Physicl 种子轮

Physicl 深度调研:由电商 3D 渲染衍生出的物理 AI 合成训练数据基础设施,以物理精确边缘案例数据解决 sim-to-real 鸿沟,获 Inovia 领投 $10M 种子轮

Physicl 由 nfinite 创始人 Alex de Vigan 于 2026 年创立,定位物理 AI 合成训练数据基础设施;以物理精确 3D 场景生成边缘案例数据,已获 Inovia 领投 $10M 种子轮。

执行摘要

Physicl 是一家成立于 2026 年的物理 AI 合成训练数据公司,由连续创业者 Alex de Vigan(亦作 Alexandre de Vigan)创立,其此前于 2017 年创办了面向电商与零售的 3D 产品可视化公司 nfinite,并先后完成由 Insight Partners 领投的 1 亿美元 B 轮等累计逾 1.2 亿美元融资。Physicl 的核心命题直指”物理 AI 的长尾难题”——语言模型与图像模型分别受益于互联网文本与数十亿带标注照片,而要让机器人、自动驾驶系统与世界模型在真实空间中可靠行动,却不存在同等规模的”物理世界数据集”,真实长尾边缘场景(如被袋子半遮挡的杯子、夕阳斜照下横穿台面的阴影、略微错位堆叠的箱子)既难以采集、也无法重放与变体。Physicl 的回答是”物理世界无法被抓取,只能从已知的几何与物理中构建”:其平台让用户用自然语言描述模型会出错的场景,再成批生成该场景的成千上万种变体,并在每一帧上附带由几何直接导出的精确真值(深度、表面法线、分割与实例 ID、相机位姿、2D/3D 包围盒)。首款产品 Physicl Studio 于 2026 年 11 月 6 日随 1000 万美元种子轮融资一同进入 private beta,底层内置 1 万+ 真实几何构建的 3D 环境与 10 万+ 可放置资产。公司已披露与 SpAItial、World Labs、Meta、Epic Games 等 AI 实验室的合作,其中世界模型公司 SpAItial 在慕尼黑工业大学 Matthias Niessner 团队评估下,使用 Physicl 数据后将其在真实房间上的三维重建误差降低逾一半。Physicl 将自身定位为物理 AI 的”数据基础设施层”而非单纯数据集供应商,并设想一种 agentic 工作流——把海量图像或 LiDAR 捕获转化为高保真 3D 表征,进而根据模型训练状态”按需、实时”生成训练数据,对标”物理 AI 领域的 Scale AI”。本报告基于公开信息整理,重点记录其技术主张、商业路径、资本结构,并就创立年份、总部归属、累计融资口径与客户订单等存在冲突的公开信息逐一裁定。

公司概览

Physicl 由 Alex de Vigan 创立并担任 CEO。de Vigan 早年在达罗瓦耶、贡德朗等巴黎律所从事并购(M&A)业务,2014 年创办房产收购平台 Matchimmo,2017 年前后创立 Hubstairs/nfinite,从房产与家居零售可视化起步,逐步发展为面向全球零售商与品牌的 3D 产品可视化与”视觉智能”平台,并在 2022 年完成 1500 万美元 A 轮与 1 亿美元 B 轮融资。随着 transformer 基生成式 AI 兴起,nfinite 向生成式图像倾斜,而机器人实验室、世界模型实验室与视觉团队开始向 de Vigan 团队提出一种不同需求:他们不需要更漂亮的图片,而是需要模型出错场景下的精确数据及数千个样本。这一需求最终演化为 Physicl。

关于创立年份,公开信息存在口径差异:多家公司数据库(如 SVTR、Clera)将 Physicl 标注为”Founded 2026”,并称其作为独立实体约 6 个月大(截至 2026 年中);公司亦在 2026 年 3 月的英伟达 GTC 大会首次公开亮相。但 Physicl 本质上是 nfinite 的技术与团队衍生(spin-out),其底层资产与人员延续自 de Vigan 在 nfinite 十年积累的高保真 3D 渲染管线。因此本报告记录:Physicl 于 2026 年作为独立品牌/实体推出(GTC 2026 首秀、2026-11-06 公布种子轮与 Studio beta),技术源自 nfinite;其法律主体更可能是在法国(SAS)或美国(Delaware)设立的新实体,但具体工商登记信息尚未公开,需以公司或各国工商登记为准。

总部与团队方面,Physicl 明确以巴黎为基点,并在旧金山湾区与纽约设有团队(部分资料仅标注旧金山,反映其美国侧的扩张重心);团队规模约 30 人,工程与研发占比极高,呈”小而重工程”的结构。公司尚未公开披露估值、定价、收入或经常性收入,处于极早期阶段。

产品与技术架构

Physicl 的产品核心是 Physicl Studio,一款面向物理 AI 团队的合成数据生成应用,当前处于 private beta 且 beta 期内免费,按”研究实验室、高校与公司”分批开放。Studio 的能力可概括为三点差异化:

其一,真值由构建而来而非事后估计。深度(米,EXR 浮点)、表面法线(相机空间,EXR 或 RGB 编码 PNG)、材质索引、实例与 2D/3D 包围盒、相机位姿等标签,全部由场景几何在渲染时直接导出,而非对成片做事后估计。这意味着在暗角、遮挡与杂乱等模型最易失败的区域,标签依然精确且稳定可复现——这正是合成数据相对真实采集标注的核心优势。

其二,一次只改一个条件。用户可在同一场景上单独或组合改变相机(轨道、俯仰、ego 头戴、吊臂、横移等)、布局(桌面旋转、通道障碍、货架补货、杂物移动等)与光照(正午、午后、金色时刻、蓝调、黄昏、夜间、阴天等),其余保持不变,从而让两条渲染可直接对照,系统性覆盖某一罕见边缘案例的全部版本。一次 480 帧的”通道”运行可在约 4 小时、约 14.2 GB 内产出。

其三,规模化真实 3D 起步库。Studio 内置 1 万+ 以真实几何与已知材质构建的环境,以及 10 万+ 可放置资产,用户从第一天起即可在真实 3D 上变体,而不必从零建模。单条运行输出包含逐帧的 beauty、depth、normals、materials、instances、boxes 与 uv 等图层,并附带每帧的相机、2D/3D 框、位姿与可见性 JSON 标注。

底层技术栈是一条 agentic 工作流:把非结构化、异构的真实世界信息(海量图像、数小时 LiDAR 捕获等)转化为具备正确几何、材质与物理的高保真 3D 表征。换言之,Physicl 把十年电商 3D 渲染中沉淀的”把真实世界数字化”能力,迁移到为物理 AI 生成”物理一致、标签精确、可无限变体”的训练世界。其宣称的价值锚点在于缩小 sim-to-real 鸿沟——让模型在仿真中习得的能力可以迁移到真实世界。

应用场景与目标客户

Physicl 的目标用户被清晰划分为四类:机器人学习团队(训练机器人策略,需要在货架补货、光照变化、杂物移位等真实前暴露模型)、视觉/感知团队(需要精确的深度、法线与实例掩码,免去人工标注队列)、世界模型研究者(需要物理一致、相机位姿已知的变体视频)、以及 ML 评测团队(需要模型从未见过的场景并在每个 checkpoint 上可复现地重跑)。

已披露的标杆客户与合作方中,最具体的是 SpAItial——一家由 TUM 教授 Matthias Niessner 创办、将真实房间转化为可探索 3D 的世界模型公司。据 Physicl 披露,SpAItial 在使用其数据训练后,在真实房间上的三维重建误差降低逾一半,且该评估由 Niessner 团队完成。这一结果属于公司自报、尚非独立第三方基准。公司公告同时称与 Meta、World Labs、Epic Games 等 AI 实验室合作;二级资料(如 Clera)进一步列出 Meta Reality Labs、Adobe(含一笔 150 万美元订单)、DeepMind、NVIDIA 等,并谓之”物理 AI 领域的 Scale AI”,但这些更细的客户与订单口径多出自招聘或第三方聚合,需在尽调中进一步核实(见 DISCREPANCIES)。

从场景看,Physicl 的甜区是”长尾边缘案例”:被遮挡的物体、移动的阴影、杂乱台面、意外放置的物品——这些在真实数据集中稀见、用相机采集昂贵、恰是机器人最易失败之处。其设想的使用范式是”按需、实时”生成:模型在训练中检测到某一能力缺口,便触发对应合成场景的自动生成,形成数据—训练的闭环反馈。

商业模式与生态布局

Physicl 当前的核心商业形态是”SaaS + 数据基础设施”:Studio 在 beta 期免费,向研究实验室、高校与公司分批开放,beta 结束后预计转向按使用量或席位/项目的商业化计费;但公司尚未披露任何明确定价、授权模式或经常性收入。其战略叙事明确把自己定位为”数据层”而非”模型层”——不训练自己的机器人模型,也不与下游客户竞争,而是提供环境、资产与标签,供模型构建者在训练及针对困难案例的后训练中使用。

更深一层的设想是”持续合成数据生成工作流”(agentic、on-the-fly):客户把海量图像或 LiDAR 数据接入平台,转化为高保真 3D,再按需生成数十亿变体;在 de Vigan 的愿景里,这相当于”当模型在训练中发现缺数据,便自动补生成”,使 Physicl 成为嵌入训练循环的”数据厨房”。这一叙事与 Scale AI 在 LLM 时代的标注基础设施角色形成对标,是公司估值想象空间的主要来源。

生态层面,Physicl 背靠 de Vigan 在 3D 与零售可视化领域十年积累的资产库、客户网络与投资人关系(Inovia、US Venture Partners 同时也是 nfinite 的投资人),并拥有由 Thomas Wolf(Hugging Face)、Christoph Lassner(World Labs)、Matthias Niessner(TUM)、Yaser Sheikh、Sébastien Deguy 等组成的顾问团——这些顾问本身处于物理 AI 与世界模型的核心网络,对获客与背书价值显著。

从地域与 GTM 看,Physicl 以巴黎为研发与战略中枢、以旧金山与纽约为美国侧扩张支点,目标是先拿下机器人、视觉与世界模型领域的标杆研究实验室与头部公司,再以“数据基础设施”身份向更广义的企业 AI 团队外延。需要提示的是,大型实验室(如 Meta、NVIDIA)往往具备自建数据管线与仿真团队,Physicl 的“外包数据厨房”价值需在客户把数据主权与预算真正交给第三方时才能兑现,而这恰是 beta 免费阶段尚未回答的命题。

竞争格局与差异化

Physicl 进入的是一个年轻且快速拥挤的赛道:大量初创公司正为机器人公司与基础模型开发者提供数据、工具或仿真环境,例如本站的 Physical Intelligence、Skild AI、World Labs、Veeda AI、苏度科技、千诀科技、息壤开物、清雁科技等均在不同维度切入物理 AI 与世界模型。de Vigan 自己也承认”这个领域非常年轻、有时很模糊”。

Physicl 的相对优势有三:一是”真值由构建而来”的底层可靠性,标签随几何导出,在遮挡/暗角等困难区域仍精确,区别于事后估计;二是十年高保真 3D 渲染沉淀的资产规模(1 万+ 场景、10 万+ 资产)与将非结构化真实信息转为物理一致 3D 的工程能力;三是强顾问网络与已披露的头部客户(SpAItial、World Labs、Meta 等)带来的早期信任。其相对短板同样明显:公司极年轻(独立实体约半年至不足一年)、团队约 30 人、尚未披露收入或定价、beta 免费意味着付费意愿尚未验证,且 sim-to-real 收益目前只有 SpAItial 一例公司自报结果。真正的护城河——物理 AI 数据资产、行业 Know-how、与模型训练循环的嵌入深度——仍需时间沉淀。

更广义地看,Physicl 的竞争对手还包括通用仿真与生成平台(如 NVIDIA Isaac Sim、Genesis 等)——它们提供可程序化生成训练数据的引擎,但默认不附“物理一致、随几何导出的逐帧精确真值”这一 Physicl 的核心卖点;Physicl 的差异化正落在“策展式、物理精确、按需生成”这一窄而高的切口上。换言之,它不与仿真引擎正面竞争,而是把仿真引擎当作底层能力,向上封装出“标签即真值、场景即可变”的数据工作流,这也是其敢于对标 Scale AI 的逻辑支点。

融资与资本结构

Physicl 于 2026 年 11 月 6 日宣布完成 1000 万美元种子轮融资,由 Inovia Capital 领投、US Venture Partners 参投,资金用于扩充团队并继续建设其合成训练数据平台。这是一笔已确认的、有 TechCrunch 等一手信源背书的轮次。值得指出的是,Inovia 与 USVP 也是 de Vigan 此前 nfinite 的投资人,意味着新公司继承了”已了解团队与技术”的资本基础。

关于累计融资存在口径冲突:部分第三方聚合源(如 Clera)将 Physicl 的”total raised”标注为约 2000 万美元,但该数字很可能混淆了 nfinite 的历史融资(累计逾 1.2 亿美元)或包含未公开的早期/pre-seed 投入,无法作为 Physicl 独立实体的已确认融资额;本报告以已披露的 1000 万美元种子轮为准,并标注 2000 万美元口径未证实。公司尚未披露估值;二级资料(Clera)提及”2027 年上/下半年冲击 1 亿美元以上 A 轮”的规划,属前瞻性揣测,未获公司确认。

横向比较,Physicl 在资本维度显著弱于已披露数亿乃至数十亿美元融资的物理 AI 同行(如 Physical Intelligence、Skild AI、苏度科技),但作为仅成立约一年的种子期公司,1000 万美元的启动资金与知名领投方已属稳健开局。下一轮融资的额度、估值与到账节奏,以及从 beta 免费到付费的转化,将直接决定其平台化与规模化能力。

就资金用途与跑道而言,1000 万美元种子轮将主要用于工程团队扩张与平台能力建设,以约 30 人、工程占比极高的结构,短期跑道压力可控;而 Inovia 与 USVP 作为 nfinite 老股东的连续加注,降低了新一轮融资的尽调摩擦,也意味着投资人对 de Vigan 团队与技术路线的认可具有连续性。但这笔资金尚不足以支撑长期的平台化与销售网络投入,公司能否在 beta 结束前验证付费意愿、并以合理估值锁定下一轮,仍是其从“稳健开局”走向“规模验证”的关键一跳。

DISCREPANCIES

1. 创立年份与主体性质。 口径 A:多家数据库标注 Physicl “Founded 2026”、独立实体约 6 个月大(截至 2026 年中),并于 2026-03 GTC 首秀;口径 B:Physicl 被描述为 nfinite 的 spin-out,底层技术与团队源自 de Vigan 自 2017 年经营 nfinite 的十年积累。裁定:记录 Physicl 于 2026 年作为独立品牌/实体推出,技术源自 nfinite;具体法律主体(法国 SAS 或美国 Inc)与工商登记未公开,标注为未确认。来源等级:DATABASE(SVTR/Clera)与 MEDIA 并存。

2. 总部归属。 口径 A:公司官方与多数报道以巴黎为基地,并在旧金山湾区与纽约设团队;口径 B:部分招聘/数据库源仅标注旧金山(如 Clera 称 “based in San Francisco”)。裁定:记录总部巴黎、另设旧金山与纽约团队,并标注单源旧金山口径与其他来源不一致。来源等级:OFFICIAL(公司公告)与 DATABASE 并存。

3. 累计融资金额。 口径 A:已确认 2026-11-06 种子轮 1000 万美元(Inovia 领投、USVP 参投,TechCrunch 等一手信源);口径 B:第三方聚合源记 “total raised” 约 2000 万美元。裁定:以已确认 1000 万美元种子轮为准,标注 2000 万美元口径可能混淆 nfinite 历史融资、未证实。来源等级:OFFICIAL/MEDIA 与 DATABASE 冲突。

4. 客户与订单细节。 口径 A:公司公告披露与 SpAItial、World Labs、Meta、Epic Games 合作,SpAItial 重建误差降逾一半(Niessner 团队评估);口径 B:二级源进一步列出 Meta Reality Labs、Adobe(含 150 万美元订单)、DeepMind、NVIDIA 等。裁定:照引公司公告的四家合作与 SpAItial 结果,并标注 Adobe 订单、DeepMind/NVIDIA 等更细口径出自第三方聚合、未获公司确认。来源等级:OFFICIAL 与 DATABASE 并存。

5. 创始人姓名拼写。 口径 A:公司资料与多数报道作 “Alex de Vigan”;口径 B:人物深度稿(YesPress)作 “Alexandre de Vigan”。裁定:记录为 “Alex de Vigan(亦作 Alexandre de Vigan)“,标注二者为同一人、全名口径差异。来源等级:OFFICIAL 与 MEDIA 并存。

6. 团队规模。 口径 A:公司公告与 StartupBooted 记约 30 人、工程占比高;口径 B:数据库源(Clera)给区间 11–50 人。裁定:记录约 30 人(多数来源交集),标注单源区间较宽、未精确。来源等级:MEDIA 与 DATABASE 并存。

7. SpAItial 结果的性质。 口径 A:Physicl 称 SpAItial 使用其数据后真实房间重建误差降逾一半,由 TUM Niessner 团队评估;口径 B:该结果属公司自报、非独立第三方基准,且 SpAItial 自身亦有 Echo-3 等产品进展。裁定:记录该结果为公司披露的早期信号,标注其非独立基准、代表性待更多客户验证。来源等级:MEDIA,未验证。

风险与尽调缺口

首要缺口是 sim-to-real 收益的独立验证。Physicl 最有力的证据是 SpAItial”重建误差降逾一半”,但这是公司自报、由合作方(Niessner 团队)评估的结果,缺乏在标准化任务上相对基线的独立第三方基准,亦仅一例客户,难以判断其泛化到机器人操作、自动驾驶等其他物理 AI 任务的可靠性。

第二处缺口是商业化与付费意愿。Studio 目前处于 beta 且免费,公司尚未披露任何定价、授权模式或经常性收入;从”免费研究工具”到”按量付费数据基础设施”的转化,是早期 SaaS 最常见的失败点,目前无任何公开证据支撑其付费意愿。

第三处缺口是资本厚度与确定性。尽管 1000 万美元种子轮提供了启动资金,且规划中的 1 亿美元以上 A 轮尚属揣测,但作为约 30 人、无收入的极早期公司,其对后续融资节奏与现金流转依赖度高;若 A 轮不及预期或融资环境收紧,平台化投入将承压。

第四处缺口是竞争护城河。物理 AI 数据/仿真赛道年轻且拥挤,方法层面的”物理一致 3D 合成”并非长期壁垒,真正可防御的是数据资产规模、行业 Know-how 与训练循环嵌入;Physicl 虽有资产起步库与强顾问,但嵌入深度与客户锁定仍需时间验证。

第五处缺口是信息透明度。作为成立不足一年的私营公司,Physicl 未披露估值、收入、定价与具体法律主体,多数细节(客户订单、累计融资、总部)来自公告、媒体与第三方聚合的混合,且存在多处口径冲突(见 DISCREPANCIES),需以公司正式披露与各国工商登记为准。

第六处缺口是人才与扩张风险。公司呈”小而重工程”结构,核心 3D 渲染与物理管线能力高度依赖 de Vigan 在 nfinite 的积累与关键工程人才;作为成立仅约一年的公司,核心人才留存与股权激励安排、跨时区(巴黎/旧金山)协作效率,都是潜在约束。

综合评分

技术维度给 8.0 分。Physicl 的”真值由几何导出”底层可靠、资产起步库规模可观(1 万+ 场景、10 万+ 资产),且已有 SpAItial 这一可见客户结果,在”物理精确合成数据”这一细分上具备清晰差异化。扣分项:sim-to-real 收益仅一例自报、缺独立基准、跨任务泛化未验证、公司极年轻。

商业化维度给 5.5 分。beta 免费、面向研究/高校/公司的分批开放策略清晰,且”数据基础设施层”定位合理;但无任何定价、授权模式或收入披露,付费意愿完全未验证。扣分项:无收入、模式未公开、免费到付费的转化风险。

融资维度给 6.0 分。1000 万美元种子轮由 Inovia 领投、USVP 参投,且继承 nfinite 的投资人关系,开局稳健;但金额本身在物理 AI 同行中偏小,且 2000 万美元累计口径未证实、估值未披露、后续 A 轮尚属规划。扣分项:资本基数偏早期、累计融资口径冲突、确定性有限。

产品成熟度维度给 6.5 分。Studio 已发布并进入 beta,具备完整的”描述场景—多轴变体—逐帧真值”产品闭环与真实 3D 起步库,领先于纯概念阶段。扣分项:仍处 beta、免费、付费路径未验证、跨行业泛化证据有限。

市场位置维度给 7.0 分。物理 AI 数据基础设施是高热度、强需求方向,公司拥有强顾问网络与头部客户背书,且”物理 AI 的 Scale AI”叙事具备想象空间;但赛道拥挤、竞争对手(PI、Skild、World Labs、Veeda 等)多数更成熟或资本更厚,且公司极年轻。扣分项:成立不足一年、竞争激烈、规模与 proven 指标有限。

综合 6.6 分。Physicl 是一家成立仅约一年、由连续创业者从成熟 3D 渲染资产中衍生出的物理 AI 合成数据基础设施公司,具备”物理精确、可无限变体”的清晰技术差异化与可见的早期客户信号,同时也带有极早期主体典型的收益未独立验证、付费意愿不明、资本偏早期与信息透明度不足等缺口。最值得持续跟踪的下一个信号是:SpAItial 之外更多客户的独立基准、beta 结束后的首个付费合约,以及 2027 年 A 轮的实际落地。

参考资料

  1. Physicl 官网 physicl.ai 与产品页 / Studio 页(2026):公司定位、Studio 能力、输出图层与逐帧真值说明
  2. Physicl 官方博文《Introducing Physicl》(2026-11-06):创立动机、$10M 种子轮(Inovia 领投、USVP 参投)、Studio 发布、顾问团
  3. TechCrunch / StartupBooted / KeeVurds(2026-11):种子轮与 Studio beta 报道,团队约 30 人、巴黎/旧金山/纽约
  4. YesPress 创始人深度稿(2026):Alex de Vigan 履历(M&A 律师→Matchimmo→nfinite 2017→Physicl 2026)、nfinite 历史
  5. EdgeChat / nfinite 资料(2026):nfinite 2017 创立、2022 年 1.5 亿美元 B 轮(Insight Partners 领投)、累计逾 1.2 亿美元融资
  6. SVTR 公司档案(2026-11-07):Physicl 成立于 2026、GTC 2026 首秀、种子轮 $10M、约 30 人、巴黎
  7. Clera 公司页(2026):总部/团队/融资口径(含 $20M total raised、Adobe $1.5M 订单等,部分未证实)
  8. SpAItial 与 Physicl 合作披露(2026):使用 Physicl 数据后真实房间重建误差降逾一半(TUM Niessner 团队评估)
  9. Physicl 顾问团公开信息(2026):Thomas Wolf(Hugging Face)、Christoph Lassner(World Labs)、Matthias Niessner(TUM)、Yaser Sheikh、Sébastien Deguy
  10. 行业背景:physical AI 的 sim-to-real 鸿沟与合成数据在机器人/世界模型训练中的角色(2026)

本报告基于公开信息整理,仅供参考,不构成任何投资建议。数据截至 2026 年 11 月 8 日。Physicl 为非上市私营企业,无审计财报;种子轮金额、客户合作、SpAItial 重建误差结果、团队规模、累计融资与总部等存在多处公开口径冲突(详见 DISCREPANCIES),相关不确定性已在正文与 DISCREPANCIES 中标示,请以前述公司公告、各国工商登记与一手信源为准。

本报告基于公开信息整理,仅供参考,不构成任何投资建议。数据截至报告发布日,请以公司公告与定期报告为准。