← Zurück zum Blog
Aica. 6 Min. Lesezeit

Physicl verkauft 10,000 Räume. Die Roboter brauchen die Ecken.

Veröffentlicht 8. Nov. 2026
Physicl verkauft 10,000 Räume. Die Roboter brauchen die Ecken.

Physicl hat am 6. November $10 million Seed-Kapital eingesammelt, angeführt von Inovia Capital, mit US Venture Partners als weiterem Geldgeber. Am selben Tag ging Studio in die Beta, eine Anwendung, die 3D-Szenen erzeugt und als Trainingsdaten exportiert.

Das klingt wie ein Dutzend anderer Firmen, bis man liest, was Studio tatsächlich ausliefert. Zehntausend vorgebaute 3D-Umgebungen. Hunderttausend Objekt-Assets, die sich platzieren, tauschen und umstellen lassen. Einstellbares Licht, Materialien und Kamerafahrten. Und zu jeder Szene kommen die Labels mit: Tiefenkarten, Objektsegmentierung, Kamerapositionen.

Die Labels sind das Produkt. Die Bilder sind die Verpackung.

Die Tasse auf der Arbeitsfläche

Alex de Vigan, Gründer und CEO von Physicl, erklärt die Zielkundschaft anhand einer Küche. Ein Haushaltsroboter erkennt eine Tasse auf einer leeren Arbeitsfläche. Stellt man etwas davor, sodass die Hälfte verdeckt ist, oder geht die Sonne unter und die Schatten im Raum verschieben sich, dann findet derselbe Roboter sie nicht mehr.

Genau dieses Versagen ist der Grund, warum es die Firma gibt, und es ist leicht zu verstehen, warum das noch niemand gelöst hat. Ein Datensatz mit einer Tasse auf einer sauberen Arbeitsfläche ist billig zu sammeln. Ein Datensatz derselben Tasse hinter einer Cornflakes-Packung um 16:40 Uhr im November, in einer Küche mit Fenster nach Westen, ist teuer zu inszenieren und in freier Wildbahn praktisch nicht zu finden.

Physicl behauptet, man könne diese Küche in normaler Sprache beschreiben, die Variablen so lange anpassen, bis sie zu dem beobachteten Fehler passen, und dann ein paar tausend Varianten mit Ground Truth exportieren. Ground Truth heißt hier etwas Konkretes: Das System hat die Szene gebaut, also weiß es genau, wo jede Fläche und jedes Objekt liegt. Kein Mensch hat eine Maske um die Tasse gezeichnet. Kein Labeler hat die Tiefe geraten.

Von Hand annotiertes Echtdrehmaterial ist langsam, teuer und auf eine Art falsch, die sich fortpflanzt. Eine synthetische Szene ist auf eine Art falsch, die das System benennen kann.

Was in Studio wirklich steckt

Die Beta kommt mit 10,000 Umgebungen für Innenräume und reale Settings, mehr als 100,000 Assets und, so die Firma, Milliarden möglicher Szenenvariationen. Man kann mit einer Umgebung aus der Bibliothek starten oder die Szene beschreiben, an der das eigene Modell scheitert.

Der Ablauf ist so unspektakulär, wie nützliche Werkzeuge meistens sind. Szene auswählen oder beschreiben. Licht, Kamerawinkel, Objektplatzierung anpassen. Synthetische Bilder oder Videos zum Trainieren exportieren. Wiederholen.

Die Liste der Stellschrauben ist der Ort, an dem die Ingenieursarbeit steckt. Fotorealismus ist nicht mehr der schwierige Teil; ein Diffusionsmodell liefert eine schöne Küche. Schwierig ist, dass die schöne Küche keine Ahnung hat, wie weit die Arbeitsfläche von der Linse entfernt ist, und ein darauf trainiertes Tiefenschätzmodell nichts gelernt hat.

Eine Kundenzahl, und wer sie erhoben hat

Der einzige namentlich genannte frühe Kunde ist SpAItial, ein World-Model-Unternehmen unter Leitung von Matthias Niessner, Professor an der Technischen Universität München. Die Modelle von SpAItial bauen aus 2D-Bildern begehbare 3D-Räume. Laut Physicl sank der Rekonstruktionsfehler auf echten Räumen um mehr als die Hälfte, als die synthetischen Daten in den Trainingsmix von SpAItial kamen.

Zwei Dinge sollte man in diesem Satz auseinanderhalten. Das Ergebnis hat der Anbieter gemeldet. Die Evaluation hat der Kunde durchgeführt, was besser ist als eine Demo des Anbieters und trotzdem kein unabhängiger Benchmark. Ein Kunde, eine Aufgabe, eine Kennzahl.

Niessners eigene Beschreibung des Engpasses ist nützlicher als die Zahl. Die Kuratierung ist Handarbeit, sagte er zu TechCrunch, und der Zyklus ist lang. Ihn interessiert, Daten im laufenden Betrieb zu erzeugen, gesteuert davon, was der Trainingslauf gerade falsch macht: Das Modell meldet, dass es mehr Beispiele für eine bestimmte Bedingung braucht, und die Daten erscheinen.

Das ist ein anderes Produkt als eine statische Asset-Bibliothek, und darauf sagt Physicl, arbeite man hin. De Vigan beschreibt Kunden, die Billionen Bilder oder Millionen Stunden LIDAR einspielen, in 3D-Repräsentationen umwandeln und Milliarden Permutationen erzeugen. Die Firma nennt außerdem Meta, World Labs, Epic Games, AWS, NVIDIA und die TUM unter ihren Arbeiten.

Lesen Sie diese Liste als Pipeline, nicht als Empfehlung. Die Namen belegen, dass Physicl in die richtigen Gebäude verkauft.

Der Teil, den die Pressemitteilung weglässt

Physicl hat weder Bewertung noch Preise noch Umsatz offengelegt. Studio ist in der Beta kostenlos für Robotikentwickler, Universitäten und Labore, was der übliche Weg ist, Design-Partner zu kaufen, bevor es einen Preis gibt.

Das Feld ist voll und die Grenzen sind unscharf. Firmen sammeln echte Daten, labeln echte Daten, erzeugen synthetische Daten, verkaufen Simulationsengines, verkaufen Robotik-Foundation-Models, und immer öfter drei davon gleichzeitig. De Vigan räumt das direkt ein: Der Bereich ist sehr jung und manchmal sehr unscharf.

Zum Geschäft gehört auch eine strukturelle Frage. Wenn der Wert in gezielten Post-Training-Daten für bestimmte Fehler liegt, dann ist das ideale Ergebnis für den Kunden, weniger zu scheitern, weniger Daten zu brauchen und irgendwann aufzuhören zu kaufen. Dateninfrastrukturfirmen leben mit dieser Spannung. Manche lösen sie, indem sie zum Werkzeug werden, und genau das sagt Physicl, wolle man sein: das System, das ein Team weiterlaufen lässt, während sich seine Modelle ändern, statt ein Anbieter, der Dateien liefert.

Ob Kunden das so sehen, hängt davon ab, wie der Export funktioniert. Ein Team, das Studio als Einmalkauf behandelt, läuft es einmal, nimmt die Daten und geht. Ein Team, das es in eine Trainingsschleife einbaut, in der jede Evaluationsrunde eine Schwäche findet und der nächste Datenbatch genau darauf zielt, hat ein Abo auf einen Prozess gekauft. Physicls Argument funktioniert nur im zweiten Fall, und dafür braucht das Produkt eine Automatisierung, die es in einer Beta nicht gibt.

Warum das ein Datenproblem ist und kein Rechenproblem

Die Robotikbranche streitet seit zwei Jahren über Embodiment, Modellarchitektur und Aktionsrepräsentationen. Physicls Argument ist stumpfer. Sprachmodelle hatten das Internet. Roboter haben nichts Vergleichbares: kein Archiv von Griffen, Navigationen und Rettungen aus Millionen echter Haushalte und Lagerhallen.

Es gibt drei Wege, diese Lücke zu schließen, und jeder hat seine Kostenstruktur. In der realen Welt sammeln: genau, langsam und schlecht bei seltenen Ereignissen, weil seltene Ereignisse selten sind. Teleoperieren: hohe Qualität, und es verbraucht menschliche Stunden im direkten Verhältnis zur Datenmenge. Simulieren: billig und skalierbar, aber nur nützlich, wenn sich die simulierte Welt wie die echte verhält.

Die Sim-to-Real-Lücke ist die ganze Wette. Physicl argumentiert, die Lücke sei schmaler als gedacht, wenn die Assets korrekte Geometrie, Materialien und Physik mitbringen, und die verbleibende Distanz lasse sich schließen, indem man genau die Bedingungen erzeugt, an denen ein Modell bricht.

Ob das hält, entscheidet kein Launch. Mehr Kundenevaluationen über verschiedene Modellfamilien und Aufgaben hinweg würden es entscheiden. Bis dahin lautet die ehrliche Zusammenfassung: $10 million Seed haben eine plausible Antwort auf einen echten Engpass gekauft, plus eine Beta mit 10,000 Räumen darin.

Die Roboter werden es uns sagen. Sie tun es immer, irgendwann, in einer Küche um 16:40 Uhr.

Verwandte Artikel