物理人工智能的设想，是让工程师能够像编写软件代理一样编程物理代理。但在这一目标实现之前，机器人技术仍受制于现实世界数据的稀缺。

现实中，企业往往需要搭建模拟仓库、监控工厂生产线或零工工人，以收集训练深度学习模型所需的数据，从而驱动机器人系统。这一过程成本高昂且难以规模化。

在此背景下，高保真仿真被视为替代路径：通过构建真实环境的虚拟复制，为机器人开发者提供可扩展的数据来源和测试空间。

初创公司Antioch的定位

总部位于纽约的Antioch正试图在这一领域切入。公司为机器人开发者提供仿真工具，目标是缩小业内所谓的“仿真到现实差距”——即让虚拟环境在自主系统看来与真实世界足够接近，使在仿真中训练出的机器人能够在物理环境中稳定运行。

联合创始人Harry Mellsop表示，公司关注的核心问题是：如何最大限度缩小这一差距，让仿真在自主系统视角下“看起来就像现实世界”。

Antioch近日向TechCrunch披露，公司已完成850万美元种子轮融资，投后估值约6000万美元。本轮融资由风险投资机构A*和Category Ventures领投，MaC Venture Capital、Abstract、Box Group和Icehouse Ventures等参投。

Antioch成立于2023年5月，由Mellsop与四位联合创始人在纽约创办。联合创始人Alex Langshur和Michael Calvey曾与Mellsop共同创立安全与情报初创公司Transpose，并将其出售给Chainalysis（交易金额未披露）。另两位联合创始人Collin Schlager和Colton Swingle此前分别就职于Meta Reality Labs和Google DeepMind。

自动驾驶与仿真需求

对更好仿真的需求，已成为多家自动驾驶企业工作的核心组成部分。在自动驾驶汽车领域，Waymo使用Google DeepMind的世界模型测试和评估其驾驶模型。相关技术被认为有望减少在新区域部署车辆时对真实道路数据采集的依赖，而数据采集是扩展自动驾驶规模的关键成本之一。

构建并运用此类模型测试机器人，与制造自动驾驶汽车所需的能力并不相同。Antioch希望通过平台化工具，帮助资金有限的新兴公司跨过这一门槛。这类公司通常既无力建设大规模物理测试场地，也难以投入大量资源进行长距离实车测试。

Mellsop指出，目前绝大多数行业尚未系统性使用仿真工具，而对加快采用步伐的需求正在变得更加清晰。

产品形态与技术路径

Antioch管理层将其产品类比为软件开发工具Cursor，但服务对象是机器人制造商。该平台允许客户启动多个数字化硬件实例，并接入模拟传感器，这些传感器生成与现实世界中机器人软件将接收的数据相同或相近的信号。

在这些虚拟环境中，开发者可以测试边缘场景、进行强化学习训练，或生成新的训练数据。前提是仿真需要具备足够高的保真度，尤其是在物理规律与现实世界保持一致方面，以避免模型在控制真实机器时出现偏差。

据介绍，Antioch在Nvidia、World Labs等机构构建的模型基础上，开发面向特定领域的库，以降低使用门槛。通过与多家客户合作，公司积累了大量上下文信息，用于持续优化仿真效果。Antioch认为，这种跨客户的综合视角，是单一物理AI公司难以独自获得的。

Category Ventures合伙人Çağla Kaymaz在接受TechCrunch采访时表示，软件工程和大型语言模型领域的变革，正在开始出现在物理人工智能方向。她称，团队在开发工具方面有较多布局，认可这一垂直领域的潜力，但也指出，与纯软件不同，物理世界中的风险更高，工具缺陷可能带来的后果不再局限于数字空间。

目标市场与早期客户

目前，Antioch主要聚焦于传感器和感知系统相关应用，这一部分需求在自动驾驶汽车、卡车、农用和工程机械以及空中无人机等领域中占据重要比重。相比之下，利用物理人工智能驱动通用机器人、全面复制人类任务的愿景仍然较为遥远。

虽然Antioch的目标客户群以初创公司为主，但其最早一批合作伙伴中，已包括多家在机器人技术上投入巨资的跨国企业。

投资人与行业观察

对该领域有长期关注的投资人之一是Adrian Macneil。他曾在自动驾驶初创公司Cruise担任高管，负责搭建公司的数据基础设施，并于2021年创立Foxglove，为物理人工智能初创公司提供类似的数据管道。Macneil以天使投资人身份参与了对Antioch的投资。

Macneil在旧金山举行的Ride.AI大会上表示，在构建安全论证或处理高精度任务时，仿真尤为关键，因为在现实世界中积累足够多的行驶里程在实践中难以实现。他同时提到，希望看到类似Github、Stripe和Twilio在SaaS领域所扮演角色的工具，出现在物理人工智能生态中，并称行业需要更多“开箱即用”的完整工具链。

Mellsop则表示，团队相信在未来两到三年内，面向现实世界的自主系统开发将主要通过软件方式进行。他认为，这是首次有机会让自主代理对物理自主系统进行迭代，并形成闭环反馈。

研究实验与后续挑战

围绕这一方向的实验已经展开。麻省理工学院计算机科学与人工智能实验室研究员David Mayo正在使用Antioch平台评估大型语言模型。在一项实验中，他让AI模型设计机器人，再通过Antioch的仿真器对这些设计进行测试。模型还可以在模拟竞赛中相互对抗，例如尝试将对手机器人从平台上推下。

Mayo认为，为大型语言模型提供一个更接近真实的“沙盒”环境，可能有助于建立新的基准测试范式。

不过，在更多AI工程师大规模采用此类工具之前，数字模型与现实世界之间的差距仍需进一步缩小。若这一问题得到解决，开发者有望构建类似Waymo等行业参与者所依赖的数据“飞轮”机制，使工程团队对模型在短期内持续改进的预期更为明确。

对于其他希望复制类似路径的公司而言，选择将是自行搭建相关工具，或采购包括Antioch在内的第三方解决方案。