Physicl raises $10M to make the digital world real enough for robots

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Physicl은 Inovia Capital 주도로 시드 투자 1,000만 달러를 유치하고, nfinite에서 축적한 3D 제작 기술을 로봇과 월드 모델의 학습용 고충실도 시뮬레이션 및 합성 데이터 생성에 활용한다.

📌 핵심 요약

• 창업자이자 CEO인 Alex de Vigan은 지난 10년간 전자상거래용 3D 모델 제작 기업 nfinite를 구축했으며, 생성형 AI의 부상으로 기존 사업이 압박받자 해당 팀과 기술을 물리 AI에 활용하는 Physicl을 설립했다.
• 물리 AI 연구자들은 영상 학습의 성과에 대한 실망과 원격 조작을 통한 데이터 수집 비용에 직면해 있다. Physicl은 정확한 형상·재질·물리를 갖춘 시뮬레이션으로 이러한 학습 문제를 해결하려 한다.
• Physicl은 어려운 예외 상황에 대한 모델의 사후 학습에 집중하며, 1만 개 3D 환경과 10만 개 자산을 갖춘 Studio를 출시한다. 사용자는 복잡한 조리대나 그림자 속 컵을 로봇이 식별하도록 돕는 합성 학습 데이터를 만들 수 있다.
• 초기 고객인 SpAItial은 2D 이미지에서 3D 시뮬레이션을 생성하는 자사 제품의 충실도를 높이기 위해 Physicl과 협력했다. SpAItial의 최신 제품 Echo-3는 기사 게재 전주에 출시됐으며, CEO Matthias Niessner는 고충실도 합성 데이터가 학습에 필요했다고 설명했다.
• Physicl은 데이터 공급을 넘어 지속적인 합성 데이터 생성 도구를 지향한다. De Vigan은 대규모 이미지·라이다 데이터를 3D 표현과 수십억 가지 변형으로 전환하는 구상을 제시했고, Niessner는 Claude가 학습 상태에 따라 필요한 데이터를 자동 생성하는 방식에 기대를 나타냈다.

🧩 주요 포인트

1. 생성형 AI가 nfinite의 기존 사업을 압박 → 축적된 3D 제작 기술을 로봇의 공간·물체 이해를 지원하는 사업으로 전환.
2. 영상 학습의 한계와 데이터 수집 비용 → Studio로 특정 예외 상황을 재현하고 사후 학습 데이터를 생성하는 데 집중.
3. SpAItial과의 협력 및 지속 생성 도구 구상 → 고정된 데이터 공급을 넘어 모델의 학습 상태에 맞춰 데이터를 보충하는 역할을 추구.

🧠 상세 정리

1. 전자상거래용 3D 기술에서 물리 AI로 전환

Physicl은 Inovia Capital이 주도한 시드 투자에서 1,000만 달러를 유치했으며, 더 현실적인 시뮬레이션으로 월드 모델 개발자와 로봇 제작자의 학습 문제를 해결하려 한다. 창업자이자 CEO인 Alex de Vigan은 지난 10년간 브랜드와 소매업체가 상품의 3D 모델을 만들고 온라인에 전시하도록 돕는 nfinite를 구축했다. 트랜스포머 기반 AI 모델이 등장하자 nfinite는 생성형 이미지에 더 집중하게 됐지만, 그는 기존 팀과 3D 환경 렌더링 기술의 새로운 용도를 발견했다. 자신의 회사가 차별화했던 3D 작업을 AI가 대체하는 한편, AI에는 공간과 물체를 이해하고 상호작용하며 조작하는 능력이 부족하다는 판단이 사업 전환의 출발점이었다.

2. 로봇 학습 데이터의 한계와 시뮬레이션의 과제

다양한 작은 물체를 다루는 등 로봇의 수행 능력을 높이려는 물리 AI 연구자들은 영상으로 모델을 학습시키는 방식의 성과에 실망해 왔다. 원격 조작으로 데이터를 수집하는 방법 역시 비용이 부담이며, 디지털 세계의 시뮬레이션이 유망한 대안으로 여겨진다. 다만 시뮬레이션이 실제 세계의 물리 법칙을 충실하게 반영하도록 만드는 일은 여전히 어렵다. De Vigan은 nfinite가 구축한 파이프라인이 비정형적이고 불완전하며 서로 다른 현실 정보를 정확한 형상·재질·물리를 갖춘 고충실도 물리 표현으로 바꿀 수 있다고 설명한다. 그는 이 기술을 물리 AI 모델의 효과를 높이는 데 활용할 수 있다고 보며, 이는 Physicl이 제시하는 해결 방향이다.

3. 경쟁 시장에서 Studio와 예외 상황 학습에 집중

Physicl은 기반 모델 개발사와 로봇 운영자에게 데이터와 도구를 제공하려는 스타트업이 밀집한 시장에 진입한다. De Vigan도 이 분야가 매우 초기 단계이며 때로는 경계가 불분명하다고 인정했고, 여러 기업은 고객이 로봇 성능을 끌어올릴 방법을 찾는 동안 다양한 형태의 데이터를 수집·라벨링·생성하고 있다. Physicl은 그중에서도 어려운 예외 상황에 대한 모델의 사후 학습에 초점을 맞춘다. 출시하는 Studio에는 1만 개 3D 환경과 여러 물체를 나타내는 10만 개 자산이 포함되며, 사용자는 장면을 구성해 특정 문제에 필요한 합성 데이터를 생성할 수 있다. 예를 들어 복잡한 조리대 위나 그림자 속에 놓인 컵을 식별하는 데 어려움을 겪는 로봇의 학습 데이터를 만드는 용도다.

4. 초기 고객 SpAItial이 제시한 활용 근거

월드 모델 개발사 SpAItial은 초기 고객으로 Physicl과 협력해 자사 제품의 충실도를 높이고자 했다. SpAItial의 도구는 2D 이미지에서 3D 시뮬레이션을 생성하며, 최신 제품 Echo-3는 기사 게재 전주에 출시됐다. 창업자이자 CEO인 Matthias Niessner는 이 작업을 효과적으로 수행하려면 Physicl이 제공하는 종류의 고충실도 합성 데이터로 학습할 필요가 있었다고 설명했다. 이 사례는 Physicl의 데이터가 로봇 제작자뿐 아니라 월드 모델 개발자의 학습에도 활용된다는 점을 보여준다. 다만 기사에서 제시되는 근거는 협력 사례와 고객의 설명이며, Physicl 데이터가 제품 성능을 얼마나 높였는지에 대한 정량적 결과는 제시되지 않는다.

5. 데이터 공급을 넘어 지속적인 생성 도구로

Physicl은 완성된 데이터를 제공하는 기업을 넘어, 고객이 합성 데이터를 계속 생성할 수 있도록 하는 도구가 되려 한다. De Vigan은 10년 전 구축했던 기술을 돌아보면 비정형 정보를 고충실도 3D로 바꾸는 에이전트형 작업 흐름이었다고 설명한다. 그가 그리는 활용 방식은 고객이 수조 장의 이미지나 수백만 시간의 라이다 수집 데이터를 플랫폼에 넣고, 이를 고품질 3D 표현으로 전환하는 것이다. 이렇게 만든 표현에서 수십억 가지 변형을 생성해 모델 학습에 활용할 수 있다는 구상이다. 이러한 대규모 입력과 변형 생성은 그가 제시한 미래 활용상이며, 기사에서 해당 규모의 처리가 이미 수행됐다고 확인한 것은 아니다.

6. 학습 상태에 맞춘 자동 데이터 생성의 기대

뮌헨 공과대학교 로봇공학 교수이기도 한 Niessner는 데이터를 사람이 직접 선별해야 하는 것이 실제로 큰 과제이며, 이 과정에 오랜 시간이 걸린다고 말했다. 그가 매력적으로 보는 방식은 필요한 데이터를 그때그때 생성해 학습에 활용하는 것이다. 예로 든 흐름에서는 Claude가 실행 중인 학습 상태를 살펴 특정 종류의 데이터가 더 필요하다고 판단하고, 그 필요에 따라 데이터를 자동 생성한다. Niessner는 이러한 접근에 큰 기대를 나타내며 Physicl이 제공하는 것이 바로 이 방식이라고 설명했다. 기사의 마지막 논점은 개별 데이터의 충실도에서 나아가, 학습 중 드러나는 데이터 수요에 맞춰 생성 과정을 이어가는 도구로 Physicl을 바라보는 고객의 기대에 있다.

🧾 핵심 주장 / 시사점

• Physicl의 사업 전환은 생성형 AI가 압박한 기존 서비스에서 축적한 기술이 다른 AI 분야의 학습 문제를 해결하는 자산으로 재활용될 수 있음을 보여준다.
• Studio의 차별화 방향은 데이터의 규모만이 아니라 복잡한 배치와 그림자처럼 특정 실패 조건을 재현하고 사후 학습에 활용하는 데 있다.
• 지속적인 데이터 생성 구상이 구현된다면 Physicl의 역할은 데이터 공급에서 모델의 학습 상태에 대응하는 도구로 확장될 수 있다. 기사에서는 이러한 기대와 별개로 성능 개선의 정량적 검증 결과는 제시하지 않는다.

✅ 액션 아이템

• 로봇의 어려운 예외 상황에 Studio의 1만 개 3D 환경과 10만 개 자산을 활용할 수 있는지 검토.
• SpAItial과 Physicl의 협력 사례를 바탕으로 고충실도 합성 데이터의 월드 모델 학습 적용 가능성 평가.
• Claude가 학습 상태에 따라 필요한 데이터를 자동 생성하는 구상과 Physicl의 지속적인 합성 데이터 생성 도구 방향 검토.

❓ 열린 질문

• Physicl의 정확한 형상·재질·물리를 갖춘 시뮬레이션은 영상 학습의 한계와 원격 조작 데이터 수집 비용을 얼마나 개선할 수 있는가?
• Studio의 1만 개 3D 환경과 10만 개 자산은 복잡한 조리대나 그림자 속 컵 식별 같은 예외 상황을 얼마나 충실하게 재현할 수 있는가?
• Claude가 학습 상태에 따라 필요한 데이터를 자동 생성하는 방식은 Physicl의 지속적인 합성 데이터 생성 도구에서 어떻게 작동하는가?