Physicl ha anunciado una ronda semilla de 10 millones de dólares liderada por Inovia Capital para desarrollar herramientas de simulación y datos sintéticos orientados al entrenamiento de robots. La compañía parte de una dificultad que limita el despliegue de la llamada IA física: un modelo puede reconocer un objeto en una imagen, pero manipularlo con seguridad exige entender geometría, materiales, sombras, fricción y variaciones que cambian en cada entorno.
La startup ha presentado Studio, un producto con miles de entornos tridimensionales y activos digitales para construir escenas de entrenamiento. Su propuesta es que los equipos de robótica generen datos para casos concretos sin tener que recoger a mano todas las imágenes y demostraciones dentro de una nave, un almacén o una tienda. Esa recogida de datos reales suele ser lenta, cara y difícil de repetir cuando cambia el proceso.
La carrera por los robots útiles se está desplazando del hardware visible a la calidad de los datos con los que aprenden a actuar. Una pinza no necesita solo detectar una taza: debe saber diferenciarla de un reflejo, calcular dónde agarrarla y reaccionar si hay otro objeto delante. Cuanto más parecida sea la simulación a la situación final, menor es la distancia entre el laboratorio y un turno de trabajo.
Physicl fue creada por Alex de Vigan, anterior responsable de nfinite, una empresa centrada en la generación de modelos 3D para comercio electrónico. El nuevo proyecto reutiliza parte de esa experiencia para construir representaciones físicas de productos y espacios. La empresa plantea que las simulaciones detalladas pueden complementar los vídeos, la teleoperación y los datos capturados por sensores, no sustituirlos por completo.
El sector conoce bien el problema de la brecha entre simulación y realidad. Un robot puede completar una tarea en un entorno digital perfectamente ordenado y fallar cuando encuentra una bolsa arrugada, una iluminación irregular o una caja que cambia de posición. Por eso los equipos suelen dedicar semanas a probar excepciones que no aparecieron en la demostración inicial.
El valor de los datos sintéticos no está en multiplicar imágenes, sino en reproducir los errores y las excepciones que más dinero cuestan en operación. Para una empresa logística, puede ser una etiqueta parcialmente tapada. En alimentación, un envase flexible. En una planta industrial, una pieza con reflejos o tolerancias distintas. Esos casos determinan si la automatización reduce trabajo repetitivo o añade una nueva fuente de paradas.
La financiación de Physicl se inserta en un mercado poblado por proveedores de simulación, etiquetado y plataformas de datos para modelos de mundo. La competencia será intensa porque fabricantes de software industrial y grupos de robótica también intentan ofrecer herramientas similares. La capacidad de integrarse con sensores, modelos y flujos de validación existentes será tan importante como la calidad visual de los escenarios generados.
Para las compañías españolas con almacenes, fábricas o servicios de campo, la noticia apunta a una forma más prudente de evaluar la IA física. Antes de comprar un robot generalista conviene seleccionar una tarea con métricas claras, enumerar las excepciones y decidir qué datos pueden utilizarse sin comprometer seguridad ni propiedad industrial. La simulación puede acelerar ese análisis, pero no elimina la necesidad de pruebas supervisadas en el entorno real.
La ronda no garantiza que Physicl resuelva por sí sola la complejidad de la robótica. Aun así, confirma una tendencia importante: el entrenamiento de máquinas dejará de depender tanto de grabar cada situación una por una. Las empresas que logren construir mundos digitales creíbles y medir sus límites tendrán una ventaja al llevar la IA desde la pantalla hasta los procesos físicos.
