Standard Botsは2026年10月10日(現地時間)、AIネイティブ産業用ロボットメーカーとして2億ドルのシリーズC資金調達を完了したと発表した。評価額は10億ドルに達した。同社は、製造現場での信頼性の高いAI実行に焦点を当て、既にNASA、Amazon、Lockheed Martinなどの顧客を抱えている。
Standard Botsは自らをアメリカ最大のAIネイティブ産業用ロボットメーカーと称しており、今回の調達ラウンドはGeneral Catalystとロボティクスに特化したファンドであるRoboStrategyが主導した。同社の共同創業者兼CEOのエヴァン・ベアード (Evan Beard) 氏とAI責任者のレイフ・ジェントフト (Leif Jentoft) 氏が、AIスタックの仕組みについて説明した。
Standard Botsの産業用ロボットアームは、機械操作 (machine tending)、溶接、組み立てなどのタスク向けに設計されている。ベアード氏は、顧客がデモンストレーションとファインチューニングを通じて適応させる共有ベースモデルを使用していると述べた。ジェントフト氏は、モデルのパラメータ規模は数十億で、大規模なフロンティアラボの基準では大きくないと説明。データ品質は生の量よりもはるかに重要であり、可能な限り最大のデータセットを追いかけるのではなく、ターゲットとなるデータから最大限の効果を得ることに注力しているとジェントフト氏は述べた。同社の市場アクセスが、最も価値の高いデータへのユニークなアクセスを提供しているという。
ベアード氏によると、Standard Botsはサイクルタイムと信頼性の生産要件を満たすため、短期的なタスクに注力している。学習済み動作を必要としないワークフローの部分には、従来のプログラミングを使用している。モデルの訓練はクラウドで行われるが、推論はローカルで実行されるとベアード氏は述べた。ジェントフト氏は、機械操作ソリューションでは、ゼロショットシステムによりユーザーがロボットに探し求める部品を指示できると説明した。モデルは部品の特定と位置特定といった知覚 (perception) を担当し、動作とセルロジックは従来のプログラミングが担う。このタスクのバックボーンは10億枚以上の画像で訓練されており、ロボットが照明条件、材料タイプ、背景との区別を可能にする。
Standard Botsは、ソフトウェアからハードウェアまで「フルスタック」を制御している。ジェントフト氏は、ロボットアーム、エンドエフェクター、制御システム、AIを制御することで、モデルと制御ポリシーの共最適化が可能になると指摘した。これにより、パフォーマンスとイテレーション速度の両面で大きな利点があるという。今日のモデルはハードウェアにとらわれないものではなく、低レベル制御と高レベル機能の共最適化が重要であるとの見方を示した。
推論処理はオンプレミスで行われる。ベアード氏は、顧客である工場のほとんどは信頼性の高いインターネット接続を持たないため、これは極めて重要であると述べた。ジェントフト氏は、手首カメラなどのセンサーからの生データが内部ギガビットイーサネットを介してシステムに送られ、エッジGPUで処理されてアクションチャンク (action chunks)が生成され、低レベル制御にストリーミングされる仕組みを説明した。稼働時間は顧客の受容にとって不可欠であり、ループをローカルに保つことで、クラウドコンピューティングが抱える運用上の困難を回避している。
Standard Botsはシミュレーションも利用しているが、液体を扱うタスクや柔軟な材料の切断など、一部の生産タスクは現在のシミュレーターでは再現が難しいとベアード氏は述べている。実世界でのデモンストレーションも学習プロセスの一部である。同社は配備からの失敗信号と人間の修正を捕捉し、そのデータを活用している。エアギャップ環境で運用する防衛顧客もあるが、それ以外の顧客に対しては、フリート学習 (fleet learning) が自社アプリケーションにもたらす利益が大きいため、データ提供に対する反発は少ないという。
Standard Botsは、外部開発者が利用できるプラットフォームStandardOSも展開している。APIとSDKのセットを提供しており、開発者は自身のモデルを持ち込むなど、同社スタックの必要な部分を使ってロボティクスアプリケーションを構築できるとベアード氏は説明した。NVIDIA Cosmosがその一例として挙げられている。現状では開発者が統合コードを記述する必要があるが、Standard Botsは将来的にデータ収集、モデル訓練、ロボットへのデプロイをより容易にする計画である。
Standard Botsは、特定の作業にAIを適応させることに注力している。モデルの役割を絞り込み、実運用からの修正を利用してエッジケースを解決している。これは、ターゲットとするデータから最大限の効果を得ることが、可能な限り最大のデータセットを追いかけるよりも重要であるという考えに基づいている。
参考: Latent Space (アーカイブ) — 2026年10月10日 23:04 (JST)