Esta startup de simulación quiere ser el cursor de la física AI

La promesa de la IA física es que los ingenieros podrán programar agentes físicos de la misma manera que programan agentes digitales.

Aún no hemos llegado a ese punto. La robótica todavía se ve obstaculizada por la falta de datos del espacio físico. Para entrenar máquinas, las empresas necesitan construir maquetas de almacenes para probarlas, mientras que toda la industria ha iniciado esfuerzos para entrenar modelos de aprendizaje profundo para operar robots, especialmente monitoreando líneas de fábrica y trabajadores autónomos.

Otra opción es la simulación. Las réplicas virtuales detalladas de entornos del mundo real podrían proporcionar a los robóticos los datos y el espacio de trabajo que necesitan para realizar este trabajo de forma escalable.

Antioch, una startup que desarrolla herramientas de simulación para desarrolladores de robots, quiere cerrar lo que la industria llama la «brecha entre la simulación y la realidad»: el desafío de hacer entornos virtuales lo suficientemente realistas como para garantizar que los robots entrenados en ellos puedan operar de manera confiable en el mundo físico.

«¿Cómo podemos reducir esa brecha y hacer el mejor trabajo para que la simulación parezca el mundo real desde la perspectiva de los sistemas autónomos?» dijo Harry Melsop, cofundador de Antioch.

Con ese fin, la compañía dijo hoy a TechCrunch que ha recaudado una ronda inicial de $ 8,5 millones con una valoración de $ 60 millones, liderada por las empresas de riesgo A* y Category Ventures, con participación adicional de MaC Venture Capital, Abstract, Box Group e Icehouse Ventures.

Melsop fundó la empresa con sede en Nueva York con cuatro cofundadores el pasado mes de mayo. Dos de los otros fundadores, Alex Langshur y Michael Calvey, se unieron a él para cofundar y vender la startup de seguridad e inteligencia Transpose to Chainaosis por un monto no revelado. Los dos restantes, Collin Schlager y Colton Swingle, trabajaron en Meta Reality Labs y Google DeepMind, respectivamente.

La necesidad de una mejor simulación es el núcleo en el que están trabajando muchas grandes empresas municipales. Por ejemplo, en el ámbito de los vehículos autónomos, Waymo utiliza el modelo mundial de Google DeepMind para probar y evaluar sus modelos de conducción. En teoría, esta tecnología reduciría la recopilación de datos necesaria al implementar vehículos Waymo en nuevas regiones, reduciendo costos clave al ampliar la tecnología de vehículos autónomos.

Construir y usar estos modelos para probar robots probablemente requiera un conjunto de habilidades diferente al de crear autos autónomos, y Antioch quiere construir una plataforma que resuelva ese problema para las nuevas empresas que no tienen el capital para hacerlo todo internamente. Estas pequeñas empresas tampoco tienen el capital para construir sitios de prueba físicos o conducir millones de millas en automóviles equipados con sensores.

«La gran mayoría de la industria no utiliza simulación en absoluto, y creo que estamos en un punto en el que entendemos claramente que necesitamos avanzar más rápido», dijo Melsop.

Los ejecutivos de Antioch comparan su producto con Cursor, una popular herramienta de desarrollo de software basada en inteligencia artificial. Antioch permite a los constructores de robots lanzar múltiples instancias digitales de hardware y conectarlas a sensores simulados que imitan los mismos datos que recibe el software del robot en el mundo real. Estos entornos permiten a los desarrolladores probar casos extremos, realizar aprendizaje por refuerzo y generar nuevos datos de entrenamiento.

Es decir, si la fidelidad de la simulación es lo suficientemente alta. El desafío aquí es asegurarse de que la física en la simulación coincida con la realidad para que nada salga mal cuando el modelo se asigne a una máquina real. La empresa comienza con modelos creados por Nvidia, World Labs y otros y crea bibliotecas de dominios específicos para que sean más fáciles de usar. Trabajar con múltiples clientes le brinda a Antioch un contexto profundo para refinar sus simulaciones, lo que, según los ejecutivos, no es posible con una sola empresa de inteligencia artificial física.

«Lo que sucedió con la ingeniería de software y los LLM es exactamente lo que está empezando a suceder con la IA física», dijo a TechCrunch Çağla Kaymaz, socio de Category Ventures. «Trabajamos mucho con herramientas de desarrollo y nos encanta este espacio, pero los desafíos son diferentes. Con el software, puedes tener estas herramientas de codificación de mala calidad, pero los riesgos suelen ser mucho menores en el mundo digital. En el mundo físico, los riesgos son mucho mayores».

Actualmente, Antioch se centra principalmente en sensores y sistemas de percepción, que representan la mayoría de las necesidades de automóviles y camiones autónomos, equipos agrícolas y de construcción o drones. La aspiración de que la IA física impulse robots de uso general que repliquen tareas humanas está aún más lejos. Aunque Antioch está apostando por empresas emergentes, algunos de sus primeros trabajos fueron con grandes empresas multinacionales que ya estaban invirtiendo fuertemente en robótica.

Adrian McNeil tiene un conocimiento sólido de este campo. Fue ejecutivo de la startup de conducción autónoma Cruise, donde construyó la infraestructura de datos de la empresa, y en 2021 fundó Foxglove, una empresa que proporciona canales de datos similares a las startups físicas de IA. McNeil apoya a Antioch como inversor ángel.

«La simulación es muy importante cuando se trata de garantizar la seguridad o cuando se trata de tareas de muy alta precisión», dijo el miércoles en la conferencia Ride AI en San Francisco. «Es imposible conducir lo suficientemente lejos en el mundo real».

McNeil espera que surjan los mismos tipos de herramientas que impulsaron la revolución SaaS (plataformas como GitHub, Stripe y Twilio) para respaldar la IA física. «Necesitamos que toda la cadena de herramientas disponible en el mercado esté disponible en mayores cantidades», dijo a TechCrunch.

«Todos realmente creemos que las personas que construyen sistemas autónomos para el mundo real los construirán principalmente en software dentro de dos o tres años», dice Melsop. «Esta es la primera vez que podemos iterar agentes autónomos en un sistema físico autónomo y, de hecho, cerrar el ciclo de retroalimentación».

Ya se han realizado experimentos en este sentido. David Mayo, investigador del Laboratorio de Inteligencia Artificial y Ciencias de la Computación del MIT, está utilizando la plataforma de Antioch para evaluar los LLM. En un experimento, Mayo hizo que un modelo de IA diseñara un robot y lo probara usando el simulador de Antioch. También puedes enfrentar a tus modelos entre sí en concursos simulados, como expulsar robots rivales de la plataforma. Proporcionar un entorno de pruebas realista para los LLM podría proporcionar un nuevo paradigma para la evaluación comparativa de los LLM.

Sin embargo, antes de que llegue el mundo de los ingenieros de IA, todavía queda mucho trabajo por hacer para cerrar la brecha entre los modelos digitales y el mundo real. Eso permitiría a los desarrolladores crear el tipo de volante de datos que McNeil cree que es clave para el éxito de líderes de categorías como Waymo, y los ingenieros confían cada vez más en que el modelo del próximo mes será más capaz que el del mes pasado.

Si otras empresas quieren replicar ese éxito, tendrán que construir esas herramientas ellas mismas o comprarlas.