Toyota Research Institute（TRI）から生まれたWalden Roboticsが、研究用ロボットの知能を工場の実作業へ移し始めた。2026年7月15日、同社は3億ドルのシード資金を調達し、評価額11億ドルでステルス状態を解いた。1月にTRIから分社化し、同社によれば2月から北米のトヨタ工場で生産作業を続けている。最初の試験から実作業への移行には2カ月かからなかったという。研究チーム、資本、工場を一つの学習循環に結びつけた点に、Waldenの狙いがある。
ただし、「働きながら賢くなる」という説明を、ロボットが稼働中に自律的に自分を書き換える仕組みと受け取るのは早い。TRIの査読論文が実証したのは、大量の事前学習後に個別タスクを調整すると、必要な実演データを減らせることだ。Waldenの商用機が工場でどう失敗を集め、誰が再学習を承認するのかは公表されていない。
3億ドルと2カ月未満の工場移行
資金調達はトヨタ自動車とDeviation Capitalが共同で主導した。トヨタ側には本体、Toyota Invention Partners、Toyota Venturesが入る。参加者にはNVIDIAとCoreWeave Venturesが名を連ね、Boeing、Samsung Ventures、Prologis Venturesも加わった。計算基盤を供給する企業と、製造・物流に関わる企業が同じラウンドに参加した。
WaldenはハードウェアからAI、導入ソフトウェア、現場アプリケーションまでを自社で扱う。最初の対象は製造と物流だ。公式サイトは、工作機械への部材の出し入れ、工具のセット、部品の取りそろえ、組み立てという4種類の作業を掲げている。固定された一工程を高速反復する従来型の産業ロボットより、工程変更や品種差に追随しやすい機械を目指す。
トヨタは投資家であると同時に最初の大口利用者でもある。Waldenによれば、北米のトヨタ工場では2月から生産作業を続けている。最初の試験から実作業への移行には2カ月かからなかった。とはいえ、工場名と投入台数は明かされていない。どの工程を任され、1時間に何個を処理し、人が何回介入したのかも不明だ。実作業への移行は研究デモより一歩進んだとの会社発表だが、量産設備としての成熟度を測る数字はこれからである。
大規模行動モデルは何を学んだのか
Waldenの技術的な起点は、TRIと大学研究者が育てたDiffusion Policy（拡散ポリシー）にある。カメラ画像や触覚情報を受け取り、画像生成AIがノイズから画像を整えるように、候補となる一連の動作を段階的に作る。ロボットはその一部を実行すると、変化した周囲を見て次の動作列を計算し直す。布や液体、反射物のように、数式で形や動きを決めにくい対象を人の実演から学べる点が強みだ。
TRIは2023年、人が触覚装置で動作を教え、目標を言葉で添える方式によって、60種類を超える器用な作業を学習させたと発表した。新しい動作は数十回の実演から展開できた。プログラムを工程ごとに書き換える代わりに、データを追加して技能を増やす発想である。
この方式を多数の作業へ広げたものがLarge Behavior Model（LBM、大規模行動モデル）だ。2026年に『Science Robotics』へ掲載されたTRIの論文は、約1,700時間の実演データで複数のLBMを訓練した。評価には実機で1,800回、シミュレーションで4万7,000回を超える試行を使っている。実機試験は2本のFranka FR3アームを備えた卓上装置で行い、条件ごとに50回ずつ動かした。
結果は明確だった。事前学習したLBMを個別タスク向けに調整すると、ゼロから学ぶモデルと同等の性能に必要なデータを3分の1から5分の1へ減らせた。訓練時と物の配置や環境が変わった条件でも、改善幅は大きくなった。Waldenが工場へ持ち込もうとしているのは、この「新工程を教えるたびに必要なデータを減らす」性質である。
「働きながら学ぶ」の中身はまだ見えない
同じ論文には、宣伝文から抜け落ちやすい限界も記されている。個別調整を施していないLBMは、単一タスクをゼロから学んだモデルを安定して上回らなかった。効果は事前学習済みモデルを現場の作業へ合わせ込んだ後に現れる。さらに、訓練をやり直したときのばらつきは評価に含まれず、小さな改善は実機試験のノイズに埋もれる可能性があるという。
継続学習の運用として想定できる一例は、稼働中に集めた失敗や人の介入を再学習に回し、安全確認を経て工場へ戻す循環だ。ただし、Waldenは再学習の頻度も安全確認の手順も公表していない。TRIの実証結果も、稼働中にモデルのパラメーターを自動更新するオンライン学習を保証するものではない。工場では一度の誤動作が設備停止や品質不良につながるため、学習速度と変更管理を切り離せない。
Waldenの採用ページからは、運用を支える検証体制が見える。強化学習によるポストトレーニングやデータ設計を担う人材を募り、別にポリシー評価と実験基盤の担当を置く。ロボット側では機能安全、信頼性試験、リリース管理の採用を進めている。モデル一つで工場へ入るのではなく、データと検証の組織を製品の一部にする構えだ。
商用機の公開情報には、工程別のサイクルタイムと稼働率がない。介入回数や復旧時間も示されず、安全認証と導入価格も分からない。研究用の卓上装置で確認した「必要データを3〜5分の1に削減」という成果を、そのまま人件費や投資回収期間へ置き換えることはできない。
トヨタは一社に賭けていない
トヨタは2026年5月の決算説明で、世界の工場が年間約1,000万台を生産し、熟練作業者がロボットを育てられることを自社の強みとして挙げた。部品搬送と部品ピッキングはすでに実証中で、将来は工場外へ広げる方針も示している。大量の実作業と改善を積み重ねるトヨタ生産方式を、ロボットの訓練環境として使う考えだ。
Waldenはその中核候補だが、トヨタが選んだ唯一の方式ではない。2026年2月19日、Toyota Motor Manufacturing CanadaはAgility Roboticsと、二足歩行ロボット「Digit」を使うRobot-as-a-Service契約を結んだ。こちらも試験を経て、製造と部品供給、物流作業へ進む商用契約である。Waldenでは研究組織を分社化して資本を入れ、Agilityとは外部製品をサービスとして導入する。二つの事例からは、トヨタが異なる機体と契約方式を自社工場へ入れていることが分かる。
複数方式を採るトヨタでは、Waldenも既存設備や外部製ロボットとの費用対効果を示さなければならない。既存の工程へ短期間で入れるか、別の工場でも学習済み技能を再利用できるか、停止時間を含む総費用で従来設備を上回れるか。Waldenが顧客名と稼働データを開示し、トヨタ以外の工場でも短期間に立ち上げられたとき、研究実績への先行投資という見方を抜け、再現性のある産業基盤として評価される。