编者按：在人工智能浪潮席卷全球的今天，物理AI正成为下一个技术突破的焦点。想象一下，工程师们能像编写软件一样轻松编程机器人，让它们在真实世界中自主执行任务——这不仅是科幻场景，更是无数科技公司追逐的梦想。然而，现实却面临巨大挑战：缺乏真实环境数据、高昂的硬件测试成本，以及虚拟与现实的“模拟到真实”鸿沟。一家名为Antioch的初创公司正试图用仿真技术打破困局，近日更以6000万美元估值获得850万美元种子轮融资。这背后折射的，不仅是资本对物理AI赛道的狂热，更是整个行业从“软件定义”迈向“物理智能”的关键转折。当仿真技术能无限逼近现实，机器人开发是否会像手机APP一样普及？我们或许正站在新时代的门口。

物理AI的承诺在于，工程师将能够像编程数字智能体一样编程物理智能体。

但我们尚未到达那个阶段。机器人技术仍受限于物理空间数据的匮乏。为了训练机器，公司需要搭建模拟仓库来测试设备，同时整个行业正围绕监控生产线和零工工人而兴起，以训练深度学习模型来操作机器人。

另一种选择是仿真；真实环境的精细虚拟副本可以为机器人专家提供以可扩展方式进行这项工作所需的数据和工作空间。

Antioch是一家为机器人开发者构建仿真工具的初创公司，希望弥合行业所谓的“模拟到现实差距”——即让虚拟环境足够逼真，使得在其中训练的机器人能在物理世界中可靠运行的挑战。

“我们如何尽最大努力缩小这一差距，从你的自主系统视角让仿真感觉就像真实世界一样？”Antioch首席执行官兼联合创始人哈里·梅尔索普说道。

为此，该公司今日向TechCrunch透露，已完成850万美元的种子轮融资，估值达6000万美元。此轮融资由风投公司A*和Category Ventures领投，MaC Venture Capital、Abstract、Box Group和Icehouse Ventures参与跟投。

梅尔索普于去年五月与四位联合创始人在纽约创立了这家公司。其中两位联合创始人亚历克斯·兰舒尔和迈克尔·卡尔维曾与他共同创立了安全与情报初创公司Transpose，并以未公开的金额将其出售给Chainalysis。另外两位——科林·施拉格和科尔顿·斯温格尔——此前分别任职于谷歌DeepMind和meta Reality Labs。

对更好仿真的需求，正是许多主要自动驾驶公司所做工作的核心。例如，在自动驾驶汽车领域，Waymo使用谷歌DeepMind的世界模型来测试和评估其驾驶模型。理论上，这种技术将使Waymo车辆在新区域部署时所需的数据收集工作减少，这是扩展自动驾驶汽车技术的一项关键成本。

构建和使用这些模型来测试机器人，可以说与创建自动驾驶汽车所需的技能组合不同。Antioch希望构建一个平台，为那些没有足够资本自行完成所有工作的新兴公司解决这个问题。这些较小的公司也没有资本去建造物理测试场地，或者驾驶布满传感器的汽车行驶数百万英里。

“绝大多数行业根本不使用仿真，我认为我们现在才真正清楚地认识到，我们需要加快步伐，”梅尔索普说。

Antioch的高管将其产品比作Cursor，那款流行的人工智能驱动软件开发工具。Antioch允许机器人构建者启动其硬件的多个数字实例，并将其连接到模拟传感器，这些传感器模仿机器人的软件在现实世界中会接收到的相同数据。这些环境使开发人员能够测试边缘案例、执行强化学习或生成新的训练数据。

前提是，仿真必须具有足够高的保真度。这里的挑战在于确保仿真中的物理特性与现实匹配，这样当模型被置于真实机器的控制之下时，才不会出错。该公司从英伟达、World Labs等公司构建的模型入手，并构建特定领域的库，使其易于使用。高管们表示，与多家客户合作使Antioch在完善其仿真方面获得了深厚的背景理解，这是任何一家单一的物理AI公司无法独自匹敌的。

“软件工程和大型语言模型所经历的事情，才刚刚开始在物理AI领域发生，”Category Ventures的合伙人恰拉·凯马兹告诉TechCrunch。“我们在开发工具方面做了很多工作，我们热爱这个垂直领域，但挑战是不同的。对于软件，你可能拥有这些糟糕的编码工具，风险通常仅限于数字世界。在物理世界，风险要高得多。”

Antioch目前主要专注于传感器和感知系统，这占据了自动驾驶汽车和卡车、农业和建筑机械或空中无人机领域的大部分需求。让物理AI驱动通用机器人复制人类任务的愿景则更为遥远。尽管Antioch的目标客户是初创公司，但其最早的一些合作方已经是那些在机器人领域投入巨资的大型跨国公司。

阿德里安·麦克尼尔对这个领域有深刻的理解。作为自动驾驶初创公司Cruise的高管，他构建了该公司的数据基础设施，并于2021年创立了Foxglove，这家公司为物理AI初创公司提供同类型的数据管道。麦克尼尔作为天使投资人支持Antioch。

“当你试图构建安全案例或处理高精度任务时，仿真确实非常重要，”他在周三于旧金山举行的Ride.AI会议上表示。“在现实世界中驾驶足够多的里程是不可能的。”

麦克尼尔希望看到推动SaaS革命的那种工具——如Github、Stripe和Twilio等平台——能够涌现出来支持物理AI。“我们需要更多的整个工具链能够现成可用，”他告诉TechCrunch。

“我们真心都认为，任何为现实世界构建自主系统的人，主要将在两到三年内通过软件来实现，”梅尔索普说。“这是第一次，你可以让自主智能体在物理自主系统上进行迭代，并真正形成反馈闭环。”

这个方向已经有了一些实验。麻省理工学院计算机科学与人工智能实验室的研究员大卫·梅奥正在使用Antioch的平台来评估大型语言模型。在一项实验中，梅奥让人工智能模型设计机器人，然后使用Antioch的模拟器进行测试。它甚至可以让模型在模拟竞赛中相互对抗，比如将对手机器人推下平台。为大型语言模型提供一个逼真的沙盒，可能有助于为它们的基准测试提供新的范式。

然而，在AI工程师的世界到来之前，要弥合数字模型与现实世界之间的差距，还有更多的工作要做。如果能够实现，开发人员将能够创建麦克尼尔认为是像Waymo这样的行业领导者成功关键的那种数据飞轮，工程师们越来越有信心，下个月的模型将比上一个更强大。

如果其他公司想要复制这种成功，他们需要自己构建这些工具——或者购买它们。