这家仿真初创公司想成为物理AI领域的"Cursor"

物理AI的核心愿景，是让工程师能够像开发数字软件一样，对物理智能体进行编程。

然而现实情况远未达到这一目标。机器人技术的发展仍受制于物理环境数据的严重匮乏。为了训练机器人，企业不得不搭建仿真仓库进行测试，与此同时，一整个产业正围绕着监控工厂生产线和零工工人悄然兴起，目的是收集数据来训练驱动机器人的深度学习模型。

仿真技术提供了另一条路径——对真实环境进行高度还原的虚拟复刻，有望以可规模化的方式，为机器人研究人员提供所需的数据与测试空间。

初创公司Antioch专注于为机器人开发者构建仿真工具，致力于弥合业界所说的"仿真到现实的鸿沟"——这一挑战的核心在于：如何让虚拟环境逼真到足以让在其中训练的机器人，在真实世界中也能可靠运行。

"我们如何尽可能地缩小这个差距，让仿真环境从自主系统的视角看起来就像真实世界？"Antioch的CEO兼联合创始人Harry Mellsop说道。

为此，该公司今日向TechCrunch透露，已完成一轮850万美元的种子融资，估值达6000万美元，本轮融资由风险投资机构A*和Category Ventures领投，MaC Venture Capital、Abstract、Box Group和Icehouse Ventures跟投参与。

Mellsop于去年5月与四位联合创始人共同在纽约创立了这家公司。其中两位创始人Alex Langshur和Michael Calvey曾与他共同创办安全与情报初创公司Transpose，并以未披露的金额将其出售给Chainalysis。另外两位——Collin Schlager和Colton Swingle——此前分别任职于Google DeepMind和Meta Reality Labs。

对更高质量仿真技术的需求，是众多主流自动驾驶公司战略布局的核心所在。以自动驾驶汽车领域为例，Waymo便借助Google DeepMind的世界模型来测试和评估其驾驶模型。从理论上看，这一技术将使Waymo在新区域部署车辆时所需的数据采集量大幅减少，而数据采集正是自动驾驶技术规模化的主要成本之一。

构建和使用这些模型来测试机器人，与开发自动驾驶汽车所需的能力有所不同。对于那些没有足够资本独立完成这一切的新兴企业，Antioch希望打造一个专门解决这一问题的平台。这些规模较小的公司同样没有能力建造实体测试场地，也无法驱车行驶数百万英里来采集传感器数据。

"绝大多数企业根本没有使用任何仿真技术，而我认为我们现在才真正清醒地意识到，必须加快步伐了。"Mellsop说。

Antioch的高管将其产品类比为Cursor——那款深受开发者喜爱的AI驱动软件开发工具。Antioch允许机器人开发者快速启动多个硬件的数字实例，并将其连接至仿真传感器，这些传感器能够模拟机器人软件在真实世界中所接收的数据。这些虚拟环境让开发者得以测试边缘场景、执行强化学习，或生成新的训练数据。

当然，前提是仿真的精度足够高。这里的挑战在于确保仿真中的物理规律与现实世界相符，以便当模型被部署到真实机器上时不会出现问题。Antioch以Nvidia、World Labs等公司构建的模型为基础，并开发特定领域的专属库，使这些模型更易于使用。公司高管表示，与多个客户的合作使Antioch积累了大量场景上下文，这种深度是任何单一物理AI公司都难以独自企及的。

"软件工程与大语言模型领域曾经发生的事情，正在物理AI领域刚刚开始上演。"Category Ventures合伙人Cagla Kaymaz向TechCrunch表示，"我们在开发工具领域投入了大量精力，也非常看好这个方向，但挑战性质截然不同。软件领域的糟糕编程工具，其风险通常局限在数字世界。而在物理世界中，风险的量级要高得多。"

Antioch目前的重心主要放在传感器和感知系统上，这也是自动驾驶汽车与卡车、农业与工程机械以及无人机等领域的核心需求所在。至于物理AI驱动通用机器人来复刻人类任务的宏大愿景，则仍是较为遥远的目标。尽管Antioch的目标客户定位于初创公司，但其最早的一批合作对象中，不乏已在机器人领域大举投资的跨国巨头。

Adrian Macneil对这一赛道有着深刻的理解。作为自动驾驶初创公司Cruise的高管，他曾主导构建该公司的数据基础设施，并于2021年创立了Foxglove——一家向物理AI初创公司提供同类数据管道服务的公司。Macneil目前以天使投资人身份支持Antioch。

"当你试图建立安全论证，或者处理极高精度任务时，仿真技术至关重要，"他在周三于旧金山举办的Ride.AI大会上表示，"在真实世界中行驶足够多的里程，是根本不可能实现的。"

Macneil希望看到当年推动SaaS革命的同类工具——如Github、Stripe、Twilio——在物理AI领域同样涌现出来。"我们需要整个工具链中更多的环节能够开箱即用，"他告诉TechCrunch。

"我们真心相信，在两到三年内，任何为现实世界构建自主系统的人，都将主要在软件环境中完成这项工作，"Mellsop说，"这是史上第一次，自主智能体能够对物理自主系统进行迭代，并真正形成闭环反馈。"

目前，这一方向已有一些实验性探索。麻省理工学院计算机科学与人工智能实验室的研究员David Mayo正在使用Antioch的平台评估大语言模型。在其中一项实验中，Mayo让AI模型设计机器人，再利用Antioch的仿真器对其进行测试。仿真器甚至能让不同模型之间在模拟竞技中一较高下，例如将对手机器人推离平台。为大语言模型提供一个高度逼真的沙盒环境，或许能为模型评测提供全新的范式。

然而，在AI工程师主导一切的时代真正到来之前，缩小数字模型与真实世界之间差距的工作仍任重道远。一旦这一目标得以实现，开发者将能够构建出Macneil所认为的、Waymo等领域领导者成功的关键所在——数据飞轮效应。在那里，工程师对下个月的模型将比上个月更强大充满信心。

其他公司若想复制这份成功，就必须自己构建这些工具——或者选择购买现成的。

Q&A

Q1：Antioch是一家什么公司？它要解决什么问题？

A：Antioch是一家专注于机器人仿真工具的初创公司，总部位于纽约，成立于2024年5月。它致力于解决"仿真到现实的鸿沟"问题，即让虚拟仿真环境足够逼真，使在其中训练的机器人能够在真实世界中可靠运行。目前该公司已完成850万美元种子轮融资，估值6000万美元。

Q2：Antioch的仿真平台具体能做什么？

A：Antioch允许机器人开发者快速启动多个硬件的数字实例，并连接至能模拟真实传感器数据的仿真传感器。开发者可以用这些虚拟环境测试边缘场景、执行强化学习或生成训练数据。平台以Nvidia、World Labs等公司的模型为基础，并提供特定领域的专属库，方便开发者使用，公司将其类比为物理AI领域的Cursor。

Q3：物理AI仿真技术目前面临哪些主要挑战？

A：当前物理AI仿真面临的核心挑战是确保仿真中的物理规律与真实世界一致，避免模型在真实机器上部署时出现问题。此外，绝大多数企业目前尚未使用任何仿真技术，数据匮乏也是制约机器人技术发展的主要瓶颈。相比自动驾驶等领域，通用机器人仿真的复杂度更高，实现完全逼真的仿真环境仍需大量研究投入。