此模擬新創公司希望成為物理 AI 的 Cursor

物理 AI 的前景是工程師將能像編程數位代理一樣，編程物理代理。我們還未達到這個境界。機器人技術仍受限於物理空間數據的貧乏。為了訓練他們的機器，公司需要建立模擬倉庫來測試他們的機器，同時一個整個產業正在興起，專門監測工廠線與自由工作者，以訓練深度學習模型來操作機器人。另一個選擇是模擬；詳細的虛擬環境複製可以提供機器人工程師所需的數據與工作空間，以可擴展的方式進行這項工作。Antioch 是一家為機器人開發者建立模擬工具的創業公司，他們希望縮小產業所稱的「模擬到現實的差距」——也就是讓虛擬環境足夠逼真，讓在其中訓練的機器人能在現實世界中可靠運作。Antioch 聯合創辦人 Harry Mellsop 表示：「我們如何才能盡可能縮小這個差距，讓模擬對自主系統來說，就像現實世界一樣？」為達成這個目標，該公司今天告訴 TechCrunch，他們已籌得 850 萬美元的種子輪資金，評估價值為 6000 萬美元，由風投機構 A* 和 Category Ventures 領投，其他參與機構包括 MaC Venture Capital、Abstract、Box Group 和 Icehouse Ventures。Mellsop 於去年五月與四位共同創辦人創立了紐約的公司。其中兩位共同創辦人 Alex Langshur 和 Michael Calvey 則與他共同創辦了安全與智能創業公司 Transpose，並以 undisclosed 金額賣給 Chainalysis。其他兩位共同創辦人 Collin Schlager 和 Colton Swingle 則分別曾就職於 Meta Reality Labs 和 Google DeepMind。對許多主要自主系統公司來說，更好的模擬需求是他們正在做的事情的核心。例如在自駕車領域，Waymo 使用 Google DeepMind 的世界模型來測試與評估其駕駛模型。理論上，這種技術將使 Waymo 在新地區部署車輛所需的數據收集減少，這是在擴展自動駕駛技術時一個關鍵成本。建立並使用這些模型來測試機器人， arguably 是一組與開發自駕車不同的技能，而 Antioch 希望為那些沒有足夠資金自行完成的較新公司建立解決這個問題的平台。這些較小的公司也沒有足夠的資金去建立物理測試場地或駕駛裝滿感測器的車輛數百萬英里。Mellsop 表示：「產業中絕大多數都不使用模擬，而我相信我們現在才開始清楚明白，我們需要更快前進。」Antioch 的執行長將他們的產品與流行的 AI 動力軟體開發工具 Cursor 相比較。Antioch 讓機器人開發者可以快速建立他們硬體的多個數位實例，並連接到模擬感測器，這些感測器會模擬機器人軟體在現實世界中會收到的相同數據。這些環境讓開發者可以測試邊緣案例、進行強化學習，或產生新的訓練數據。當然前提是，模擬的準確度足夠高。這裡的挑戰是確保模擬中的物理與現實相符，這樣當模型被賦予實際機器的控制權時，才不會出錯。該公司從 Nvidia、World Labs 等機構建立的模型開始，並建立專門領域的庫來使其更易於使用。執行長表示，與多個客戶合作，讓他們獲得 Antioch 在精煉其模擬方面的深度脈絡，這是單獨一家物理 AI 公司無法達到的。Category Ventures 的合夥人 Çağla Kaymaz 告訴 TechCrunch：「軟體工程與大型語言模型（LLMs）所發生的變化，現在才剛開始在物理 AI 上出現。我們在開發工具上做了很多工作，我們很喜歡這個垂直領域，但挑戰是不同的。在軟體領域，你可以有這些糟糕的編碼工具，風險通常只限於數位世界。但在物理世界，風險要高得多。」Antioch 目前的重點主要在於感測器與感知系統，這在自動駕駛車與卡車、農業與建設機械，或空中飛行器上佔據最大需求。將物理 AI 廣泛應用於複製人類任務的通用機器人還遠遠未到達。雖然 Antioch 的說法是針對創業公司，但他們的一些早期合作對象已經是正在大量投資機器人的大型跨國企業。Adrian Macneil 對這個領域有深入的了解。他在自駕車創業公司 Cruise 擔任高階主管時，建立了該公司的數據基礎設施，並在 2021 年創辦了 Foxglove，這家公司為物理 AI 創業公司提供類似的數據管道。Macneil 作為天使投資人支持 Antioch。他在舊金山舉行的 Ride AI 大會上表示：「當你試圖建立一個安全案例或處理非常高準確度的任務時，模擬非常重要。在現實世界中無法開足夠多的里程數。」Macneil 希望看到與 SaaS 革命一樣的工具出現，來支持物理 AI，例如 GitHub、Stripe 和 Twilio 這類平台。他告訴 TechCrunch：「我們需要更多完整的工具鏈可以即開即用。」Mellsop 表示：「我們認為在兩到三年內，任何人要建立一個現實世界的自主系統，都會主要在軟體上進行。這是第一次讓自主代理能在物理自主系統上進行迭代，並實際關閉反饋循環。」目前已經有一些實驗朝這個方向進行。MIT 計算機科學與人工智慧實驗室的研究員 David Mayo 正在使用 Antioch 的平台來評估大型語言模型（LLMs）。在一個實驗中，Mayo 讓 AI 模型設計機器人，然後使用 Antioch 的模擬器來測試它們。甚至可以讓這些模型在模擬比賽中對抗，例如把對手機器人推下平台。為大型語言模型提供一個現實的沙盒，可能會幫助建立一種新的評估標準。然而，在 AI 工程師的世界到來之前，還有很多工作要做，才能縮小數位模型與現實世界之間的差距。如果能做到這一點，開發者將能夠建立 Macneil 認為是成功領導者如 Waymo 的關鍵——數據飛輪，其中工程師越來越有信心，下個月的模型會比上個月的更強大。如果其他公司想要複製這種成功，他們就需要自己建立這些工具——或買下它們。