软件和硬件的迭代周期往往相差很大。软件一个月内可以更新好几个版本，而一款硬件产品的换代，往往需要数月甚至数年。
软件之所以迭代快，一个原因是它的反馈闭环非常紧密，开发者修改代码、进行测试、总结经验并反复迭代，这个循环可以在短时间内重复许多次。
正是这种闭环使Devin和Cursor这样的coding agent能够在该领域实现自主操作。它们降低了数字世界的创新门槛，提高了创新速度。
硬件，也有这种闭环，但它的闭环运行速度慢得多。其中一个重要的短板，就是测试。在真实世界中测试机器人、无人机和传感器，不仅进度缓慢、成本高昂，有时甚至伴随着危险（自动驾驶）。
Antioch正在为物理AI构建验证器（verifier），这个验证器有望补上硬件开发闭环里的测试短板，为物理AI开发引入软件级的迭代速度。
近日，Antioch完成由Greylock领投的3200万美元A轮融资，A*、Category Ventures、BoxGroup及Icehouse Ventures参投，其它个人投资者还包括Palantir 首席技术官Shyam Sankar、Foxglove首席执行官Adrian Macneil，以及NVIDIA高管兼前Groq高管Ian Andrews。
Antioch想成为“物理AI的Cursor”，让AI也能像开发软件一样，调整物理系统的软件、模型和硬件配置，运行测试、分析失败，再继续改进。
物理AI的Cursor，如何让机器像软件一样迭代？
AI研究员Andrej Karpathy有一个著名的项目，叫autoresearch。它让coding agent自主修改模型训练代码、运行实验，并根据验证指标决定是否保留修改，再继续下一轮尝试。
这种模式在一些领域运行得相当好，例如Coding和数学。因为这些领域让智能体拥有可直接操作的底层载体，以及值得信赖的反馈信号。
例如，在形式化数学中，命题和证明被写成机器可检查的形式后，验证器就能检查推导是否成立，为AI的反复尝试提供明确反馈，这也是AI在数学领域突飞猛进的底层原因之一。
但这种模式此前在机器人等物理AI领域难以实现，因为在它的迭代循环中，很难低成本地获得这种反馈信号。
对机器人进行修改，无论是换上新的传感器（相机、雷达），还是重新训练策略和技能，最终都需要通过实际硬件验证效果。这些物理测试会消耗大量的时间、设备和工程资源，已成为该行业最大的瓶颈之一。
Antioch的创始核心团队包括Harry Mellsop、Alex Langshur、Michael Calvey、Collin Schlager和Colton Swingle。
前三人曾共同创办Transpose，并将其出售给Chainalysis。Harry还曾在Tesla Autopilot从事计算机视觉研发；Collin在Meta Reality Labs积累了仿真、机器学习和硬件经验；Colton曾在Google DeepMind负责利用仿真开展软件大规模验证的项目。
Antioch的核心团队，图片来源：Antioch
为了让物理AI研发能够持续获得低成本、可规模化的反馈，Antioch做的事情是构建一个验证器。本质上，它是一个能在上机实测前，预测某项修改是否能切实改善物理系统的开发环境。
Antioch认为，一个合格的验证器必须成本足够低以支持持续运行，具备扩展至数千个并行场景的能力，同时准确度必须足以指导真实的工程决策。
在具体做法上，他们将客户的硬件、传感器、软件、模型、环境及运行约束条件，统一整合到一个仿真与评估环境中。
研发团队可以创建场景，在云端并行运行评估、排查故障，再将实测结果与仿真结果对照，持续校准仿真器。
更进一步，这可以让AI智能体调整感知模型、规划算法、控制器、传感器配置或机械设计；在数千种条件下进行测试；明确哪些性能得到提升、哪些出现回退，进而决定下一步的尝试方向。
在技术路线上，Antioch现阶段将经典仿真与学习型世界模型的方法结合：经典仿真根据几何形状、运动规律、硬件规格和传感器布局，建立系统及环境的模型，模拟已知的物理行为；学习型世界模型（learned world models）则用于从真实数据中学习难以用规则准确描述的传感器行为、复杂交互及传统模型遗漏的物理效应，缩小仿真与真实系统之间的差距。两者共同构成用于测试和评估的仿真环境。
例如，电机在发热或老化后，实际表现会发生变化，这些细节可能没有被仿真准确还原。机器人在现实中运行，就能暴露这些偏差。团队再将真实数据反馈给仿真器进行校准，让它后续生成的数据也更接近实际情况。
这一路线的选择，来自经典仿真与学习型世界模型各自的现实限制。
经典仿真具备可控性与可解释性，且无需依赖庞大的真实世界数据集。团队可以自由调整环境、硬件和运行条件，而无需预先在现实中采集所有样本。
其局限性在于逼真度不足。手工构建的模型难以处理物理世界中最难精确描述的部分：涉及复杂接触的机器人操作、可变形物体，以及非受控环境中的细微交互。
端到端的学习型世界模型可以直接从数据中学习物理系统及其环境将对特定动作作出何种响应。只要有足够多的代表性数据，学习型模型就能捕捉到人工极难编程实现的系统行为。
但现在的问题是数据不足，物理数据的采集成本高且耗时长。其中绝大多数数据反映的是正常运行状态，故障和边缘场景的数据极为稀缺。而那些最关键的场景，往往是最难获取、最危险或成本最高的。
Antioch认为，端到端的学习型世界模型是最终会胜出的技术路径。随着可用数据不断增加，两者之间的边界也在推移。学习组件将取代显式近似值，仿真器中更大比例的部分可以进行联合训练。
Antioch的平台打通了“真实-仿真-真实”（real-to-sim-to-real）的闭环，持续改进并重新训练仿真器——在提升逼真度的同时，推动向端到端学习型世界模型的演进。
在实际开发中，客户的研发团队可以利用 Antioch 实现三大核心目标：
持续评估。每一项修改在上机前，都能针对所有的边缘场景进行彻底测试。已修复的故障还能沉淀为测试场景，在后续代码提交时自动重测，防止旧问题再次出现。
加速开发。工程师与智能体可以随时修改系统、查看结果、诊断故障并验证改进效果，无需等待下一次物理测试计划。
合成数据生成。团队可以生成代表罕见故障、极端环境、新硬件配置等场景的大规模数据集，而这些数据在真实世界中往往成本高昂、不切实际或存在危险。
Antioch的解决方案覆盖四类场景：
地面自主系统，帮助移动机器人测试复杂现场和多机器人运行中的故障；
空中自主系统，验证无人机在不同天气及定位、通信异常条件下的表现；
工业自主系统，在现场部署前比较机器人、夹具、传感器和控制软件的不同组合；
智能感知，测试安防、巡检系统在弱光、遮挡、眩光等条件下的识别表现，排查误报与漏报。
在智能感知领域，Antioch已与Amazon旗下的Ring展开合作。
Ring首席产品官Jason Mitura表示：“Antioch 的仿真结果与我们的物理测试结果高度吻合，甚至在我们刻意预留未做校准的场景中也是如此。这种可靠性让我们有信心将更多测试和开发工作转移到仿真环境中，从而减少对昂贵物理测试项目的依赖，缩短工程周期，并让我们的团队能专注于为客户提供更好的产品。”
Antioch联合创始人Alex Langshur表示：“Antioch是首个能在单一仿真环境中打通自主系统从设计、验证到大规模部署全流程的平台。”
他们正在将仿真技术从一项高度垂直的专业能力，转化为物理 AI 团队可以持续用于开发、测试和改进其系统的通用工具。
当物理AI迎来自己的autoresearch时刻
AI时代，竞争优势越来越取决于团队缩短创新周期的能力。coding agent已让软件开发走向自主化、并行化，物理AI也在等待自己的autoresearch时刻。
自动化研究需要能交付工作的智能体、可直接操作的实验环境和可信反馈。此前我们介绍的Inherent尝试补上科研“大脑”，Antioch则补足物理世界的实验与反馈环境。当这些条件具备，智能体就能持续承担从方案设计、测试到改进的工程任务，让自动化研究的能力延伸到产品交付。
Antioch将类似Waymo、Tesla和Wayve的数据飞轮做成产品，让没有500万辆测试车（Tesla）的公司也能用真实故障校准仿真、寻找改进方案，再通过实测验证，持续积累开发能力。
当物理AI的autoresearch系统逐渐完善，创业门槛也会降低：初创团队可以减少搭建模拟仓库、租房测试家庭机器人的投入，让同样的预算支持更多尝试，让更多细分需求成为产品。
从Antioch这类公司的技术思路中，也可以看到世界模型的一个重要应用方向：拟真与验证。真实数据帮助仿真器还原复杂的物理行为，仿真器则让研发团队能够大规模测试和改进系统。围绕这一过程，系统接入、传感器校准、场景生成和评估分析都蕴含创业机会。将这些环节做成开箱即用的产品，能让更多团队直接获得开发能力，减少从头自建工具的投入。
中国拥有制造供应链、丰富的应用场景，以及正在研发和落地的具身智能产品。随着机器人进入工厂和家庭，研发团队需要应对的现场问题越来越多，对开发和验证工具的需求也会随之增长。
这为中国创业者提供了两类机会：构建支撑行业的开发工具，以及借助这些工具，以更小的团队、更低的成本开发新的具身智能产品。让物理世界拥有软件级的创新速度，也正是在为下一次工业革命构建基础。
本文来自微信公众号 “阿尔法公社”（ID：alphastartups），作者：发现非凡创业者的，36氪经授权发布。
2条评论