物理AI的愿景是让工程师能够像编程数字代理一样，编程物理代理。

然而，目前这一目标尚未实现。机器人技术仍然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，同时一个围绕监控工厂生产线和零工以训练深度学习模型操作机器人的产业也在兴起。

另一种选择是仿真；通过构建真实环境的详细虚拟复制品，可以为机器人开发者提供所需的数据和工作空间，从而实现规模化工作。

初创公司Antioch致力于为机器人开发者打造仿真工具，目标是缩小业内所称的“仿真到现实差距”——即让机器人在虚拟环境中训练后，能够可靠地在现实世界中运行的挑战。

Antioch联合创始人Harry Mellsop表示：“我们如何最大限度地缩小这个差距，让仿真从自主系统的视角来看，感觉就像现实世界一样？”

为实现这一目标，该公司近日向TechCrunch透露，已完成850万美元的种子轮融资，估值达6000万美元，融资由风险投资公司A*和Category Ventures领投，MaC Venture Capital、Abstract、Box Group和Icehouse Ventures也参与其中。

Mellsop于去年五月在纽约与四位联合创始人共同创立了Antioch。其中两位联合创始人Alex Langshur和Michael Calvey曾与他共同创办安全与情报初创公司Transpose，并将其出售给Chainalysis。另两位联合创始人Collin Schlager和Colton Swingle分别来自Meta Reality Labs和Google DeepMind。

更好的仿真需求是许多大型自动驾驶公司工作的核心。例如，在自动驾驶领域，Waymo利用Google DeepMind的世界模型来测试和评估其驾驶模型。理论上，这种技术能减少Waymo在新区域部署车辆时的数据采集需求，从而降低自动驾驶技术规模化的关键成本。

构建和使用这些模型来测试机器人，与制造自动驾驶汽车所需的技能有所不同。Antioch希望为资金有限的新兴公司打造解决方案，帮助它们无需自行搭建物理测试场地或驾驶装满传感器的车辆数百万英里。

Mellsop指出：“绝大多数行业根本不使用仿真，我们现在才真正意识到需要加快步伐。”

Antioch的产品被比作AI驱动的软件开发工具Cursor。它允许机器人制造商创建多个数字硬件实例，并连接模拟传感器，模拟机器人软件在现实中接收的数据。这些环境使开发者能够测试极端情况、执行强化学习或生成新的训练数据。

前提是仿真必须具备足够高的保真度。挑战在于确保仿真中的物理规律与现实一致，以避免模型控制真实机器时出现故障。公司基于Nvidia、World Labs等构建的模型，开发领域专用库以便使用。与多家客户合作使Antioch在优化仿真方面拥有其他单一物理AI公司难以匹敌的丰富经验。

Category Ventures合伙人Çağla Kaymaz表示：“软件工程和大型语言模型的变革正在物理AI领域初现端倪。我们做了很多开发工具相关的工作，喜欢这个领域，但挑战不同。软件中的坏工具风险通常局限于数字世界，而物理世界的风险更高。”

Antioch目前主要聚焦于传感器和感知系统，这些系统是自动驾驶汽车、农用和建筑机械以及无人机的核心需求。实现通用机器人以复制人类任务的物理AI目标还较为遥远。尽管Antioch的目标客户是初创企业，但其早期合作伙伴中已有多家在机器人领域投入巨资的跨国公司。

Adrian Macneil对该领域有深刻理解。作为自动驾驶初创公司Cruise的高管，他负责构建数据基础设施，2021年创立Foxglove，为物理AI初创企业提供类似的数据管道。Macneil作为天使投资人支持Antioch。

他在旧金山Ride AI大会上表示：“在构建安全案例或处理高精度任务时，仿真非常重要。现实世界中无法驾驶足够多的里程。”

Macneil希望看到类似推动SaaS革命的工具平台——如GitHub、Stripe和Twilio——在物理AI领域出现。“我们需要更多整套工具链的现成解决方案。”

Mellsop说：“我们真心相信，未来两到三年内，任何为现实世界构建自主系统的人都会主要通过软件完成。这是首次让自主代理能够迭代物理自主系统，真正闭环反馈。”

目前已有相关实验。麻省理工学院计算机科学与人工智能实验室研究员David Mayo利用Antioch平台评估大型语言模型。在一项实验中，Mayo让AI模型设计机器人，再用Antioch仿真器测试它们，甚至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真实的沙盒环境，有望开辟新的评测范式。

然而，在AI工程师大规模到来之前，数字模型与现实世界之间的差距仍需进一步弥合。如果成功，开发者将能打造Macneil所说的数据飞轮，这正是Waymo等行业领先者成功的关键，工程师们越来越有信心下个月的模型会比上个月更强大。

想复制这一成功，其他公司要么自行构建这些工具，要么选择购买。