Skild AIのファウンデーションモデル開発に向けた300億ドルの資金調達

#### Skild AIの注目度と資金調達 Skild AIは、3億ドルのシリーズA資金調達を実施し、Lightspeed Venture Partners、Coatue、SoftBank Group、Jeff Bezos(Bezos Expeditions経由)などが主導し、Felicis Ventures、Sequoia、Menlo Ventures、General Catalyst、CRV、Amazon、SV Angel、Carnegie Mellon Universityも参加しています。この資金調達により、同社の評価額は15億ドルに達しました。 #### 詳細 Skild AIは、物理世界に根ざした知能を構築しています。同社は、競合モデルの1,000倍以上のデータポイントを使ってモデルをトレーニングすることで、ロボット工学におけるデータの壁を破っています。特定のアプリケーション向けに垂直的に設計されたロボットとは対照的に、Skild AIのモデルは、操作、移動、ナビゲーションなど、さまざまな実体化のロボットや状況、タスクに共有される汎用的な脳として機能します。 この資金調達により、Skild AIのモデルは、低コストのロボットを幅広い業界や用途で活用できるようになります。例えば、過酷な物理条件に対応できる頑強な四足歩行ロボットや、複雑な家庭や産業用のタスクのための器用な操作を行う視覚ベースのヒューマノイドロボットなどが可能になります。 Skild AIは長期的には、デジタルの知識からのみ生み出されるのではなく、物理世界に根ざした人工一般知能(AGI)の開発を目指しています。 #### Skild AIの特徴 - 従来のロボットアプリケーションとは対照的に、Skild AIの汎用的なAIモデルにより、あらゆる種類のロボットを敏捷で器用、そして人と安全に対話できるようにすることを目指しています。 - Skild AIは、1,000倍以上のデータポイントを使って自社のモデルを訓練していると主張しており、これは競合モデルよりも大規模です。 - Skild AIは、ケガの危険がある仕事や人手不足の産業(ヘルスケア、建設、倉庫、製造業など)での活用を目指しています。 #### 創業者の実績 - Skild AIの共同創業者であるDeepak PathakとAbhinav Guptaは、カーネギーメロン大学の教授職を辞して2023年にSkild AIを設立しました。 - 二人は、ロボティクスとAIの分野で25年以上の経験を持ち、自己教育型ロボティクス、好奇心駆動型エージェント、適応型ロボット学習などの分野で多数の業界の進歩に貢献してきました。 #### 大手企業が注目 - Skild AIの資金調達ラウンドには、Lightspeed Venture Partners、Coatue、SoftBank Group、Bezos Expeditionsなどの大手企業が参加しています。 - 投資家らは、Skild AIが短期間で大きな進歩を遂げており、ロボット工学の概念を一新する可能性があると評価しています。  [Skild AI公式サイト](https://www.skild.ai/)

#### ファウンデーションモデルの開発と革新への期待 ファウンデーションモデルは、広範なデータを使って事前に学習された機械学習やディープラーニングのモデルです。これらのモデルは様々な用途に適用できるため、人工知能の分野で大きな変革をもたらしています。 #### ファウンデーションモデルの特徴 - 広範なデータを使って事前に学習されているため、様々な用途に適用できる汎用性が高い - 開発には膨大なリソース(データ、計算パワー、労力)が必要 - 一度開発されれば、特定の用途に適応させるのが比較的容易 - 倫理的な懸念もあり、適切な規制が求められている #### ファウンデーションモデルの歴史 ファウンデーションモデルの登場は、機械学習の発展の歴史の中で重要な一里塚です。1990年代以降の機械学習の台頭、2010年代のディープラーニングの進化、大規模データの活用などが、ファウンデーションモデルの登場につながっています。近年では、[GPT-3](https://en.wikipedia.org/wiki/GPT-3)や[DALL-E](https://en.wikipedia.org/wiki/DALL-E)などの大規模モデルが注目を集めています。 #### 今後の展望 ファウンデーションモデルは人工知能の新しいパラダイムを生み出しつつあり、天文学、医療、音楽、プログラミングなど、様々な分野で活用が広がっています。一方で、倫理的な懸念や規制の必要性も指摘されており、慎重な対応が求められています。今後も技術の進化とともに、ファウンデーションモデルをめぐる議論が深まっていくことが予想されます。 #### ロボット基盤モデルが切り開くロボティクスの未来 - 基盤モデルは人工知能の発展を大きく変えてきた。ロボット基盤モデルの成長は、大規模で多様な実世界のロボットデータへのアクセスによって急速に加速している。 - [Covariant](https://covariant.ai/insights/the-future-of-robotics-robotics-foundation-models-and-the-role-of-data/)は、顧客のニーズに応えるため、NVIDIA A100 Tensor Core、H100 Tensor Core GPUなどの次世代AIテクノロジーに投資している。これにより、前例のない規模、知性、適応性を実現している。 #### ロボット基盤モデルの役割 - 基盤モデルは、特定の用途を想定せずに大量のデータで事前学習された神経ネットワークである。 - 基盤モデルは、デジタル世界でAIを変革し、ChatGPTやDALL-Eなどの大規模言語モデル(LLM)を支えている。 - 基盤モデルの影響は、テキストや画像生成を超えて、物理世界にも及ぶと考えられている。しかし、ロボティクスへの適用には、より慎重な取り組みが必要だった。 #### Covariantのロボット基盤モデル - Covariantは2017年に、ロボティクス分野で初の基盤モデルを構築するために設立された。 - 倉庫環境は、膨大な種類の商品が絶えず流れ、ロボットに多様性と高い信頼性を要求するため、最適な適用先だと考えられた。 - Covariantの[Covariant Brain](/covariant-brain)は、ロボット基盤モデルを活用し、これらの課題に対応している。 #### 基盤モデル構築のための独自のデータセット - デジタル世界のGenerative AIの成功には、膨大なインターネットデータによる基盤モデルの学習が不可欠だった。 - しかし、物理世界のロボティクスでは、同等のデータセットが存在しなかった。Covariantは独自に、「倉庫規模」の実世界データと合成データを組み合わせたデータセットを構築した。 - Covariantのフリートラーニングにより、世界中の数百台のロボットが生データと学習を共有し、高精度のデータセットを短期間で構築できた。 - このデータセットには、画像、深度マップ、ロボットの軌跡、吸着センサーデータなど、多様なモダリティが含まれている。  #### 実世界のロボット自律性を大規模に実現 - Covariantは、NVIDIA A100 Tensor Core、H100 Tensor Core GPUなどの次世代AIテクノロジーに投資し、スケーラビリティと演算能力を高めている。 - Covariantのロボット基盤モデルは、自律性と汎用性の点で他に類を見ないものとなっており、さらなる信頼性の向上を目指している。 - 自律ロボットの進化により、倉庫や物流センターの効率が高まり、消費者や企業の双方にメリットをもたらすことが期待される。 - これらの進歩により、ロボットと人間が協調して働く未来が実現するだろう。ロボットが単純作業を担い、人間が意義のある仕事に専念できるようになる。