Cuando un equipo de software quiere probar un cambio de código, despliega en staging y ejecuta los tests. Todo en minutos. Cuando un equipo de robótica quiere probar un cambio de firmware, tiene que reservar el campo de pruebas, programar el robot, montarlo y ejecutar el experimento físicamente. El coste, en tiempo y dinero, es órdenes de magnitud mayor.
Antioch quiere cerrar esa brecha. La startup neoyorquina, fundada en mayo de 2025 por Harry Mellsop (ex-Tesla Computer Vision) y Alex Langshur, ha cerrado una Serie A de 32 millones de dólares liderada por Greylock. El total financiado sube a 40,5 millones. Saam Motamedi, socio de Greylock, entra en el consejo.
La propuesta de valor es concisa: Antioch construye un gemelo digital de cualquier sistema físico —el hardware, los sensores, el software y los modelos de IA que lo controlan— y lo calibra con datos reales. Una vez calibrado, el equipo puede ejecutar miles de escenarios en paralelo en la nube antes de tocar el hardware real. Antioch llama a esto un «verificador para la IA física.»
Amazon Ring es cliente. Su VP de desarrollo de software, Jason Mitura, confirmó que las simulaciones de Antioch han replicado sus resultados de pruebas físicas «incluidos en escenarios que deliberadamente dejamos fuera de la calibración.» El otro cliente nombrado es Launchpad Build AI, que fabrica sistemas de fabricación con IA.
¿Por qué la simulación de física es un problema técnico muy difícil?
Los simuladores clásicos se construyen a mano con motores 3D y solucionadores de física. Son controlables pero no capturan bien el mundo desordenado: objetos blandos, contacto impredecible, variaciones en la iluminación. Los modelos de mundo aprendidos —como los que está promoviendo Nvidia— aprenden comportamientos a partir de datos en lugar de programarlos. El problema: necesitan muchos más datos reales del mundo físico de los que la mayoría de los equipos tienen.
Antioch mezcla los dos enfoques. Programa lo que se conoce (geometría, sensores) y usa datos reales para aprender el resto. Hemos comprobado en wwwhatsnew.com que los dispositivos de IA local como el Nvidia Jetson que Ugreen usa en su HomeAgent representan exactamente el tipo de hardware físico que Antioch simularía: sensores, cámaras, procesadores de borde que toman decisiones en tiempo real. La simulación de esos sistemas antes del despliegue ahorra costes y permite probar fallos que serían peligrosos en el mundo real.
Antioch se integra con las herramientas de Nvidia para simulación —Omniverse, Isaac Sim, Isaac Lab— y trabaja con Nebius para la capacidad de cómputo. También genera datos sintéticos de fallos raros: situaciones que sería demasiado peligroso o costoso recrear físicamente. Para un sistema de cámara de seguridad como Ring, eso incluye escenarios de intrusión, condiciones de iluminación extremas y comportamientos inesperados del usuario.
La inversión de Greylock refleja una tesis más amplia sobre la IA física. Andreessen Horowitz levantó un fondo de 1.100 millones de dólares en agosto específicamente para la capa física de la IA. Amazon ha apostado por X-energy para reactores nucleares que alimenten sus centros de datos. La ejecución de modelos de IA en local —sin enviar datos a la nube— es una necesidad en robótica industrial donde la latencia y la privacidad de los procesos no permiten esperar a un servidor remoto. La simulación previa al despliegue es la manera de comprimir los ciclos de desarrollo sin asumir el riesgo de probar directamente con el hardware.
La prueba real de Antioch llegará cuando clientes más allá de Ring y Launchpad muevan una parte significativa de su ciclo de desarrollo de hardware al simulador. Por ahora, la empresa está contratando en simulación, aprendizaje automático, infraestructura, gráficos 3D y operaciones. El capital de la Serie A va al roadmap del producto y a la preparación para producción. Las empresas de IA comprometidas con infraestructuras físicas masivas —Meta con 135.000 millones en capex de IA para 2026, Google con 75.000 millones— son los usuarios finales de los robots que hoy no pueden probar tan rápido como los desarrolladores de software desean.
La comparación que hace Antioch de sí misma —y que Greylock repite— es con el entorno de desarrollo de software moderno: «velocidad de software en el mundo físico.» Es una analogía poderosa porque captura exactamente por qué la IA física ha tardado más en desarrollarse que el software: el ciclo de prueba y error cuando hay metal involucrado es incomparablemente más lento.
Lo que Antioch no menciona en sus materiales públicos —pero que es la pregunta más relevante para los inversores— es la precisión de calibración. Un simulador de robot es útil en la medida en que sus resultados en el mundo virtual predigan los resultados en el mundo real. La validación de Ring —que las simulaciones coinciden con los resultados físicos «incluyendo escenarios deliberadamente excluidos de la calibración»— es exactamente el tipo de evidencia que el mercado necesita ver. El problema es que la generalización es difícil: un simulador calibrado para las cámaras Ring funciona para las cámaras Ring; generalizar a robots de manufactura, drones de entrega o vehículos autónomos requiere calibraciones separadas y potencialmente modelos físicos muy distintos.
Los fundadores saben esto. La estrategia de «mitad programado, mitad aprendido» que describe Antioch es la respuesta pragmática al problema: en lugar de intentar simular todo el mundo físico (imposible), construir simuladores específicos de alta precisión para cada familia de sistemas y dejar que los componentes aprendidos vayan reemplazando progresivamente a los programados. Antioch tiene la tesis y el capital; la prueba real llegará cuando tenga clientes más allá de Ring y Launchpad que puedan validar la generalización.
Uno de los ángulos menos comentados de Antioch es que sus fundadores también tienen experiencia en el segmento cripto-web3: Mellsop y Langshur fundaron antes Transpose, que Chainalysis adquirió. Transpose era una plataforma de datos de blockchain —un segmento técnicamente demandante que requiere ingestión y análisis de datos en tiempo real a gran escala. Las lecciones sobre infraestructura de datos y sistemas distribuidos de esa experiencia son directamente aplicables al problema de Antioch: simular miles de escenarios de robot en paralelo es, en esencia, un problema de infraestructura de datos masiva con constraints de tiempo real. El tercer cofundador, Collin Schlager, viene de Meta Reality Labs —el laboratorio de hardware de Meta para realidad mixta— donde trabajó en simulación y hardware. Esa combinación de backgrounds —blockchain, computer vision (Mellsop en Tesla), Meta XR hardware— no es la más obvia para una empresa de simulación de robótica, pero tiene coherencia técnica que el pitch de Greylock compró.