Physicl capta US$ 10 mi para treinar robôs em 10 mil mundos 3D

Tech Desk

Startup inova com plataforma que usa ambientes virtuais para aprimorar o aprendizado de robôs em simulações realistas.

Leia também: App do ASN Bank trava em Android sem Google e afasta clientes

A startup Physicl acaba de captar US$ 10 milhões em rodada seed liderada pela Inovia Capital para escalar sua plataforma de simulações digitais realistas voltadas ao treinamento de robôs, combinando o lançamento do produto Studio, com 10.000 ambientes 3D e 100.000 ativos, e uma colaboração recente com a SpAItial.

Startup quer tornar robôs mais úteis com dados sintéticos

Fundada por Alex de Vigan, a Physicl nasceu de uma virada de rota: a tecnologia criada anteriormente para renderizações 3D no e-commerce foi reaproveitada para resolver um gargalo da robótica — a falta de dados bons e baratos para treinar modelos de inteligência artificial física. “What we were super unique about doing in 3D, AI was going to replace, but something was missing in AI: its ability to understand, interact, and manipulate space and objects”, afirmou o executivo.

A proposta da empresa é transformar informações do mundo real, muitas vezes incompletas e heterogêneas — como fotos, vídeos e dados de sensores — em representações físicas 3D de alta fidelidade, com geometria, materiais e física corretos. Esses ambientes virtuais servem de base para gerar, de forma contínua, dados sintéticos sob medida para treinar robôs em tarefas específicas e casos extremos que seriam caros ou difíceis de capturar no mundo real.

O público-alvo imediato são desenvolvedores de robôs, pesquisadores e empresas que dependem de automação em ambientes complexos, da indústria à logística. Ao reduzir a dependência de dados coletados manualmente, a Physicl promete encurtar ciclos de desenvolvimento, baratear experimentos e aumentar a capacidade de robôs de reconhecer e manipular objetos em cenários mais variados.

Studio oferece 10 mil ambientes 3D para casos difíceis

No centro da estratégia está o Studio, produto recém-lançado que reúne 10.000 ambientes 3D prontos e 100.000 ativos — modelos de objetos que podem ser combinados para criar cenas altamente customizadas. A partir daí, os clientes conseguem gerar dados sintéticos para treinar modelos em problemas complexos, como fazer um robô distinguir um copo em um balcão cheio de objetos ou sob iluminação desfavorável.

Em vez de depender apenas de vídeos ou de teleoperação remota — abordagens caras e com retorno limitado — os times de robótica podem simular, ajustar e repetir quantas vezes forem necessárias, alterando posição, textura, sombra, reflexo e outros elementos de cena. A Physicl mira especialmente os chamados “casos de borda”, situações raras ou extremas que costumam derrubar o desempenho de robôs bem treinados no cenário médio.

De Vigan descreve a plataforma como a evolução de um fluxo de trabalho criado há cerca de uma década para e-commerce, agora aplicado em outra escala. A visão é permitir que clientes conectem trilhões de imagens e milhões de horas de dados de LIDAR à plataforma, gerando bilhões de variações de ambientes 3D para treinar modelos físicos de IA de forma praticamente contínua.

Entenda o contexto

O avanço recente da IA generativa ampliou a capacidade de gerar imagens, textos e vídeos, mas expôs uma lacuna quando o assunto é o mundo físico: treinar robôs que realmente entendam e interajam com o ambiente ainda depende de muitos dados reais, difíceis de coletar e rotular em escala. Nesse cenário, simulações digitais fiéis à física se tornaram uma aposta central para acelerar a evolução da robótica.

A Physicl entra em um mercado jovem e concorrido, no qual várias startups buscam fornecer dados e ferramentas para modelos de base e operadores de robôs. Há empresas especializadas em coletar, rotular ou gerar dados em diferentes formatos, enquanto os clientes ainda tateiam qual combinação de técnicas entrega o melhor resultado em campo.

A diferença que a Physicl quer destacar é justamente o caráter dinâmico e automatizado de sua geração de dados sintéticos, alinhada ao próprio estado de treinamento dos modelos de IA, o que pode reduzir a curva de tentativa e erro típica dos projetos de robótica.

Parceria com SpAItial e lançamento do Echo-3

Um dos primeiros testes de mercado da tecnologia veio com a parceria com a SpAItial, empresa que constrói “modelos de mundo” e lançou na última semana o produto Echo-3, ferramenta que cria simulações 3D a partir de imagens 2D. Para aumentar a fidelidade dessas simulações, a SpAItial passou a treinar seus modelos com os dados sintéticos de alta qualidade gerados pela Physicl.

Matthias Niessner, CEO da SpAItial e professor de robótica na Technical University of Munich, destaca que o gargalo hoje está menos na capacidade de processamento e mais no fluxo de dados. “The real challenge is, you have to curate the data by hand, and this is a very long cycle”, disse. Segundo ele, o que torna a oferta da Physicl atraente é a possibilidade de conectar a geração de dados diretamente ao processo de treino.

“To us what seems very attractive is you can just do this on the fly […] You’re running Claude, and it checks, ‘Oh, I need more data of this in my training,’ and then it auto generates that data, depending on the training state. That, to me, is super exciting, and this is exactly what Physicl is offering”, afirmou Niessner, ao descrever um cenário em que o próprio modelo identifica lacunas e aciona automaticamente a criação de novos exemplos sintéticos.

Desafio será escalar tecnologia e clientes

Com o reforço de caixa da rodada seed, a Physicl pretende acelerar o desenvolvimento da plataforma, ampliar a base de clientes globais e integrar suas ferramentas a outros sistemas usados por equipes de robótica. A ideia é sair da posição de simples fornecedora de dados para se consolidar como infraestrutura essencial de geração contínua e personalizada de dados sintéticos.

O potencial de impacto vai de robôs industriais mais adaptáveis a linhas de produção variáveis a sistemas logísticos que operam em armazéns caóticos, além de aplicações em serviços, inspeção e até robótica doméstica. Ao mesmo tempo, setores que ainda dependem fortemente de métodos tradicionais de treinamento tendem a ser pressionados a adotar soluções digitais do tipo, sob risco de perder competitividade.

O desafio para a Physicl, em um mercado em rápida movimentação, será manter o ritmo de inovação tecnológica, provar ganhos concretos de desempenho em projetos de clientes e seguir atraindo capital em meio à disputa por espaço entre players de dados, simulação e robótica.