Physicl levanta US$10M para entrenar robots en 3D

Physicl levantó US$10 millones en una ronda semilla liderada por Inovia Capital, con participación de US Venture Partners, para entrenar robots y modelos de IA física con simulaciones 3D más fieles al mundo real. Para un founder que hoy construye con inteligencia artificial, el dato relevante no es el monto: es que el cuello de botella del sector dejó de estar en el modelo y se mudó al dato.

La empresa, fundada por Alex de Vigan, lanzó junto con el financiamiento Studio, una plataforma que arranca con 10.000 entornos 3D y 100.000 activos para generar datos sintéticos a medida. El anuncio se difundió a través de un comunicado de la compañía distribuido por GlobeNewswire.

¿Qué es la IA física y por qué necesita datos distintos?

La IA física es la rama que busca que un modelo no solo describa el mundo, sino que actúe sobre él: que un brazo robótico sepa dónde agarrar una taza, cuánta fuerza aplicar y qué pasa después del contacto. Ahí el problema es que no existe un corpus equivalente al texto de internet que alimentó a los modelos de lenguaje.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Según el comunicado recogido por GlobeNewswire, el sector carece de un conjunto de entrenamiento comparable a los miles de millones de fotos etiquetadas que hicieron posibles los modelos de imagen. Sin esa base, los equipos se quedan cortos justo en los ejemplos que bloquean el despliegue real.

TechCrunch lo describe con precisión: los investigadores se frustraron con el retorno de entrenar robots con video y con el costo de recolectar datos mediante operaciones remotas. La simulación aparece como la alternativa obvia, pero solo funciona si la física del mundo virtual se parece a la del mundo real. Esa brecha tiene nombre propio en la industria: el sim-to-real gap.

Studio: 10.000 entornos para atacar los casos límite

La apuesta de Physicl no es vender datasets terminados, sino dar la herramienta para fabricarlos. Studio funciona en cuatro pasos, según la descripción del producto recogida por unite.ai: el investigador describe en lenguaje natural la falla que quiere corregir; el sistema propone una escena y variaciones; el usuario ajusta rangos y fija condiciones como la trayectoria de cámara; y la plataforma renderiza y exporta el resultado registrando las condiciones de cada fotograma.

El punto técnico que vale la pena entender: profundidad, normales de superficie, segmentación por instancia y por clase, y cajas 2D salen de la misma escena 3D que produce la imagen, no de un anotador humano ni de un modelo que las predice a posteriori. Eso significa ground-truth exacto, que es lo que permite entrenar y evaluar contra una referencia confiable.

Los controles son granulares: iluminación, hora del día, desorden, objetos, materiales, altura y trayectoria de cámara se modifican por separado o en conjunto. Así se logran comparaciones controladas donde solo cambia una variable entre dos clips. Los ejemplos que da la compañía son concretos: una taza parcialmente tapada por una bolsa, una sombra cruzando la encimera, una caja apilada unos centímetros fuera de lugar.

Studio está en beta y es gratuito durante ese período, con acceso abierto por oleadas a laboratorios, universidades y empresas que desarrollan modelos de visión, de mundo y de robótica. Las exportaciones incluyen imágenes o video RGB de hasta 1920×1080, con pose de cámara por fotograma y metadatos de escena.

¿Quién ya usa los datos de Physicl?

El caso más documentado es SpAItial, una desarrolladora de modelos del mundo que fue cliente temprano. Su CEO y fundador, Matthias Niessner —también profesor de robótica en la Universidad Técnica de Múnich y asesor de Physicl— explicó a TechCrunch que necesitaba entrenar con datos sintéticos de alta fidelidad para que su herramienta, que genera simulaciones 3D a partir de imágenes 2D, representara con precisión objetos y entornos.

El resultado reportado es medible: según unite.ai, SpAItial redujo a menos de la mitad su error de reconstrucción en habitaciones reales después de entrenar con datos de Physicl, en una evaluación del equipo de Niessner en la TUM. Su producto más reciente, Echo-3, se lanzó poco antes del anuncio.

El comunicado de la compañía menciona además colaboraciones con laboratorios de IA como Meta, World Labs y Epic Games. Physicl tiene alrededor de 30 personas en 3D, simulación y machine learning, con oficinas en Nueva York, San Francisco y París, y la mayoría del equipo trabajó seis años con de Vigan antes de que fundara la empresa.

¿Qué significa esto para tu startup?

Hay tres lecturas accionables, y ninguna depende de que construyas robots.

Primero: el dato específico le gana al dato masivo. De Vigan lo plantea sin rodeos en TechCrunch: un demo impresionante no dice cómo se comportará un modelo en todas las situaciones que puede encontrar. Los modelos fallan en los casos límite. Si tu producto tiene un punto débil conocido —un tipo de consulta, un formato de archivo, un acento, un idioma—, la jugada no es juntar más volumen genérico, sino generar ejemplos dirigidos a esa falla y medir si mejora. Studio está en beta abierta y es gratis en esa etapa: si tu equipo trabaja con visión por computadora o robótica, es una prueba de bajo costo.

Segundo: revisa de dónde sale tu ground-truth. El argumento más fuerte de Physicl no es visual, es de trazabilidad. Cuando la etiqueta se deriva de la misma escena que genera la imagen, desaparece el error de anotación humana y el sesgo del modelo que etiqueta. Si tu pipeline de datos depende de anotadores o de un modelo que predice máscaras, vale la pena calcular cuánto de tu error final viene de ahí.

Tercero: la ventana de oportunidad está en los verticales. De Vigan admite en TechCrunch que el espacio de datos para IA física es «muy joven y a veces muy difuso», con muchos jugadores recolectando, etiquetando o generando datos en distintas modalidades mientras los clientes todavía buscan la combinación correcta. Eso es exactamente el tipo de mercado donde un equipo pequeño de LATAM o España puede entrar con un nicho vertical —logística, agro, manufactura— antes de que se consoliden los generalistas.

Conclusión

Physicl es un caso de reciclaje tecnológico bien ejecutado: un pipeline construido durante una década para renderizar productos de e-commerce encontró un segundo mercado cuando la IA generativa commoditizó su negocio original. La tesis de inversión de Inovia Capital, en palabras de su socio Steve Woods recogidas por GlobeNewswire, es que el sector enfrenta un problema fundamental para traducir capacidades de modelo en desempeño real, y que el dato físico escalable y de calidad es una pieza crítica de ese rompecabezas.

Queda por ver si eso se traduce en desempeño medible en robots físicos y no solo en escenas que se ven bien. La compañía es explícita en que los datos del mundo real siguen siendo esenciales: la simulación viene a cubrir los casos raros que la captura real no puede repetir a volumen. Para un founder, la lección es que el valor ya no está solo en el modelo, sino en la infraestructura que lo hace confiable.