Physicl, datos sintéticos para robots, levanta US$10M

Physicl levanta US$10M para entrenar robots con datos sintéticos

Physicl, la startup parisina fundada por Alex de Vigan, levantó US$10 millones en una ronda semilla liderada por Inovia Capital, con participación de US Venture Partners. La operación se anunció el 6 de noviembre y llegó acompañada del lanzamiento de Studio, su primer producto: una plataforma que genera datos sintéticos de alta fidelidad para entrenar modelos de IA física.

El dato que importa para un founder no es el monto, sino la tesis que hay detrás. La IA física —la que permite que un robot entienda, toque y manipule objetos reales— no tiene un corpus de entrenamiento equivalente al texto de internet. Cada ejemplo hay que recolectarlo, etiquetarlo y curarlo a mano. Physicl apuesta a que ese cuello de botella se puede industrializar.

¿Qué problema resuelve Physicl?

Los modelos de lenguaje se entrenaron con la web entera. Los modelos de imagen, con miles de millones de fotos descritas. Los modelos físicos no tienen nada parecido: como resume Ulrik Stig Hansen, co-CEO de Encord, en declaraciones a Crunchbase News, «no existe un internet de datos de IA física», y por eso primero hay que recolectar los datos y convertirlos de tokens de sensores a tokens de acción.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El resultado es un embudo conocido por cualquiera que haya trabajado con robótica: los modelos funcionan bien en demos y fallan en los casos raros. Una taza que quedó medio tapada por una bolsa, una sombra que cruza el mesón, una caja apilada unos centímetros fuera de lugar. Physicl llama a esto el problema de los casos borde, y su apuesta es generar datos exactamente para esas situaciones en lugar de esperar a que ocurran en el mundo real.

«Los modelos fallan en los casos borde. Cuando los investigadores encuentran esas debilidades, necesitan una forma de generar datos que las ataquen específicamente», dijo de Vigan en el anuncio de la ronda.

De renders de productos a robots: el pivote de nfinite

De Vigan no es nuevo en el 3D. Pasó la última década construyendo nfinite, una empresa parisina que permitía a marcas y retailers crear modelos 3D de sus productos para venderlos online. Según The Next Web, nfinite llegó a levantar US$100 millones en 2022.

El auge de los modelos generativos basados en transformers cambió el juego: lo que nfinite hacía de forma artesanal en 3D, la IA empezó a resolverlo con imágenes generadas. En lugar de defender un negocio que se achicaba, de Vigan vio el activo que quedaba en pie: un equipo y un flujo de trabajo capaces de transformar información del mundo real —desordenada, incompleta, heterogénea— en representaciones físicas de alta fidelidad, con geometría, materiales y física correctos.

«Lo que hacíamos de forma súper única en 3D, la IA lo iba a reemplazar, pero a la IA le faltaba algo: su capacidad de entender, interactuar y manipular el espacio y los objetos», explicó.

Es un caso de manual de pivote: no cambiar de equipo ni de tecnología, sino de mercado. El mismo pipeline que servía para vender muebles en una web ahora sirve para que un robot aprenda a agarrar objetos pequeños y variados.

¿Qué hace Studio y cómo funciona?

Studio es el primer producto de Physicl y ya está en beta, gratis durante ese periodo, con acceso por tandas a laboratorios, universidades y empresas que desarrollan modelos de visión, de mundo y de robótica.

El flujo tiene cuatro pasos, según la documentación del producto:

El investigador describe en lenguaje natural la falla de su modelo.
Studio propone una escena que coincide con esa falla y variantes de la misma.
El investigador ajusta rangos y fija condiciones, como la trayectoria de la cámara.
El sistema renderiza y exporta el resultado, registrando las condiciones detrás de cada frame.

La librería de base son 10.000 entornos 3D y más de 100.000 objetos, construidos sobre geometría real y materiales conocidos, que se pueden combinar en miles de millones de escenas distintas. Iluminación, hora del día, desorden, objetos, materiales, altura y recorrido de cámara se modifican de forma independiente o conjunta, lo que permite comparaciones controladas donde solo cambia la variable que te interesa.

Un detalle técnico que vale la pena para quien entrena modelos: la profundidad, las normales de superficie, la segmentación por instancia y clase y las cajas 2D salen de la misma escena 3D que genera la imagen, no se predicen a partir del render ni las dibuja un anotador humano. Los exportes incluyen imágenes o video RGB de hasta 1920 x 1080 con pose de cámara por frame y metadatos de escena.

El caso SpAItial: la prueba de que el enfoque funciona

El mejor argumento de Physicl no es su propio marketing, sino el resultado de un cliente. SpAItial, startup de Múnich que construye modelos de mundo, usó los datos de Physicl como cliente temprano y, según reportó la compañía, redujo a menos de la mitad el error de reconstrucción de su modelo de habitaciones reales. Su último producto, Echo-3, salió la semana pasada.

Matthias Niessner, CEO y fundador de SpAItial y profesor de robótica en la Universidad Técnica de Múnich, describió a TechCrunch el dolor que Physicl promete quitar: «El verdadero desafío es que tienes que curar los datos a mano, y es un ciclo muy largo». Lo que le entusiasma es la posibilidad de generar datos sobre la marcha, según el estado del entrenamiento. Niessner figura además como asesor de Physicl.

Physicl ya trabaja con laboratorios de IA y universidades, entre ellos Meta, World Labs, Epic Games y SpAItial, según el comunicado de la ronda. The Next Web agrega a Amazon Web Services, Nvidia y la propia Universidad Técnica de Múnich en su lista de colaboradores.

Un mercado que se calienta: la fiebre del capital en robótica

Physicl entra a una categoría que, de joven, ya está abarrotada. El propio de Vigan lo admite: «El espacio es muy joven y a veces muy difuso».

Los números explican por qué hay tanta gente compitiendo. Según datos de Crunchbase News, el capital de riesgo global hacia startups de robótica sumó US$9.900 millones en el tercer trimestre de 2026, más del doble de los US$4.300 millones del mismo trimestre de 2025. Entre el primer y el tercer trimestre del año, la inversión en el sector creció alrededor del 185% interanual.

El reparto geográfico también dice algo: China concentró US$13.200 millones y Estados Unidos US$12.100 millones, mientras que Alemania, tercero en la lista, quedó en US$1.700 millones. Entre las rondas grandes del año, Crunchbase News menciona a Skild AI, que levantó US$1.400 millones para su modelo fundacional de robótica, y a la alemana Neura Robotics, con US$1.400 millones para sus robots cognitivos.

Hay otro dato que habla del momento: de las aproximadamente 75 empresas de robótica en la lista de unicornios que levantaron capital en los últimos tres años, 45 entraron este año.

¿Qué significa esto para tu startup?

1. Si construyes modelos físicos, los casos borde son tu verdadero producto. El mensaje de Physicl es que el pre-entrenamiento con video tiene rendimientos decrecientes y la teleoperación es carísima. Antes de escalar la recolección de datos, identifica dónde falla tu modelo y ataca ese hueco con datos dirigidos. Studio está en beta gratuita y abre acceso por tandas: vale la pena postularse y medir si el enfoque mueve la aguja en tu caso concreto.

2. Tu stack puede valer más en otro mercado que en el tuyo. El pivote de nfinite a Physicl no fue un cambio de tecnología, fue un cambio de cliente. Si tu producto principal está siendo comoditizado por un modelo generativo, revisa qué activo quedó intacto —el equipo, el pipeline, la infraestructura— y a quién más le puede servir.

3. La capa de datos es donde está el hueco para founders hispanohablantes. Las rondas grandes del sector se las llevan los fabricantes de robots y los modelos fundacionales, con cientos o miles de millones de dólares. La infraestructura para generar, curar y validar datos es un mercado mucho más accesible para un equipo chico, y no requiere capital intensivo en hardware. Es un punto de entrada realista para startups de LATAM y España que quieran jugar en IA física sin competir con los gigantes del robot.

Conclusión

Physicl no vende robots ni modelos: vende la materia prima que ambos necesitan y que hasta ahora nadie producía a escala. Con US$10 millones de Inovia Capital y US Venture Partners, un equipo de unas 30 personas repartidas entre París, Nueva York y San Francisco, y un cliente temprano que ya reporta mejoras medibles, la apuesta es clara.

El riesgo también es claro: es una categoría joven, difusa y con muchos competidores generando datos en distintas modalidades. La ventaja de Physicl es haber llegado con una tecnología que ya llevaba seis años madurando en otro mercado. Para el resto del ecosistema, la lección es más simple: en IA física, el dato bien etiquetado sigue siendo el activo escaso.