今回の調達により、光輪智能はエンボディドAI向けデータ分野で世界初のユニコーン企業となった。調達資金は主に、物理シミュレーションエンジンの研究開発、グローバル展開や現地での導入・運用能力の強化に充てられ、AI合成データ分野でのリーダーシップをさらに強化していく。

自動運転や人型ロボットの「学習データ枯渇」に対応。中国発合成データ、　独ボッシュや米フィギュアAIからも注目

光輪智能は2023年に設立。高品質なシミュレーション、合成データ、フィジカルAI技術を通じて現実世界でのロボット活用推進を目指している。データ収集や戦略学習・シミュレーション評価、仮想から現実への適用（Sim2Real）までを含む包括的なソリューションを提供している。すでにシミュレーション合成データと人間視点の動画データ（EgoSuite）という2系統をカバーする、世界最大規模のデータ生成エンジンを構築し、エンボディドAI向けデータの大規模生産を実現している。

提携しているパートナーには、エヌビディア（NVIDIA）やグーグル（Google）、バイトダンス（ByteDance）、アリババ（Alibaba）、Agibot（智元機器人）、Galbot（銀河通用機器人）、BYD（比亜迪）など、大規模モデルやロボット、自動車分野のトップ企業が名を連ねている。発表によると、世界の主要なエンボディドAIチームの8割以上が、光輪智能のシミュレーション資産および合成データを活用している。

触覚グローブ、データ収集コストを10分の1に　中国「PsiBot」が約460億円調達

業績面では、2025年の売上高は前年比で10倍に拡大し、26年1～3月期の売上高だけで、25年通年全体の売上高を上回る見込みだという。

＊1元＝約23円で計算しています。

（36Kr Japan編集部）

こうした中、エンボディドAIロボットを開発する「千尋智能科技（Spirit AI）」が、シードラウンドとエンジェルラウンドで相次いで資金を調達した。Spirit AIは、産業用ロボットなどを開発する「珞石機器人（ROKAE）」のCTOだった韓峰濤氏が2024年2月に創業した。わずか4カ月で2度の資金調達を実施し、調達額は約2億元（約40億円）に上った。

産業用ロボットの中国新鋭「ROKAE」が100億円超を調達、日本でも展開

エンジェルラウンドは弘輝基金がリードし、達晨財智（Fortune Capital）と千乗資本（Fibonacci VC）のほか、シードラウンドに参加した順為資本（Shunwei Capital）と緑洲資本（Vitalbridge）も続けて参加した。今回調達した資金は技術開発と人員拡充に充てられる。

ちなみに、Spirit AIのメンバーはいずれもロボット研究について豊富な経験を持つ。韓CEOはロボット分野で10年以上の経験を持ち、高性能軽量産業用ロボットの開発を専門とし、数々のチームを率いて20以上の業界、100以上のシーン、1000以上の顧客に対し商用化を実現し、成果を挙げている。共同創業者の高氏は清華大学教授としてエンボディドAI、ロボットビジョン、機械学習の研究に10年間携わり、汎用エンボディドAIの研究を専門とする。エンボディドAI分野ではトップクラスの米「Physical Intelligence」を創業したSergey Levine氏と共同研究をしたこともある。

世界で最も効率の高い強化学習アルゴリズム

人型ロボットの課題は、汎化能力に乏しく、コミュニケーションに限界があることだ。実際に働くとなった場合、工場などの一定環境でしか作業できず、周囲とのコミュニケーションは限定的、反応が不正確で感度が悪いということになる。

人型ロボットが人間のような賢さを持つには、大脳となるAIを搭載することが不可欠だ。

Spirit AIは人型ロボットに汎化能力とコミュニケーション能力を持たせるため、コア技術のひとつとして、汎化能力が高く、マルチに使用できる大脳を構築した。ロボットの基盤となるマルチモーダル大規模モデルに、視覚言語モデル（VLM）と新たに開発したロボット操作モデル「Constraints of Parts (CoPa)」を採用した。

注目すべきは、米「Figure AI」もかつて視覚言語モデルを使ってロボットに日常シーンを理解する能力や常識を持たせるようにしたが、このアーキテクチャを提案したのがSpirit AIの共同創業者、高陽氏だったということだ。

元・ファーウェイ天才少年、最新の人型ロボット5機種を発表　年内に300台出荷の見込み

エンボディドAIの基盤となる大規模言語モデルを構築したことに加え、Spirit AIが技術面でもうひとつの強みとするのは、モデル訓練用のデータ入手という難題を解決したことだ。

通常、ロボットが現実世界で働けるようになるためには、現実世界における人間の膨大な運動データを収集して事前学習を施し、周囲の環境や複雑なシーンを理解できるように訓練する必要がある。しかし、そのデータ収集が最大の難関となる。

韓CEOは、「データ、演算能力、アルゴリズム、これがエンボディドAIの大規模モデルを構築するために必要な3つの要素だ。現在、演算能力のレベルはかなり高いが、絶対的な技術があるわけではなく、アルゴリズムの技術もまだ方向性が定まっていない。そのためロボット開発に取り組む人々は、既存のデータと新しいデータを収集する能力で差をつけるしかない状況だ」と語る。

訓練データの収集が困難な原因は2つある。まず、高性能ロボット市場がまだ形成されたばかりで、ロボット自体から収集できるデータが非常に少ない。また、シミュレーションや合成データを通じた訓練も解決方法のひとつではあるが、バーチャルな合成データはやはり現実世界のデータとは大きく異なる。

Spirit AIはデータ不足という問題を解決するために、汎用の高性能ハードシステム、大量のインターネットデータによる事前学習、高効率な模倣学習と強化学習に基づいて、ハードウェアの性能を十分に発揮させるようAIを進化させるというソリューションを考えた。

これを実現するため共同創業者の高氏は、サンプルの効率を高めてデータ不足の問題を解決するため、現在世界で最も効率の高い強化学習アルゴリズム「EfficientZero」と「EfficientZero v2」を打ち出した。

模倣学習については「EfficientImitate（高性能模倣学習）」アルゴリズムを提案した。このアルゴリズムはロボットが実際に稼働する過程で、一を聞いて十を知るが如く学習するようサポートする。スタンフォード大学が開発した「V-MAIL（Visual Adversarial Imitation Learning using Variational Models）」アルゴリズムに比べ、学習効率が6倍向上したという。

今後は、ビジネス、サービス、家庭用として製品の商用化に取り組む計画だ。

＊1元＝約20円で計算しています。

（翻訳・36Kr Japan編集部）

2023年に設立された光輪智能は、人工知能（AI）向けの合成データソリューションに注力している。生成AIとシミュレーション技術を組み合わせ、物理的にリアルで汎化可能な3Dデータを合成し、自動運転技術やエンボディドAI（身体性を持つAI）の開発向けに提供。また、モデルのトレーニングにおける実データの使用率の低さ、タグ付け（アノテーション）コストの高さ、コーナーケース（まれにしか起こらないケース）の不足といった問題の解決に貢献している。

創業者兼CEOの謝晨博士はシミュレーション分野の第一人者で、半導体大手のNVIDIA（エヌビディア）、自動運転技術開発のCruise（クルーズ）、電気自動車（EV）メーカーの蔚来汽車（NIO）などで自動運転シミュレーション部門の責任者を務めてきた。その中で合成データシステムの立ち上げに関わり、世界で初めてシミュレーションに生成AIを取り入れたことで知られる。光輪智能のチームは、NVIDIAのシミュレーション部門テックリード、アリババDAMOアカデミー（達摩院）のシミュレーション部門責任者、アントグループ（螞蟻集団）の最上位エンジニア職に最年少で就いた人物など、生成AIとシミュレーションに関する国際的な専門家で構成される。

光輪智能は、顧客企業のセンサーパラメーターやアノテーションのフォーマットに従ってデータを作り、データ量に応じて料金を課している。中国の主要自動車メーカーはここ数年、海外市場を重視するようになったが、データ収集の効率、人件費、法律などの課題にぶつかっている。同社は海外の道路が持つ特性に合わせた合成データを作り、これら企業のコストとトレーニング時間を大幅に減らしている。また、中国国内では都市部NOA（Navigate on Autopilot、自動運転のためのナビゲーション機能）の開発競争が進み、コーナーケースのデータ合成に対する大きな需要が生まれた。

同社は国内外の大手自動車メーカー、ティア1サプライヤー、自動運転技術開発企業などと提携している。2024年3月には上海人工智能実験室（Shanghai Artificial Intelligence Laboratory）と共同で、自動運転の3D Occupancy（3D占有予測）合成データセット「LightwheelOcc」を公開した。同社の合成データは、自動運転のほかにエンボディドAIやマルチモーダル大規模言語モデル（LLM）の分野でも使われ始めている。

LLMの急速な発展に伴い、それを支えるデータの重要性がますます高まっている。例えば、アノテーションと合成データを手がけるAIスタートアップScale AIは、Amazon（アマゾン）、Meta（メタ）、NVIDIAなどの大手企業を含む新たな投資家から10億ドル（約1600億円）を調達し、企業評価額は前回の資金調達時に比べ2倍の138億ドル（約2兆1700億円）に上った。CEOのAlexandr Wang氏はXで「最先端技術の研究開発では、現時点で存在しない多くのデータが必要とされており、技術開発の行方はデータに左右される」とツイートした。

米テスラの運転支援機能「FSD（フルセルフドライビング） V12」は、エンド・ツー・エンドの自動運転技術の開発に新しい流れをもたらした。しかし、FSD V12の技術アーキテクチャと複雑な環境適応性は、トレーニング用のデータをこれまで以上に必要とする。光輪智能の合成データソリューションなら、運転支援機能の開発でボトルネックとなっているデータ不足を解決できる。

今回出資した経緯創投の王華東マネージングパートナーは、AI技術の発展に伴って、データがモデルの継続的な改良に影響を及ぼす重要な要素になりつつあるとの見解を示した。合成データは理想的なソリューションだが、データの信憑性と汎化性をどのように確保するかが難しいという。その点、光輪智能は長期にわたってデータ合成に携わっており、生成AIとシミュレーション技術を組み合わせることで、合成したデータの質と効率を高めることに成功していると評価。将来的には合成データ分野の国際的なリーディングカンパニーに成長し、エンボディドAIとマルチモーダルLLMの開発を加速させることに期待を示した。

＊1元＝約22円、1ドル＝157円で計算しています。

（翻訳・大谷晶洋）

2021年6月に設立された跨維智能は、3Dモデル生成AI、マルチモーダル大規模言語モデル（LLM）、3Dイメージングなどの画像処理技術をベースに、ハードウエアとソフトウエアを一体化したエンボディドAIのソリューションを提供している。エンボディドAIとは、環境と相互作用しながら、そこから学習して自らの機能を継続的に改善していく次世代AIのことを指す。

創業者で香港中文大学（深圳）教授の賈奎氏は、AIやコンピュータビジョン、機械学習、3Dモデリング、3Dセンシング大規模言語モデルの研究に長年携わってきた。

賈教授は中国や海外の学術機関を経て、2016年から華南理工大学でAIを使った3Dセンシングの研究に着手した。18年以降はシミュレーションで学習したモデルを実世界で使う強化学習手法の「Sim2Real」によって、物理エンジンで3Dシミュレーションデータの合成に取り組み、これが跨維智能のコア技術となっている。

エンボディドAIは操作対象、環境、タスクの複雑さに応じ、5つの段階を経ながら機能を向上させていくと、賈教授は語る。ある程度決まったシーンで特定のタスクを処理する専用ロボットから、任意もしくは未知のシーンに対応するロボットへとアップグレードされ、最終的には自己適応が可能な汎用ロボットとなって、任意のタスクをこなせるようになる。

賈教授によるエンボディドAIの成長段階

エンボディドAIの学習から実用化へのプロセスを大きく阻んでいるのは、質の高いタグ付きデータの少なさだ。言語モデルや画像・動画の生成AIとは異なり、エンボディドAIの基盤モデルを訓練するには物理世界の絶対座標に基づいた膨大かつ正確な計測データが必要になり、データ取得の難易度やコスト、タグ付けの量は言語モデルをはるかに上回る。

跨維智能は現実世界のデータを合成データに置き換えることでコストを抑え、効率的で信頼性の高いソリューションを提供している。同社のSim2Real技術は、物理シミュレーションのロボット操作に、作業に伴う実世界のさまざまな障害を組み込み、レンダリングや軌跡データ、関節データの記録などを通じて正確にタグ付けされた膨大な合成データを作り、そのデータをエンボディドAIの大規模言語モデルに用いるというものだ。

跨維智能の技術の活用シーン

跨維智能のSim2Real技術によって、現実の3Dデータを使わずに、複雑なシーンで作業するロボットアームのための3Dビジョンモデルを訓練できる。100％合成データで訓練したモデルを導入したロボットアームは、99.9％以上の安定した操作と把持が可能になるという。

同社のエンボディドAIソリューションはすでに半導体、自動車、太陽光発電などの製造現場で導入されている。2023年5月にリリースされた産業用3Dカメラ「Xema」シリーズはAPIとSDKを公開しており、ユーザーは二次開発のコストを削減できる。

（翻訳・大谷晶洋）

51Simは2017年、デジタルツイン技術を手がける「51WORLD」のインキュベートによって設立された。鮑世強CEOは、設計ソフトウエアを開発するAutodeskの中国研究開発センターに長年勤務していた経験がある。

自動車は今や次世代のスマートデバイスとなりつつあり、中でも自動運転機能は自動車メーカーが競い合う大きなポイントとなっている。自動運転技術には高品質なデータの大量生成および学習が必要で、電気自動車（EV）大手の米テスラはこの手法で「FSD（フルセルフ・ドライビング）」の機能を改良している。しかし、実世界のデータを収集してタグ付けする（アノテーション）には時間や労力、コストがかかり、多岐にわたる複雑な運転シーン全てをカバーするのも難しい。

このような問題を解決するために、自動運転シミュレーションと合成データの技術が登場した。シミュレーションでは主に、収集したデータを使用して大量のシーンを生成し、稀に起こるコーナーケースも再現する。

鮑CEOによると、これまで使われてきたシミュレーションソフトウエアの大半は外国製で、車両自体のシミュレーションに重点を置き、基本的な運転支援の機能とシーンをテストするために使われている。しかし、外国製ソフトウエアはバージョンアップが遅く、中国国内の高度な自動運転の検知システムや複雑な市街地シーンを生成するのが難しい。

鮑CEOは、リアルさと再現性が自動運転シミュレーションの重要な指標になると考えた。例えば都市部の道路をシミュレーションする場合、実際の天候や道路などで構成される静的環境と、さまざまな車種が行き交う動的環境をそれぞれ再現する必要がある。もちろん、実世界のデータとシーンは実際の路上走行を通じて取得および再構築できるが、大切なのは実世界データに加えて、編集可能な多くの類似シーンを生成することであり、それによって自動運転システムがさまざまなシーンに対応できるようになる。

自動運転シミュレーションソフトウエアは現在、データ駆動型からデータ生成型へと進化している。データ生成は合成データ技術をベースに大量かつ多様なデータを生成するもので、データ取得および処理の難易度とコストを下げられる。

51Simはすでに自動運転シミュレーションプラットフォーム「SimOne」、合成データプラットフォーム「DataOne」などを発表した。SimOneにはスタンドアローン型とクラウド型があり、クラウドのほうでは顧客が関係者とデータを共有することも可能だ。一方、データのマイニングと合成にも重点を置いて、実世界の学習データを補うと共に、検知システムの機能向上を図っている。

ほかに、バイトダンス（字節跳動）傘下のクラウドサービスプラットフォーム「火山引擎（Volcano Engine）」、検査ソリューションの「天准（TZTEK）」、自動運転技術の「美行科技（MXNAVI）」などと共同で、チップやドメインコントローラー、データマイニング、データ処理、機械学習、シミュレーション、テストを含む自動運転の総合ソリューションもリリースした。紹介によると、51Simはすでに世界のさまざまな分野で100社以上と提携しているという。

＊2024年3月11日のレート（1元＝約20円）で計算しています。

（翻訳・大谷晶洋）

同社はAI活用を目指す企業に合成データのソリューションを提供している。生成AIとシミュレーションの技術を組み合わせて物理法則に沿った汎化可能な3D合成データを提供し、自動運転技術などの開発における実世界データの利用率の低さ、アノテーション（データへのタグ付け）コストの高さ、コーナーケース（Corner Case）の不足といった問題の解決を図る。すでに複数の自動運転およびロボット開発企業がサービスを利用し始めている。

創業者兼CEOの謝晨博士はシミュレーション分野の第一人者で、半導体大手のNVIDIA（エヌビディア）、自動運転技術開発のCruise（クルーズ）、電気自動車（EV）メーカーの蔚来汽車（NIO）などで自動運転シミュレーション部門の責任者を務めてきた。合成データ開発に関する豊富な経験を有し、世界で初めてシミュレーションに生成AIを取り入れたことで知られる。

AIにとってデータはいわば燃料だ。深層学習では情報タグを付与された大量データを通じてさまざまなパターンとルールを学習するため、AIモデルの信頼性を高めるには完全で良質な訓練データが大量に必要となる。いま注目を集めている大規模言語モデル「GPT」は、データとパラメータを増やすことによって進化を遂げている。

ベルギーの半導体研究機関imecが主催する年次イベント「ITF World 2023」でNVIDIAのジェンスン・フアンCEOは、次のAI業界トレンドが「Embodied AI（具現化AI ）」になるとの見方を示した。これはロボットや自動運転車などが実世界を理解、推論し、相互に作用し合えるインテリジェント・システムを指す。このような最新のAI開発には大量の高品質な3Dデータを要する。

しかし、大規模なデータ取得には膨大な時間がかかる。

これまで自動運転やロボットなどをめぐるデータ収集とアノテーションは手作業に頼ってきたため、コストが高く、品質を確保するのが難しい。また、実世界のデータは車種やプラットフォームが異なると利用しづらいため、利用率は低く、保存コストばかりがかさむ。さらに自動運転の分野ではごくまれにしか起きない特殊なケースを網羅するのも大変だ。こうした理由から自動運転のデータ取得はかなりの長期戦となる。

長期的に見ると、良質な実世界のデータはますます希少になるだろう。

現在のアルゴリズムがすでに大量のデータを「食べ尽くして」おり、自然なデータの蓄積ではAIモデルのニーズを満たすのが難しくなるという研究もある。マサチューセッツ工科大学などが共同で発表した論文では、2026年までに大規模言語モデル（LLM）の学習に必要なデータが使い尽くされ、良質なデータが枯渇すると予測しており、自動運転やロボットの開発に必要とされる正確な3Dデータの取得はますます困難になるとみている。

このデータ枯渇問題の大部分を解決すると期待されているのが合成データだ。名前の通り、生成AIとシミュレーションを通じて少量の実世界データをもとに生成される。その特長はデータ収集コストの低さ、自動アノテーション、プラットフォーム間の汎用性などで、必要に応じてリスクが潜むケースやエッジケースを作ることもできる。

自動運転分野ではテスラ、Waymo、クルーズ、NVIDIAがさまざまなかたちで合成データ事業に関わっている。

謝CEOは、業界で一般的なシミュレーションベースの合成データでは、良質なデータを要するAIモデルのニーズを満たすことができないと説明した。シミュレーションに生成AIを組み合わせれば、少量の実世界データを元にデータ量を拡大し、独自開発の「エンドツーエンド・オーセンティック評価・アルゴリズム」を介してデータの品質と性能を確保することで、情報量の多い訓練に適したデータを生成できる。

「生成AI技術はこの1年で急速に発展し、正確性、汎用性、品質が大幅に向上した。生成AIとシミュレーションの組み合わせによって、当社は顧客のデータをもとに自動車百万台規模のデータ量を顧客へ提供することができる」。謝CEOによると、これにかかるコストは実世界のデータの10分の1にとどまるという。

ChatGPTの開発元OpenAIを創業したサム・アルトマン氏は「合成データは大規模言語モデルのデータ不足に対する最も効果的な解決策になる」との考えを示している。光輪智能は、これまで人間主導だったデータの取り扱いをAI主導に置き換えて業界の構造改革を進め「データ業界のNVIDIA」を目指す。

（翻訳・大谷晶洋）