Por Canuto  

Physicl obtuvo USD $10 millones de Inovia Capital para desarrollar simulaciones 3D que ayuden a entrenar modelos de IA física. Su plataforma Studio reúne 10.000 entornos y 100.000 activos, con el objetivo de generar datos sintéticos para situaciones que pueden complicar a los robots en el mundo real.

***

  • La startup recicla experiencia y tecnología de nfinite, empresa que creó herramientas 3D para mostrar productos de comercio electrónico.
  • Studio permite construir escenas específicas, como una taza en una encimera desordenada o parcialmente cubierta por una sombra.
  • SpAItial, desarrolladora de modelos del mundo, probó los datos de Physicl para mejorar la fidelidad de sus simulaciones.

 

 

Physicl recaudó USD $10 millones en una ronda semilla liderada por Inovia Capital para desarrollar herramientas de simulación destinadas al entrenamiento de robots y modelos de inteligencia artificial (IA) física.

La compañía busca que los escenarios digitales reproduzcan con mayor fidelidad la geometría, los materiales y el comportamiento físico de objetos reales. Según informó TechCrunch, el financiamiento respaldará una plataforma orientada a diseñadores de modelos del mundo y constructores de robots que necesitan resolver tareas complejas durante el entrenamiento.

La nueva empresa representa un cambio de dirección para Alex de Vigan, su fundador y CEO, quien dedicó la última década a construir nfinite. Esa compañía ayudaba a marcas y minoristas a crear modelos 3D de productos y presentarlos en tiendas digitales, con renderizados que permitían mostrar artículos sin depender únicamente de fotografías convencionales. La llegada de modelos de inteligencia artificial generativa transformó el negocio y llevó a nfinite a enfocarse más en la generación de imágenes, pero también abrió la posibilidad de reutilizar su experiencia técnica en otro campo.

De Vigan sostiene que la IA puede generar imágenes y contenido, pero que aún tiene dificultades para comprender e intervenir sobre el espacio y los objetos. Esa brecha importa cuando un robot debe reconocer algo pequeño, tomarlo con precisión o manipularlo sin confundirlo con otros elementos cercanos. El equipo de Physicl considera que su trabajo anterior con escenas tridimensionales puede aportar una representación espacial más útil para entrenar sistemas que no solo observan, sino que también deben actuar.

La propuesta se apoya en una tecnología creada para convertir información del mundo real que puede ser incompleta, heterogénea y desordenada en representaciones 3D detalladas. Para que esas representaciones sirvan en simulaciones, deben describir correctamente la forma de los objetos, sus materiales y las propiedades físicas relevantes. Physicl plantea que esa misma tubería de procesamiento puede ayudar a los modelos robóticos a practicar situaciones más cercanas a las que encontrarían fuera de un entorno digital.

El reto de entrenar robots con datos útiles

Los desarrolladores de modelos de IA física han explorado distintas fuentes de datos para enseñar a los robots a manipular objetos diversos, incluidos elementos pequeños y difíciles de distinguir. Sin embargo, el entrenamiento a partir de video no siempre ofrece la información necesaria para que un sistema aprenda cómo interactuar con cada objeto. La recopilación de datos mediante operaciones remotas también puede resultar costosa, por lo que las simulaciones digitales aparecen como una alternativa prometedora, aunque su realismo sigue siendo un obstáculo.

Una escena virtual solo ayuda si sus objetos y condiciones representan de manera convincente el mundo físico. Si la simulación omite propiedades relevantes o muestra una interacción poco realista, el entrenamiento puede no preparar al robot para una situación equivalente en una cocina, una fábrica u otro espacio real. Physicl busca reducir esa distancia mediante escenas cuya geometría, materiales y física estén mejor especificados, aunque la empresa no plantea que las simulaciones eliminen por completo la necesidad de datos del mundo real.

La compañía entra en un sector joven y concurrido, donde distintas startups recopilan, etiquetan o generan datos para equipos que desarrollan modelos fundacionales y sistemas robóticos. De Vigan reconoce que el panorama todavía es difuso y que los clientes siguen intentando determinar qué combinación de datos y herramientas permitirá que los robots cumplan las expectativas puestas en ellos. En ese mercado, Physicl quiere diferenciarse al concentrarse especialmente en el postentrenamiento y en casos límite que pueden poner a prueba las capacidades de un modelo.

La plataforma Studio se estrena con 10.000 entornos 3D y 100.000 activos que representan distintos objetos. Sus usuarios pueden crear escenas y generar datos sintéticos vinculados con problemas concretos, en lugar de depender solamente de conjuntos de datos genéricos. Un ejemplo sería entrenar un robot para encontrar una taza en una encimera desordenada o reconocerla cuando queda parcialmente en la sombra, dos situaciones en las que la variación visual puede dificultar la identificación.

Generación de datos sobre la marcha

SpAItial, una compañía que desarrolla modelos del mundo, colaboró con Physicl como uno de sus primeros clientes para mejorar la fidelidad de sus productos. Su herramienta produce simulaciones 3D a partir de imágenes 2D, una tarea que requiere ejemplos sintéticos detallados para que los resultados representen con precisión los objetos y sus entornos. Matthias Niessner, fundador y CEO de SpAItial, explicó que esos datos de alta fidelidad eran necesarios para entrenar su sistema; Echo-3, el producto más reciente de la compañía, se lanzó la semana anterior a la publicación del artículo.

Physicl no quiere limitar su papel a vender conjuntos de datos terminados. De Vigan imagina una plataforma capaz de recibir grandes volúmenes de información, como billones de imágenes o millones de horas de datos de captura LIDAR, y convertirlos en representaciones tridimensionales que luego permitan crear múltiples variaciones para entrenar modelos. La escala descrita por el fundador presenta una aspiración para el sistema, no una cifra de datos que Physicl haya dicho haber procesado hasta ahora.

Niessner señaló que la curación manual de datos puede alargar el ciclo de entrenamiento, porque los equipos deben identificar qué ejemplos faltan y prepararlos antes de continuar. Le resulta atractiva la posibilidad de generar esos datos sobre la marcha, según las necesidades que surjan durante el aprendizaje de un modelo. En ese escenario, un sistema de entrenamiento podría detectar una carencia específica y solicitar nuevas escenas sintéticas, en vez de depender de un conjunto fijo preparado de antemano.

Niessner describió como una posibilidad que un agente de IA, por ejemplo Claude, revise el estado del entrenamiento, determine que hacen falta más datos sobre una situación y los genere automáticamente. Esa dinámica conectaría el progreso del modelo con la producción de nuevos ejemplos, aunque la conversación presenta esa capacidad como una visión de lo que podría ofrecer la plataforma. La promesa central de Physicl consiste en acercar la creación de simulaciones al momento en que los desarrolladores detectan una necesidad concreta de entrenamiento.

Para la robótica, el valor de esa apuesta dependerá de que las escenas sintéticas ayuden a resolver problemas que los sistemas encuentran en entornos físicos, y no solo de la cantidad de variaciones que puedan producirse. Physicl parte de una base de herramientas desarrolladas para representar productos y espacios en 3D, y ahora busca aplicarlas a modelos que deben percibir y manipular objetos. La financiación semilla permitirá impulsar esa propuesta, mientras la empresa compite en un campo donde todavía se están definiendo las mejores formas de entrenar máquinas para actuar en el mundo real.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

 


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados