Physicl 库生成的数据后，其重建误差率降低了一半以上。SpAItial CEO、慕尼黑工业大学教授 Matthias Niessner 在公司通稿中表示，Physicl 让任何研究者都能获得几乎任何他们能想象到的物理训练数据，这改变了小团队在物理 AI 领域能构建的东西，而且他们“立刻就在结果中看到了这一点”。
这个数据点是 Physicl 目前唯一公开的具体效果指标，但它带有明显的利益关联。Niessner 既是 SpAItial 的 CEO，又是 Physicl 的顾问，这种双重身份使该评价难以被视为独立客户证言。Unite.AI 的报道明确指出了这层关系：评估来自 Niessner 在慕尼黑工业大学的团队，而 Niessner 同时被列为 Physicl 的顾问。公司通稿中的“误差率降低一半以上”是单方声明，尚无独立第三方验证；其具体测试条件、基线模型、数据集规模和误差率口径均未披露。
从编辑推断的角度看，这个案例至少验证了 Physicl 数据在特定世界模型任务上的可用性，但它的可推广性边界同样清晰：一个与公司存在顾问关系的早期客户，在未公开测试细节的情况下报告了显著改善，这不足以证明 Physicl 的数据能稳定提升各类模型在真实环境中的可靠性。更广泛的 beta 测试结果，将是判断其产品价值的关键。
客户名单的含金量：合作不等于付费，更不等于验证
公司通稿称，Physicl 与 Meta、World Labs、Epic Games、SpAItial 等 AI 实验室合作，并与 AWS、NVIDIA、慕尼黑工业大学等机构合作。这份名单在物理 AI 领域足够有分量，但它的实际含义需要被仔细拆解。
“合作”是一个宽泛的词。它可能意味着联合研究、技术集成、早期测试、数据采购，也可能只是加入了某个生态计划或使用了对方的云资源。公司通稿没有披露这些合作的性质、规模、持续时间或是否涉及付费。在 AWS 和 NVIDIA 的案例中，合作更可能指向云算力或硬件生态层面的关系，而非数据采购客户。Meta 和 World Labs 作为 AI 实验室，其参与方式同样未披露。Epic Games 的出现则耐人寻味——这家公司本身拥有虚幻引擎和大量 3D 资产，其与 Physicl 的合作关系可能涉及引擎生态、资产授权或技术互操作，但具体内容不得而知。
这种模糊性在早期创业公司中并不罕见，但它对评估 Physicl 的商业化进展构成了实质障碍。公司通稿将 Physicl 的定位描述为“不止是数据提供方，而是持续生成合成数据的工具平台”，这意味着其商业模式更接近工具订阅或平台使用费，而非一次性数据销售。然而，Studio 目前免费开放，付费模式与收入规模均未披露。从已披露信息看，Physicl 的商业化仍处于验证前夜：它有一个可用的产品、一份有分量的合作名单和一个早期效果数据点，但还没有公开的付费客户、收入数字或续约率。
拥挤赛道中的差异化：从“更多数据”转向“定向数据”
物理 AI 的合成数据赛道正在快速拥挤。de Vigan 本人也承认，“这个领域非常年轻，有时也非常模糊”。TechCrunch 的报道指出，有多类公司在为基座模型构建者和机器人运营商提供数据与工具，它们以不同模态收集、标注或生成数据，而客户们仍在摸索让机器人兑现承诺的“秘密配方”。
Physicl 的差异化主张不在数据规模，而在定向性。公司通稿反复强调，其目标是针对模型失败的具体场景生成训练数据，而非提供海量通用数据。这与预训练阶段的数据需求形成对比：预训练需要广度，后训练需要精度。Physicl 押注的是后者——当模型已经具备基础能力，决定其能否部署的往往是那些稀有但致命的边缘场景。
从产业链位置看，Physicl 的竞争对手包括几类玩家：传统仿真平台、通用合成数据公司、数据标注服务商，以及自建数据管线的 AI 实验室。公司通稿未列出具体竞品，但 TechCrunch 的报道确认了这是一个“拥挤的类别”。Physicl 的差异化能否成立，取决于一个尚未被验证的假设：其从电商渲染继承的 3D 管线，是否真的比现有仿真工具更能弥合 sim-to-real 差距。如果这个假设成立，Physicl 的定向数据生成能力将具有稀缺性；如果不成立，它可能只是又一个合成数据工具，在拥挤的赛道中缺乏定价权。
资本结构与资金用途：一笔聚焦团队的种子轮
本轮融资的结构相对简单：1000万美元种子轮，Inovia Capital 领投，US Venture Partners 参投。但公司通稿还提到，Physicl 的投资方包括 Insight Partners。这一表述与“本轮参投方”存在关键区别：通稿称公司“由 Inovia Capital、U.S. Venture Partners 和 Insight Partners 支持”，但并未明确 Insight Partners 是否参与了本轮种子轮。从通稿的措辞看，Insight Partners 更可能是公司既有投资方或通过其他方式进入，而非本轮新增参投方。这一区分在融资报道中常被忽略，但它直接影响对资本结构的理解。
Inovia Capital 合伙人 Steve Woods 在公司通稿中给出了投资逻辑：物理 AI 是科技领域最重要的新兴机会之一，但行业在将模型能力转化为真实世界表现方面仍面临根本性挑战，而 Physicl 正在解决其中关键的一环——可扩展的、基于真实世界物理的高质量物理数据。这是投资方声明，代表其投资判断，而非对 Physicl 技术能力的独立验证。
资金用途方面，公司通稿称将用于扩充团队并推进平台。Unite.AI 的报道补充了更具体的信息：Physicl 约有 30 名团队成员，分布在纽约、旧金山与巴黎，本轮资金用于支持巴黎与旧金山湾区的团队及 Studio 平台。30 人规模对一家种子轮公司来说不算小，这与其六年 3D 基础设施积累的背景一致——团队中大多数人此前曾与 de Vigan 一起构建 3D 生产系统。这意味着 Physicl 的团队成本基数可能高于典型的种子轮软件公司，1000万美元的实际可支撑时间需要结合其烧钱速度来判断，而后者未披露。
待验证的假设：合成数据能否稳定跨越 sim-to-real 鸿沟
Physicl 的故事建立在一个核心假设之上：如果合成数据在几何、材质与物理属性上足够精确，那么模型在合成数据上的训练收益可以迁移到真实世界。这个假设在理论上合理，在实践中却远未被充分验证。
第一个风险来自效果的可重复性。SpAItial 的案例是一个积极信号，但它是一个与公司存在顾问关系的早期客户，在未公开测试细节的情况下报告的结果。Physicl 需要更多独立客户在更多任务上验证其数据的迁移效果，才能证明其方法具有普遍适用性。Studio 的免费 beta 阶段正是为此设计，但 beta 用户的反馈质量与规模尚未可知。
第二个风险来自商业化路径。Studio 目前免费，公司通稿没有披露任何付费模式、定价策略或收入数据。在合成数据赛道，客户既包括资源充裕的前沿实验室，也包括预算有限的学术团队和创业公司。Physicl 的“工具平台”定位意味着它需要说服客户持续使用其平台生成数据，而非一次性购买数据集。这种模式对产品粘性和数据管线的持续价值提出了更高要求。
第三个风险来自竞争。物理 AI 的数据层正在吸引大量创业公司和既有玩家。如果合成数据的生成门槛随着基础模型能力的提升而降低，Physicl 的 3D 管线优势可能被侵蚀。de Vigan 自己也承认这个领域“非常年轻，有时也非常模糊”，这既意味着机会，也意味着方向的不确定性。
从已披露的信息看，Physicl 的推理链是清晰的：物理 AI 的瓶颈在长尾场景，长尾场景需要定向数据，定向数据需要精确的 3D 表示，而精确的 3D 表示正是其团队过去六年构建的能力。但这条推理链的每一环都需要独立验证：长尾场景是否真的是当前物理 AI 部署的主要瓶颈？定向合成数据是否比大规模真实数据采集更有效？Physicl 的 3D 管线是否真的优于现有仿真工具？这些问题的答案，将决定这家公司是从拥挤的赛道中脱颖而出，还是成为又一个在“非常模糊”的领域中摸索的玩家。公司成立年份、本轮融资完成的具体日期、Insight Partners 的角色以及 Studio 的付费模式，目前均未披露。
RecodeX 极客视：Physicl 的融资故事真正值得关注的不是 1000万美元的金额，而是一个被生成式 AI 冲击的电商 3D 团队，如何把“让商品看起来真实”的能力重新解释为“让机器人理解真实”。这个转向在逻辑上自洽，但它的验证路径远比融资公告漫长：一个与公司存在顾问关系的早期客户报告了显著改善，一份有分量的合作名单尚未转化为公开的付费关系，一个免费 beta 产品尚未证明其商业模式的可持续性。在物理 AI 的合成数据赛道，真正稀缺的不是生成数据的能力，而是证明这些数据能让模型在真实世界中更可靠的能力。Physicl 已经拿到了验证这个命题的资本，但命题本身仍然悬而未决。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。