這家模擬新創公司致力於成為「物理人工智慧」的先驅

物理人工智慧的願景，是讓工程師能夠像編寫數位代理程式那樣輕鬆地編程物理代理程式。

我們尚未達到這個階段。機器人技術仍受限於實體世界數據的嚴重匱乏。為了訓練機器，企業必須搭建模擬倉庫進行測試；與此同時，整個產業已然崛起，專門負責監控生產線與零工，並蒐集數據來訓練用於機器人操作的深度學習模型。

模擬技術提供了一條替代途徑。真實環境的詳細虛擬複製品，能為機器人專家提供所需的可擴展數據與測試場地。

初創公司 Antioch 致力於為機器人開發者打造模擬工具，旨在彌合產業中的「模擬與現實鴻溝」——這項挑戰在於建立逼真到足以讓在其中受訓的機器人，能在實體世界中可靠運作的虛擬環境。

「我們該如何最大限度地縮小這道鴻溝，讓自主系統從其視角來看，無法分辨模擬與現實的差異？」Antioch 執行長兼共同創辦人哈利·梅爾索普（Harry Mellsop）表示。

為推進此目標，該公司宣布完成850萬美元種子輪融資，公司估值達6,000萬美元。本輪融資由風險投資公司 A* 和 Category Ventures 領投，MaC Venture Capital、Abstract、Box Group 及 Icehouse Ventures 參與投資。

梅爾索普於去年五月與四位共同創辦人共同創立了這家總部位於紐約的公司。其中兩人——亞歷克斯·朗舒爾（Alex Langshur）與麥可·卡爾維（Michael Calvey）——曾與他共同創辦安全與情報新創公司 Transpose，該公司後來被 Chainalysis 收購。另外兩位創辦人柯林·施拉格（Collin Schlager）與科爾頓·斯溫格爾（Colton Swingle），則分別擁有 Google DeepMind 和 Meta Reality Labs 的工作背景。

對先進模擬技術的需求，是許多主要自動駕駛企業工作的核心。以自動駕駛為例，Waymo 便利用 Google DeepMind 的世界模型來測試與評估其駕駛演算法。這種方法理論上能減少在新的區域部署車輛所需的龐大數據收集工作，而這正是技術擴展過程中的重大成本。

建立並運用這些模型進行機器人測試，所需的技能與開發自駕車截然不同。Antioch 旨在打造一個平台，為那些缺乏資金自行開發所有系統的新創公司解決此問題。這些小型業者也無力負擔建造實體測試設施，或讓配備感測器的車輛累積數百萬英里的行駛里程。

「業界絕大多數企業根本不使用模擬技術，而我們需要加速進展這一點已日益明朗，」梅爾索普表示。

安提奧克的高層將其產品比作廣受歡迎的 AI 驅動軟體開發工具 Cursor。該平台允許機器人製造商啟動其硬體的多個數位實例，並連接至模擬感測器以重現真實世界的數據流。這些環境使開發人員能夠測試邊界案例、進行強化學習，並生成新的訓練數據。

然而，這取決於模擬能否達到高保真度。核心挑戰在於確保虛擬物理特性與現實相符，使控制實際機器的模型能無縫運作。Antioch 基於 Nvidia、World Labs 等公司的模型，建立領域專用的函式庫以提升易用性。透過與多家客戶合作，該公司獲得了廣泛的應用情境來優化其模擬技術，這是單一實體 AI 公司無法獨力達成的。

「我們在軟體工程和大型語言模型（LLMs）領域所見的現象，如今正開始在物理人工智慧領域上演，」Category Ventures 合夥人 Çağla Kaymaz 告訴 TechCrunch。「我們高度重視開發者工具並熱愛這個領域，但面臨的挑戰截然不同。在軟體領域，劣質的編碼工具所帶來的風險主要局限於數位領域；但在物理世界中，風險代價要高得多。」

Antioch 目前主要聚焦於感測器與感知系統，這正是自動駕駛車輛、農業與建築機械，以及空中無人機的關鍵需求。至於通用機器人複製人類任務的更宏大願景，目前仍較為遙遠。儘管目標客群是新創公司，但 Antioch 最早期的客戶中，不乏已在機器人領域投入龐大資金的大型跨國企業。

艾德里安·麥克尼爾（Adrian Macneil）在此領域擁有深厚的專業知識。身為自動駕駛新創公司Cruise的高階主管，他在2021年創立Foxglove之前，曾為該公司建置數據基礎架構；Foxglove現為實體AI新創公司提供類似的數據管道工具。麥克尼爾同時也是安提奧克的天使投資人。

「模擬技術對於建立安全案例或處理高精度任務至關重要，」他在舊金山的 Ride.AI 會議上表示。「單靠實際道路行駛的里程根本無法滿足需求。」

麥克尼爾希望看到物理人工智慧領域出現基礎工具，類似於曾推動 SaaS 革命的 GitHub、Stripe 和 Twilio 等平台。「我們需要更多完整的工具鏈能直接開箱即用，」他補充道。

「我們真心相信，在未來兩到三年內，任何開發實體自主系統的人，主要都會透過軟體來實現，」梅爾索普表示。「自主代理首次能夠在實體系統上進行迭代，並真正閉合反饋迴路。」

相關實驗已然展開。麻省理工學院電腦科學與人工智慧實驗室的研究員大衛·梅約（David Mayo）正利用 Antioch 的平台來評估大型語言模型（LLMs）。在一項測試中，AI 模型負責設計機器人，這些機器人隨後會在 Antioch 的模擬器中接受評估。這些模型甚至能參與模擬競賽，例如將對手機器人推下平台。為大型語言模型提供一個逼真的沙盒環境，有望建立評估其能力的新典範。

在人工智慧工程師的時代來臨之前，仍有大量工作需要完成，以彌合數位模型與現實之間的鴻溝。若能成功，開發者將能建立一個強大的數據飛輪。麥克尼爾認為，這個飛輪是 Waymo 等領先企業成功的關鍵，在那裡，工程師們越來越確信，每個新模型的迭代都將超越前一個版本。

對於其他希望複製此成功模式的公司而言，面臨的抉擇將是：自行開發這些工具，抑或直接購置現成解決方案。