机器人仿真平台 Antioch 获 850 万美元种子轮融资
物理 AI 的愿景是让工程师能够像编程数字代理一样编程物理代理，但现实仍存在显著差距——物理空间数据的匮乏正在制约机器人行业的发展。为训练机器，企业不得不建造模拟仓库、监视工厂流水线、采集小哥工作数据，这催生了整个数据采集产业。
仿真提供了一条可行路径：用高保真的真实世界虚拟副本，为机器人开发者提供可扩展的训练数据和测试环境。Antioch 正是一家致力于此的创业公司，其目标是弥合行业所称的"sim-to-real gap"（仿真到现实的差距），即如何让虚拟环境足够逼真，使在其中训练的机器人能在物理世界中可靠运行。
"我们如何才能最大程度缩小这个差距，让仿真从自主系统的角度来看，感觉就像真实世界一样？" Antioch 首席执行官兼联合创始人 Harry Mellsop 如是说。
核心融资与团队背景
Antioch 近日宣布完成 850 万美元种子轮融资，估值达 6000 万美元，由 A* 和 Category Ventures 领投，MaC Venture Capital、Abstract、Box Group 和 Icehouse Ventures 参投。
这家总部位于纽约的公司于去年 5 月由五位联合创始人共同创立。创始人团队背景亮眼：
- Harry Mellsop（CEO）与 Alex Langshur、Michael Calvey 曾共同创立安全与情报初创公司 Transpose，后被区块链数据公司 Chainalysis 收购
- Collin Schlager 前 Google DeepMind 工程师
- Colton Swingle 前 Meta Reality Labs 工程师
仿真为何成为行业刚需
当前，自动驾驶领域已率先重视仿真价值。以 Waymo 为例，其使用 Google DeepMind 的世界模型来测试和评估驾驶系统——理论上，这项技术能减少在新地区部署车辆时的数据采集需求，从而降低扩展成本。
然而，构建机器人仿真平台所需的技能集，与打造自动驾驶汽车有本质区别。Antioch 希望为缺乏重资产投入能力的新兴公司提供解决方案：它们既无资金建造实体测试场地，也无力让装配传感器的测试车辆行驶数百万英里。
Mellsop 直言："行业内绝大多数公司根本不用仿真，我认为我们现在才刚刚真正认识到，必须加快这一进程。" Antioch 将其产品对标 AI 编程工具 Cursor——机器人开发者可快速启动多个硬件的数字孪生实例，连接模拟传感器，模拟真实世界中机器人软件接收的同类型数据。在此环境中，开发者可测试边缘案例、执行强化学习或生成新的训练数据。
高保真物理引擎是这一切的前提。Antioch 基于 Nvidia、World Labs 等公司的模型构建，并开发领域专用库以降低使用门槛。公司表示，与多家客户合作积累的深度场景理解，是单一物理 AI 公司无法比拟的优势。
物理 AI 开发者工具链的机遇
Category Ventures 合伙人 Çağla Kaymaz 打了个形象的比喻："软件工程与 LLM 发生的一切，正在物理 AI 领域重演。我们非常看好开发者工具这个垂直领域，但挑战截然不同——在软件领域，糟糕的编程工具风险基本局限于数字世界；而在物理世界，stakes 要高得多。" 当前 Antioch 的核心关注点是传感器和感知系统，这在自动驾驶卡车、农业/建筑机械和空中无人机领域需求最大。物理 AI 驱动通用人形机器人完成人类任务的愿景，仍需更长时间才能实现。
自动驾驶初创 Cruise 前数据基础设施高管、现 Foxglove 创始人 Adrian Macneil 作为天使投资人支持了 Antioch。他在 Ride.AI 大会上表示："当你试图构建安全案例或处理高精度任务时，仿真真的非常重要。在现实世界中，你不可能驾驶足够多的里程。" Macneil 期待看到类似 GitHub、Stripe、Twilio 推动 SaaS 革命的开发者工具平台出现。"我们需要更多整条工具链能够开箱即用。" Mellsop 预测："我们真心认为，任何为现实世界构建自主系统的人，主要将在两到三年内通过仿真来完成。这是第一次，你能让自主代理在物理自主系统上迭代，并真正闭环反馈。"
MIT 研究人员的实验
麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究员 David Mayo 正在利用 Antioch 平台对大语言模型进行评估。实验中，AI 模型负责设计机器人，再通过 Antioch 的模拟器进行测试。更有趣的是，系统可以让不同模型设计的机器人在模拟环境中进行对抗，比如把对手机器人推出平台。给大语言模型一个逼真的沙盒环境，有望成为全新的基准测试范式。
数字孪生与现实世界的鸿沟
不过，在 AI 工程师时代全面来临之前，仍有大量工作要做——关键在于弥合数字模型与现实世界之间的差距。如果这一难题得以解决，开发者就能构建 Macneil 所说那种"数据飞轮"，这正是 Waymo 等行业领军者成功的核心：工程师们越来越相信，下个月的模型一定比现在更强。
构建还是购买
其他公司若想复制 Waymo 的成功路线，面临的选择很明确：要么自主搭建这套工具体系，要么直接采购现成方案。
评论