このシミュレーション・スタートアップは、フィジカルAIのための「Cursor」になりたい

フィジカルAIの約束は、エンジニアがデジタルのものと同じように物理的なエージェントをプログラミングできるようになることです。 

まだそこには至っていません。ロボティクスは、物理空間から得られるデータの乏しさによってなお足を引っ張られています。機械を学習させるには、企業は機械をテストするための倉庫のモックアップ（模型）を作らなければならず、その一方で、工場ラインやギグワーカーを監視してディープラーニングモデルを学習し、ロボットを動かせるようにするための産業全体が立ち上がっています。 

別の選択肢はシミュレーションです。現実世界の環境を詳細に仮想複製したものは、ロボティクス研究者がこの作業を、スケーラブルに実施するために必要なデータと作業環境を提供し得ます。 

ロボット開発者向けのシミュレーションツールを作るスタートアップ、Antiochは、業界が「sim-to-realギャップ」と呼ぶものを埋めたいと考えています。つまり、仮想環境を十分に現実的にして、その中で訓練したロボットが物理世界で確実に動作できるようにすることが難しい、という課題です。

「私たちの自律システムの視点から、シミュレーションが現実の世界そのもののように感じられるように、そのギャップをできる限り縮めるために、どうすれば最善の仕事ができるのでしょうか？」とAntiochの共同創業者、Harry Mellsop氏は述べました。

そのために同社は本日TechCrunchに対し、同社の評価額を6,000万ドルとする850万ドルのシードラウンドを調達したと説明しました。主導はベンチャー企業A*とCategory Venturesで、加えてMaC Venture Capital、Abstract、Box Group、Icehouse Venturesが参加しています。

Mellsop氏は、昨年5月にニューヨーク拠点の同社を4人の共同創業者とともに立ち上げました。ほかの創業者のうちAlex Langshur氏とMichael Calvey氏の2人が加わり、セキュリティおよびインテリジェンスのスタートアップであるTransposeを共同で設立し、金額は明らかにされていないもののChainalysisに売却しました。残りの2人――Collin Schlager氏とColton Swingle氏――は、それぞれ以前Meta Reality LabsとGoogle DeepMindで働いていました。

より良いシミュレーションの必要性は、多くの主要な自律（オートノミー）企業が取り組んでいることの中核にあります。たとえば自動運転車の領域では、WaymoがGoogle DeepMindのワールドモデルを使って、自社の運転モデルをテストし、評価しています。理論上、その手法によって、Waymo車両を新しい地域に展開する際に必要なデータ収集量を減らせる可能性があります。これは、自動運転車両の技術をスケールさせる上で重要なコストです。 

ロボットをテストするためにそうしたモデルを構築し、使うのは、自動運転車を作るのとは別種のスキルが必要だと言えるかもしれません。そしてAntiochは、すべてを自社で行うだけの資本がない新しい企業のために、この問題を解決するプラットフォームを作りたいと考えています。こうしたより小規模な企業にも、物理的なテスト用アリーナを作る資本や、数百万マイルに及ぶセンサを多数搭載した車を走らせるための資本はありません。 

「業界の大半はそもそもシミュレーションをまったく使っていないのですが、私たちは今、ようやく明確に理解できてきたんです。もっと速く動かなければならない、とね」とMellsop氏は述べました。 

Antiochの幹部は、自社の製品を、人気のAI搭載ソフトウェア開発ツール「Cursor」に例えています。Antiochでは、ロボットの開発者が自社のハードウェアについて複数のデジタル実体を起動し、それらをシミュレーション上のセンサーに接続できます。そのセンサーは、現実世界でロボットのソフトウェアが受け取るのと同じデータを模倣します。こうした環境により、開発者はエッジケースをテストしたり、強化学習を行ったり、あるいは新しい学習データを生成したりできます。

もちろん、その前提は、シミュレーションの忠実度が十分に高いことです。ここでの課題は、シミュレーション内の物理が現実と一致するようにすることです。そうすれば、モデルを実機に任せても、何も問題が起きないはずです。同社はNvidia、World Labsなどによって作られたモデルから始め、それらを使いやすくするためのドメイン固有のライブラリを構築しています。複数の顧客と協業することで、誰か一社のフィジカルAI企業だけでは自力では達成できないレベルの、シミュレーションを磨き込むための文脈の深さがAntiochに生まれるのだと、幹部は語っています。 

「ソフトウェアエンジニアリングとLLMで起きたことは、物理AIでもまさにこれから始まろうとしている」――Category VenturesのパートナーであるÇağla KaymazはTechCrunchにこう語った。「私たちは開発ツールに多くの取り組みをしてきて、この領域が大好きですが、課題は異なります。ソフトウェアでは、こうした不適切なコーディングツールが存在しても、そのリスクは一般的にデジタルの世界にかなり限定されます。しかし物理の世界では、賭け金がはるかに大きいのです。」

Antiochの注力は現在主に、センサーと知覚（パーセプション）のシステムにあります。これは、自動運転の乗用車やトラック、農業・建設の機械、あるいは空中ドローンなどで必要とされるものの大部分を占めています。物理AIで、汎用的なロボットを実現して人間のタスクを再現するといった構想は、さらに先の話です。Antiochはスタートアップを対象にしているものの、同社の初期の関わりのいくつかは、すでにロボティクスに大きく投資している巨大な多国籍企業とのものでした。 

Adrian Macneilは、この領域をよく理解しています。自動運転スタートアップのCruiseでエグゼクティブとして同社のデータ基盤を構築し、2021年には、物理AI向けの同種のデータパイプラインを提供する会社Foxgloveを設立しました。Macneilはエンジェル投資家としてAntiochを支援しています。

「安全性の根拠を構築しようとする場合や、非常に高い精度を要するタスクに取り組む場合、シミュレーションは本当に重要です」――Macneilは水曜日にサンフランシスコで開催されたRide.AIのカンファレンスでこう語りました。「現実世界で十分な走行距離を稼ぐことはできません。」

Macneilは、SaaS革命を後押ししたのと同じ種類のツールが、物理AIを支えるために登場するのを見たいと考えています。たとえばGithub、Stripe、Twilioのようなものです。「ツールチェーン全体のもっと多くを、既製品として利用できる状態にする必要があります」と彼はTechCrunchに語りました。 

「私たち全員が率直に考えているのは、現実世界向けに自律システムを作る人は、今後2〜3年で主にソフトウェアとしてそうするようになる、ということです」――Mellsopはそう述べました。「自律エージェントが、物理の自律性システムに対して反復し、実際にフィードバックループを閉じられるのは初めてのことです。」

この方向性に向けた実験はすでに始まっています。MITのコンピュータサイエンス・人工知能研究所（CSAIL）の研究者David Mayoは、Antiochのプラットフォームを使ってLLMを評価しています。ある実験では、MayoがAIモデルにロボットの設計をさせ、その後Antiochのシミュレータでそれらをテストします。さらに、ライバルのボットをプラットフォームから押し出すといった、シミュレーション上の競技でモデル同士を対戦させることもできます。LLMに現実に近いサンドボックスを与えることは、LLMをベンチマークするための新しいパラダイムの提示につながる可能性があります。

とはいえ、AIエンジニアの世界が到来する前に、デジタルのモデルと現実世界の間のギャップを埋めるためには、まだやるべきことが他にもあります。もしそれが可能になれば、開発者はMacneilがカテゴリーのリーダー企業、とりわけWaymoの成功の鍵だと考えるようなデータ・フライホイールを作れるようになります。そこでは、エンジニアがますます「来月のモデルは前回よりも能力が高いはずだ」と確信できるようになってきています。

もし他の企業がその成功を再現したいなら、そうしたツールを自社で構築するか、買い取る必要があるでしょう。