物理 AI 的願景是工程師能以編寫數位代理程式的相同方式，來程式化物理代理。但目前尚未實現。機器人技術仍受限於物理空間數據短缺。企業需興建模擬倉庫來測試機器，同時衍生出監視工廠生產線及零工以訓練深度學習模型的產業。另一途徑是模擬技術，即建構真實世界的詳細虛擬複本，提供機器人開發者可擴展的數據及工作空間。 Antioch 這家專為機器人開發者打造模擬工具的初創公司，旨在縮小業界所稱的「模擬到現實」（sim-to-real）差距——即讓虛擬環境逼真到足夠，使其內訓練的機器人在物理世界可靠運作。
「我們如何盡力縮小這差距，讓模擬從自主系統視角感覺宛如真實世界？」Antioch 執行長兼共同創辦人 Harry Mellsop 表示。公司今日宣布完成 850 萬美元種子輪融資，估值達 6000 萬美元，由 A* 及 Category Ventures 主導，MaC Venture Capital、Abstract、Box Group 及 Icehouse Ventures 等參與。
Mellsop 於去年 5 月與四位共同創辦人於紐約創立公司。其中 Alex Langshur 及 Michael Calvey 曾助其創辦安全及情報初創 Transpose，並以未公開金額售予 Chainalysis；其餘 Collin Schlager 及 Colton Swingle 分別曾在 Google DeepMind 及 Meta Reality Labs 任職。
模擬工具填補機器人開發缺口
更好模擬需求是多數主要自主公司核心工作。例如自駕車領域，Waymo 使用 Google DeepMind 的世界模型測試駕駛模型，理論上可減少新區域部署所需數據收集，從而降低擴展自主車輛技術的關鍵成本。建構及運用這些模型測試機器人，與開發自駕車所需技能不同，Antioch 希望為無力自行建置的中小企業提供解決方案。這些公司缺乏資金興建實體測試場或駕駛配備感測器的車輛數百萬英里。
「業界大多未使用模擬，我們現在清楚需加速前進，」Mellsop 說。 Antioch 高層將其產品比作 AI 驅動軟件開發工具 Cursor，讓機器人開發者啟動多個數位硬體實例，並連接模擬感測器，模擬真實世界數據。這些環境可用於測試邊緣案例、強化學習或生成訓練數據，前提是模擬保真度足夠。挑戰在於確保模擬物理與現實匹配，避免真實機器出錯。公司以 Nvidia 及 World Labs 等模型為基礎，建構領域特定程式庫便於使用。
與多客戶合作，提供單一物理 AI 公司無法匹敵的模擬精煉脈絡。「軟件工程及大型語言模型（LLMs）的變革，正開始發生在物理 AI，」Category Ventures 合夥人 Çağla Kaymaz 表示。「開發工具挑戰不同，軟件壞工具風險限於數位世界；物理世界風險更高。」 Antioch 現聚焦感測器及感知系統，涵蓋自動駕駛車輛、卡車、農機、工程機械及空中無人機等需求。
通用機器人複製人類任務的願景仍遙遠。雖主攻初創，其最早客戶包括已大量投資機器人的跨國巨頭。Cruise 前高層 Adrian Macneil（現 Foxglove 創辦人，提供物理 AI 數據管道）以天使投資人身分支持 Antioch。「模擬對建構安全案例或高精度任務至關重要，現實世界無法駕駛足夠里程，」他在舊金山 Ride.AI 會議表示。他期望出現如 Github、Stripe 及 Twilio 等推動 SaaS 革命的工具，支持物理 AI 全工具鏈即插即用。
「我們相信兩至三年內，所有真實世界自主系統將主要在軟件中建構，」Mellsop 說。「這是首次讓自主代理迭代物理系統並閉合反饋迴圈。」MIT 電腦科學及人工智慧實驗室研究員 David Mayo 已用 Antioch 平台評估 LLMs，讓 AI 模型設計機器人後於模擬器測試，甚至模擬對抗如推對手下平台。提供逼真沙盒或許帶來 LLMs 新評測範式。MIT 研究員 David Mayo 使用 Antioch 平台評估 LLMs，讓 AI 模型設計機器人後於模擬器測試，甚至模擬對抗賽如推對手下平台
。此逼真沙盒或許帶來 LLMs 新評測範式。關閉數位模型與現實差距仍有大量工作，但若成功，開發者將打造數據飛輪，如 Waymo 領先者般，讓工程師對下月模型更具信心。其他公司欲複製成功，需自建或採購這些工具。
