3 年で140億ドルに急騰！ソフトバンク、NVIDIAが1000億ドル評価の「ユニコーン」に投資を争奪

2026年には、AIサークルから最速の1000億匹のユニコーンが誕生します。 Skild AIはシリーズC資金調達を完了し、評価額は1400億ドルを超え、設立からわずか3年でSoftBank、Nvidia、Bezosから投資されました。 創設者はMeta AI出身で、ロボットハードウェアは製造せず、「ユニバーサルブレイン」と呼ばれる「ユニバーサルブレイン」の開発に注力しています。このシステムは共有モデルを使ってロボットに物理世界への能力を与えています。

2年間で評価額が10倍に上昇するという資本論理

Skild AIは今年、1000億ドルを突破する最速のユニコーンであり、急速な開発ペースと激しい評価拡大を遂げており、AI投資の熱狂の波の中でも驚異的な成果を誇っています。 設立からわずか2か月で、Lightspeed Venturesが主導する1,450万ドルのシードラウンドを受け取り、無事にローンチを開始しました。 創立初年度に、Skild AIは最大3億ドルのシリーズA資金調達ラウンドを完了し、投資後の評価額は150億ドルに跳ね上がりました。 2年足らずで評価額はほぼ10倍に増加し、最新のシリーズC資金調達で評価額は1400億ドルに達しました。

Skild AIに資本が賭ける理由は単純です。世界の労働市場は深刻なギャップに直面しています。 米国の製造業だけでも2030年までに210万人の雇用ギャップに達すると予想されており、ヨーロッパや日本などの先進国における高齢化問題はさらに深刻です。 複雑な物理課題を遂行できる汎用ロボットは、生産性危機を解決する鍵と見なされています。 しかし、現在のロボティクス業界は非常に細分化されており、すべてのメーカーが機械構造から制御システムまであらゆるものを開発しようとしているため、研究開発コストが高く、プラットフォーム間での能力移行が困難になっています。

Skild AIの「脳だけを動かし、身体は動かさない」という純粋なソフトウェアモデルは、業界が「ハードウェア志向」から「AIモデルとソフトウェア能力志向」へと移行する一般的な流れに沿ったものです。 Sequoia Capitalは投資後のレポートで次のように述べています。「Skild AIのコアバリューは、共有基盤モデルを用いて物理世界におけるロボットの『創発的能力』を解き放つことです。 これは過去の『シングルポイントコントローラー』の非スケーラビリティとは根本的に異なります。」この「創発的能力」は、GPT-3の言語理解における画期的な発見に似ており、モデルが臨界点に達すると、訓練中に明示的に教えられていなかった能力を自動的に持つというものです。

ソフトバンクの関与は特に戦略的です。 日本のテック大手は2016年にARMを3200億ドルで買収し、ロボティクス分野(例えばボストン・ダイナミクスの買収)に携わってきました。 ソフトバンク・ビジョン・ファンドはAI投資における積極的な姿勢で知られており、Skild AIへのこの重いポジションは、「ロボットのユニバーサル・ブレイン」が次の兆ドル規模市場であると信じていることを示しています。 Nvidiaの追加は計算能力と環境支援を提供し、Skild AIのトレーニングインフラはNvidiaのGPUクラスター上に構築される可能性が高いです。 ベゾスの個人的な投資はさらに稀で、アマゾン創業者は初期段階のプロジェクトに参加することは稀であり、彼のスポンサーはSkild AIに無形のブランド価値をもたらします。

メタを離れたチームのテック遺伝子

Skild AIの技術力の答えは、創設チームの背景に隠されています。 Skild AIを設立する前、ディーパック・パタクは人工知能とロボティクスの分野で著名な学者・実務家であり、カーネギーメロン大学の助教授を務め、いくつかの広く引用される論文を発表しています。 Meta AI在籍中、彼は適応学習、シミュレーションから現実世界への移行、大規模ロボットデータトレーニングに関するいくつかの重要なプロジェクトに深く関わりました。

パタクは、真のAI汎用知能はデジタルテキストや画像データだけに頼るのではなく、物理的な世界での相互作用と試行錯誤を通じて構築されるべきだと強く信じています。 このコンセプトはMeta内で疑問視されました。当時MetaはメタバースとソーシャルAIに注力しており、物理的なロボットへの投資は比較的保守的でした。 この戦略的な意見の相違が、最終的にパタクに事業を立ち上げ、そのアイデアを実現させるきっかけとなりました。

Meta AIのアビナヴ・グプタも、コンピュータビジョンとロボティクス学習の交差点で成果を上げています。 彼はネットワーク規模のビデオデータから物理学の知識を学ぶことに重点を置き、機械が物体の性質、物理法則、人間の意図を理解できるようにしました。 実際、グプタとパタクはMeta在籍中に何度も協力し、大規模言語モデルの「創発的能力」を物理的なロボットに再現する方法を探求しています。

両者は、現在のロボティクス業界が特定のタスクやハードウェアに合わせたカスタマイズされたソリューションに依存しすぎており、汎用化かつ拡張可能な「ユニバーサルブレイン」が欠けているため、現実世界でのロボットの応用可能性や普及速度を大きく制限していると考えています。 その結果、2人はすでにMetaの後期段階で内部プロジェクトをインキュベートし始めており、特定のハードウェアに依存しないロボット基盤モデルの構築を目指しています。 そしてついに2023年初頭、パタクとグプタはMetaを離れ、フルタイムのビジネスを始めることを決意しました。 彼らは、ロボット産業の未来は「ボディ」を増やすことではなく、強力で共有可能な「脳」を提供することだと強く信じています。

ロボティクス業界におけるGPT-3の瞬間

2023年に話を進めると、知能ロボットが至る所で普及していましたが、各ロボットは一から専門的なアルゴリズムを訓練する必要があり、長期間の研究開発期間、高コスト、そして異なるロボット間の能力の伝達が困難になっていました。 身体化された情報業界において、常に問題があった。それは、どうやって一般化するかというものだ。 いわゆる一般化とは、あるロボットが他のロボットに素早くコピーできる能力を指します。

これはロボットにとって非常に困難なことです。なぜなら、物理的世界は非常に複雑で不確実かつ動的であり、ロボットは知覚、意思決定、実行の3つのレベルで一般化の問題を同時に解決する必要があるからです。 例えば、照明の変化、天候の影響、背景の雑音、遮蔽干渉などは、視覚センサー入力データの分布に劇的な変化をもたらすことがあります。 たとえ簡単な作業(例えば、掴む、歩く)を覚えても、複雑な作業(例:「冷蔵庫を開けて飲み物を取り出してカップに注ぐ」)に組み合わせると、意思決定の余地は指数関数的に広がります。

Skild Brainは一般化の3つの主要な技術的経路を解消します

大規模マルチモーダル事前訓練:ウェブ動画、シミュレーション環境、実際のロボットデータから物理学の知識を学び、シナリオ間で共通の表現を作成する

ハードウェアはアーキテクチャに依存しません: 特定の機械構造から知覚や意思決定の論理を抽象層を通じて切り離し、同じモデルを車輪、足、腕など異なるロボット形態に展開できるようにします

継続学習メカニズム:ロボットがタスク実行中に生成したデータはクラウドに送り返され、モデルは継続的に最適化され、各ロボットの体験がネットワーク全体に利益をもたらします

Skild AIはロボットハードウェアを製造していませんが、すべてのロボットに「ユニバーサルブレイン」を搭載することを目指しており、創業者たちは「GPT-3の瞬間」を体現した知能を創造していると主張しています。 Skild Brainはソフトウェアとハードウェアを分離し、単一のハードウェア設計に縛られることを避けています。 同時に、業界の閾値をできるだけ下げ、他のロボットメーカーやインテグレーターがハードウェア最適化やシナリオ実装に注力し、Skild BrainのAPIを直接呼び出して高度な知能を得ることで、ロボットアプリケーションの普及を大きく加速させています。

商業化の見通しも有望です。 産業および商業分野では、生産ライン上のロボットが小さな不具合で停止する必要はありません。 災害救助では、ロボットは「切断された手足」を持っていても作業を続けられます。 消費者市場では、「頭脳」を「殻から出して」使ってコストを大幅に削減できます。 これらの技術的基盤は人々のAGI理解を再構築しています。デジタル知識だけでは真のAGIを構築することはできず、機械エージェントは物理世界の実際の運用法則を理解するために「実践的」な学習を学ばなければなりません。