仿真工具能否解锁物理智能时代
物理智能的愿景是将工程师从数字世界的编程逻辑中解放出来，让他们能够以相同的方式为物理智能体编写程序。然而现实是，机器人领域至今仍被物理空间数据的匮乏所困。
为了让机器完成训练，企业不得不自建模拟仓库以测试设备，同时一个围绕工厂产线和零工经济建立的数据采集产业正在兴起。这些方案成本高昂且难以规模化。
仿真技术提供了一条可行的替代路径。通过构建现实环境的详细虚拟副本，机器人开发者可以在数字世界中获取足量数据和训练场景。
初创公司 Antioch 正是瞄准这一机会。这家总部位于纽约的创业公司专注于为机器人开发者打造仿真工具，试图弥合业界所说的“仿真到现实”差距。即如何让虚拟环境足够逼真，使在其中训练的机器人能够在物理世界中可靠运行。
“我们能做的，就是尽一切可能缩小这一差距，让仿真环境从自动驾驶系统的角度看，与现实世界别无二致。”Antioch 联合创始人 Harry Mellsop 表示。
为此， Antioch 近日完成了 850 万美元种子轮融资，公司估值达到 6000 万美元。本轮由 A* 与 Category Ventures 联合领投， MaC Venture Capital 、 Abstract 、 Box Group 和 Icehouse Ventures 跟投。
Mellsop 于去年 5 月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 曾携手创立安全与情报初创公司 Transpose ，后出售给 Chainalysis 。另外两位联合创始人 Collin Schlager 和 Colton Swingle 分别来自 Meta Reality Labs 和 Google DeepMind 。
提升仿真保真度是许多头部自动驾驶公司的核心工作。以 Waymo 为例，该公司正利用 Google DeepMind 的世界模型对驾驶算法进行测试和评估。从理论上讲，这种技术能够减少在新地区部署 Waymo 车辆时的数据采集需求。而这正是扩大自动驾驶技术规模的关键成本所在。
对于资本有限的初创公司而言，构建自主的全套仿真能力并非易事。相较于打造一辆自动驾驶汽车，建立并运用这些模型来测试机器人需要一套截然不同的技术积累。 Antioch 试图成为解决这一问题的一站式平台。这些小型企业既无力建造实体测试场地，也无法让装备大量传感器的测试车辆行驶数百万英里。
Mellsop 表示“业内绝大多数公司至今从未使用过仿真工具。我想我们现在才真正清楚地认识到，必须加快步伐。”
Antioch 将自身产品定位为机器人领域的 Cursor，那款备受欢迎的 AI 驱动软件开发工具。通过 Antioch ，机器人建造商可以同时启动多个硬件的数字实例，并将其连接到模拟传感器上，模拟机器人在现实世界中接收的同类数据。这些虚拟环境让开发者得以测试边缘案例、执行强化学习或生成新的训练数据。
所有这些的前提是仿真具有足够高的保真度。真正的挑战在于确保仿真中的物理特性与现实完全吻合。否则当模型接管真实机器时，后果将不堪设想。 Antioch 以 Nvidia 、 World Labs 等公司构建的模型为基础，搭建领域专用函数库以提升易用性。公司与多家客户的合作经验为其提供了深度场景积累，这是任何单一物理智能公司都无法独立实现的。
“软件工程与大语言模型领域发生的一切，正在物理智能领域重演。”Category Ventures 合伙人 Çağla Kaymaz 对 TechCrunch 表示。“我们在开发者工具领域投入了大量工作，非常看好这个垂直方向，但挑战截然不同。在软件开发中，你使用一个糟糕的编程工具，风险通常还能控制在数字世界内。而在物理世界，赌注要高得多。”
Antioch 目前的重点主要放在传感器和感知系统领域，这类系统占据了自动驾驶汽车与卡车、农业与建筑机械以及空中无人机的大部分需求。物理智能驱动通用机器人复制人类任务的愿景仍需更长时间才能实现。尽管 Antioch 的核心客户是初创企业，但其最早的接洽方中不乏已在机器人领域重金投入的大型跨国企业。
Adrian Macneil 对这一领域有着深刻的理解。他曾在自动驾驶初创公司 Cruise 担任高管，负责构建公司的数据基础设施，并于 2021 年创立了 Foxglove，一家为物理智能初创公司提供同类数据管道的公司。 Macneil 以天使投资人身份投资了 Antioch 。
“在尝试构建安全论证或处理高精度任务时，仿真的价值极为关键。”他在周三于旧金山举行的 Ride AI 大会上表示。“在现实世界中行驶足够多的里程是不可能的。”
Macneil 期望看到曾推动 SaaS 革命的同类工具能够涌现，以支持物理智能的发展，就像GitHub 、 Stripe 、 Twilio 式的平台。“我们迫切需要更多工具链能够以现成可用的形式提供。”他告诉 TechCrunch 。
“我们真心相信，任何为现实世界构建自动驾驶系统的团队，将在两到三年内将大部分工作转移到软件仿真环境中完成。”Mellsop 说。“这是第一次能够让自动驾驶智能体在一个物理自动驾驶系统上迭代，并真正闭环反馈。”
这一方向已有探索者实践。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 正利用 Antioch 平台评估大语言模型。在一项实验中， Mayo 让 AI 模型设计机器人，再用 Antioch 的仿真器进行测试。他甚至能让不同模型在模拟竞赛中对决，例如将对手机器人推下平台。给大语言模型一个逼真的沙盒环境，或将为模型评测提供全新范式。
然而在 AI 工程师的时代真正到来之前，弥合数字模型与现实世界之间的差距仍有大量工作要做。如果这一目标得以实现，开发者将能够构建起 Macneil 所认为的那种数据飞轮——而这正是 Waymo 等行业领军者成功的关键：工程师们越来越确信，下个月的模型将比上个月更强大。
如果其他企业想要复制这种成功，要么自行构建这些工具，要么从外部购买。
创艺洞察
当数据成为物理智能的瓶颈，仿真便从“可选项”变为“必选项”。 Antioch 的机会在于，它正在为行业搭建一张通往标准化的底层基础设施，就像 Stripe 之于支付、 Twilio 之于通信。但这场竞速的真正决胜点，不在于谁先建好平台，而在于谁能在高保真仿真与现实世界之间搭建起最稳固的桥梁。对投资人和创业者而言，与其追逐大模型的叙事泡沫，不如关注那些正在解决物理智能“最后一公里”问题的底层工具公司。谁能率先让“仿得真、用得上”成为现实，谁就将握住通往下一阶段竞争的入场券。
