米Rhoda AI、シリーズAで4億5000万ドル調達し表舞台に　ネット動画で学んだモデルで工場ロボットを動かす

ロボットに映像を予測させて作業を教える米パロアルトの新興企業Rhoda AIは2026年3月10日、シリーズAで4億5000万ドルを調達し、非公開での開発段階を終えたと発表した。資金は研究開発、産業現場への導入と顧客の試験運用の拡大、人員の増強に充てる。

同社の発表によると、出資したのはCapricorn Investment Group、Khosla Ventures、Leitmotif、Matter Venture Partners、Mayfield、Premji Invest、Prelude Ventures、シンガポールの政府系投資会社テマセク、Xoraで、John Doerr氏ら個人投資家も加わった。リード投資家と企業価値は明らかにしていない。公表前の18カ月間は非公開で開発を進めていたという。

何を開発したのか

中核モデルはDirect Video Action（DVA）と呼び、その上に構築した製品層がFutureVisionだ。発表文はFutureVisionを、現在同社のシステムを動かしている基盤モデルと位置づける。モデルはインターネット規模の映像で事前学習しており、出資者のMayfieldは発表当日の文章で学習に使った映像を数億本としている。稼働時にはロボットの前の場面がどう展開すべきかを予測し、その予測をモーター指令に変換する。この処理を数百ミリ秒ごとに閉ループで繰り返す。

同日公開した技術解説「因果的映像モデルはデータ効率の高いロボット方策学習器である」は仕組みをより詳しく説明した。因果的映像モデルが過去の映像、ロボットの関節情報、言語による指示から将来のフレームを予測し、別の逆動力学モデルがそのフレームを生み出す動作を計算する。同社によれば逆動力学モデルに必要なロボット固有データは約10時間で、ランダムな動作でも学習できる。Leapfrog Inferenceと名付けた手法は、ロボットが現在の動作を実行している間に次の予測を計算し、推論の遅れを隠す。

解説が示したのはベンチマークの点数ではなく長時間の自律稼働の記録だ。11時間分のロボットデータで学んだ移し替え（デキャンティング）作業は1時間30分途切れずに動き、17時間分のデータで学んだコンテナ解体作業は160分続いた。新しい作業の追加学習には10〜20時間の作業データが要るとし、発表文は遠隔操作データ10時間で済む作業もあるとした。成功率や他のロボットモデルとの直接比較は公表していない。

商用面の成果として、発表文は最近の大量生産工程での評価で、部品処理の工程を1サイクル2分未満で人手を介さずに完了し、顧客の性能目標を上回ったとしている。顧客名は伏せた。同社のウェブサイトは自動車、製造、物流、電子商取引を対象分野に挙げ、返品処理、ベアリングの移し替え、コンテナ解体を紹介する。独自アクチュエーターを備えた車輪型ロボットも掲載しており、定格可搬重量は25キログラム、最大40キログラムで、すべてのアクチュエーターにブレーキを備える。

経営陣

Jagdeep Singh最高経営責任者（CEO）は全固体電池の米QuantumScapeの共同創業者だ。QuantumScapeの発表によると、同氏は2024年2月15日にCEO職をSiva Sivaram氏に譲り、取締役会議長にとどまった。MayfieldはSingh氏がこれまでに7社を立ち上げたと紹介している。Eric Ryan Chan最高科学責任者（CSO）はスタンフォード大学でコンピュータービジョンと生成モデルを研究し、World Labsで生成モデルの設計を担った。スタンフォード大学計算イメージング研究室を率いるGordon Wetzstein教授もチームに名を連ねる。Singh氏は発表文で、ロボットの次の時代には世界がどう動くかを理解するモデルが必要で、見た目や言葉による説明をとらえるだけでは足りないと述べた。

競合との位置関係

今回の調達は、米国のロボットAI投資が最も集中した四半期に重なった。各社の発表によると、Skild AIは1月14日にソフトバンクグループ主導のシリーズCで14億ドルを調達し企業価値は140億ドルを超えた。Rivianから独立したMind RoboticsはRhodaの公表翌日に5億ドルを、Sundayは3月12日に1億6500万ドルを調達した。Physical Intelligenceは2025年11月にCapitalG主導でシリーズBを実施している。多くは画像とテキストで事前学習した網に動作出力を加える視覚言語行動（VLA）モデルを開発している。Rhodaはウェブサイトで、DVAは従来のVLA方式が苦手とする汎化を実現すると主張する。

言語ではなく映像を選ぶ理由

ロボット学習の最大の制約はデータだ。人がロボットを操作して手本を示す遠隔操作データは、集めるのに時間と費用がかかる。一方でネット上の映像は膨大で、手や工具、物体が重力や接触の下でどう動くかを記録している。次の場面を予測するよう学んだモデルは大まかな物理の感覚を身につける。Rhodaはこの事前知識によって、作業ごとに必要なロボットデータを数日分の遠隔操作まで減らせると見る。代償は計算量で、映像フレームの生成は短い動作列の出力より重い。同社が推論の遅れ対策に力を入れたのはそのためだ。

日本の産業への示唆

人手不足が深刻な日本の製造業と物流業では、ロボットを入れても作業ごとの教示や調整に時間がかかり、多品種少量の現場ほど導入が進みにくい。新しい作業を10〜20時間のデータで覚えるモデルが実用になれば、システムインテグレーターの立ち上げ期間が縮み、中堅中小の工場にも自動化の道が開ける。ファナックや安川電機など国内ロボット大手は米IT企業と組んでフィジカルAIを取り込みつつあり、映像予測型の制御モデルも提携先の選択肢に入りうる。ハーモニックドライブなど精密部品メーカーにとっては、独自アクチュエーターを持つ新興勢がどこから部品を調達するかが注目点になる。

リスクと未解決の問い

Rhodaが示したのは少数の作業での長時間稼働で、多数台の運用での信頼性の統計ではない。成功率、1時間当たりの介入回数、VLA基準モデルとの比較がなければ、映像事前学習の効果を外部から測れない。製造工程の評価は顧客名が伏せられ、ハードウエアの製造元も明らかでない。Mayfieldはこの事業を「サービスとしての労働」と位置づけ、1000台を導入すれば年間の継続収入は約1億ドルになると書いた。1台当たり年約10万ドルとなり、置き換える勤務シフトの総人件費より安くなければ成り立たない価格だ。

今後の焦点

Rhodaは2026年9月10日、ウェブ映像による事前学習を拡大すれば実際のロボット作業の性能が上がるかを検証した研究記事を公開した。最初の実名の量産顧客、介入率の公表、導入1台当たりの価格が、今回の調達を事業に変える指標になる。