作者：Zen，PANews
7月15日之前，Walden Robotics一直不為公眾所知曉。
而就在當天，這家從豐田研究院分拆的機器人公司突然正式亮相，並一次性披露了3億美元種子輪融資和11億美元估值。
這筆融資由豐田與Deviation Capital共同領投，NVIDIA、波音、Samsung Ventures、Prologis Ventures和CoreWeave Ventures等產業資本參與其中。
從成立到進入獨角獸行列，Walden只用了半年。而它已擁有許多機器人初創公司夢寐以求的條件——成熟的研究團隊、充足的資本、豐田開放的生產體系，以及來自製造、航空、電子和物流產業投資者的潛在合作渠道。
從豐田研究所走出的新獨角獸
在此次公佈融資消息之前，Walden Robotics一直處於隱身的狀態。
今年1月，Walden從豐田研究所（Toyota Research Institute，下文簡稱「TRI」）分拆成立。該公司名稱的靈感，來自美國作家梭羅的著作《瓦爾登湖》（Walden），書中闡述了有意識地、帶著目標生活的重要性。也對應著該公司希望探討的問題：機器人將如何幫助人們在工作和生活中找到更多意義。
按照Walden的聯合創始人兼CEO Russ Tedrake的判斷，由物理AI驅動的通用機器人毫無疑問是一項顛覆性技術，且已經走向了關鍵拐點。不過，若想實現商業成功，還需要機器人企業驗證單位經濟效應，並與客戶深入協作。
而在成立獨立公司後，Walden可以更集中地推動豐田研究院機器人技術的商業化，將相關成果從實驗室帶入生產環境。透過與全球大型製造及物流企業合作，Walden希望在真實場景中持續驗證產品能力，確保產品能夠適配真實生產流程，帶來明確的成本節約和效率提升。
Russ Tedrake是麻省理工學院教授，此前在TRI領導機器人和機器學習團隊近十年。其團隊做出了許多基礎研究貢獻，包括 Diffusion Policy,、通用操作介面（UMI）、大行為模型（Large Behavior Models）、OpenVLA以及開源模擬器Drake。
除了Russ Tedrake外，目前Walden創始團隊還包括CTO Ben Burchfiel、COO Kerri Fetzer-Borelli、首席產品官Dave Johnson、首席戰略官Adrien Gaidon、首席架構師Siyuan Feng和AI負責人Rares Ambrus。其中多位成員也是TRI大行為模型研究的專案負責人，參與了模型架構、訓練、仿真和評估體系的建設。
Walden Robotics 團隊，左二為 Russ Tedrake
可以看出，相比普通創業公司，Walden的起點和平台都明顯更高。一方面，它承接了TRI在機器人領域數十年的研究成果；另一方面，豐田既是核心投資方，更是其最重要的早期產業合作夥伴，提供了首批真實生產場景。
背靠豐田製造體系，Walden縮短商業化驗證週期
具身智慧公司的一個普遍難題，是技術研發和商業部署之間存在斷層。
機器人需要進入真實環境獲得高品質數據，但早期產品存在的可靠性和經濟性問題，又難以讓企業客戶信服，並將其投入到實際工作中。而缺少部署場景和數據，模型便難以覆蓋現實世界中的異常情況，產品能力也很難持續改善。
而在成立之初便獲得豐田的生產體系支持的Walden，在一定程度上縮短了這一驗證週期。豐田既是其技術孵化方和核心投資者，也是首批實際部署場景的提供者。Walden無需從零開始尋找工業客戶，也不必單獨建立用於測試的模擬工廠，而可以直接進入已有生產流程，與製造團隊共同定義任務、調整設備並評估投入產出。
這種產業背景的價值，還不僅僅在於提供機器人的「訓練」場地。工業機器人能否創造經濟價值，取決於任務頻率、設備利用率和安全要求等多項因素。許多實驗室中表現突出的機器人任務，進入工廠後未必具備部署價值。
而豐田長期積累的製造和自動化經驗，可以幫助Walden優先選擇適合現階段技術能力、同時具有明確商業回報的工序，減少產品開發與客戶需求脫節的風險。
此外，Walden的投資者陣容，為其拓展外部場景提供了潛在渠道。除豐田外，波音、Samsung Ventures和Prologis Ventures分別對應航空製造、電子產業和物流基礎設施，NVIDIA與CoreWeave則連接機器人計算和AI訓練資源。
這些企業顯然均為潛在的協同資源，有望在未來向Walden提供合作入口。某種程度上，在豐田為其解決了商業化最初階段的場景與數據問題後，真正決定Walden長期價值的，或許是這套技術和運營體系能否走出豐田，並轉化為面向更多製造企業的標準化產品。
對此，繼承了TRI研究和技術成果的Walden信心十足，這就不得不提到該公司的技術體系的核心——大行為模型（Large Behavior Models，簡稱LBM）。
核心技術LBM（大行為模型），將通用操作能力帶入工廠
與面向文本生成的大語言模型不同，LBM需要同時處理視覺畫面、機器人自身狀態、觸覺或其他感測器資訊以及任務指令，並據此生成連續動作。其目標並非針對每項工作單獨編寫程式，而是透過多任務數據訓練，使同一套模型能夠學習和遷移不同操作技能。
這一路線建立在TRI多年的機器人學習研究之上。其中，Diffusion Policy是較具代表性的技術基礎。
傳統工業機器人通常依賴預先設定的運動軌跡和工位條件，零件位置、設備佈局或生產流程發生變化後，往往需要工程師重新編程調試。Diffusion Policy則通過人類示範學習動作分佈，模型從視覺、動作和機器人狀態數據中提取規律，再嘗試自主複現。
在此基礎上，LBM進一步將多種任務納入統一的預訓練框架。TRI此前披露的研究使用了接近1700小時機器人數據，並進行了1800次真實環境測試和超過4.7萬次仿真測試。研究結果顯示，經過多任務預訓練的模型在學習部分新任務時，所需數據量可以明顯低於從頭訓練的單任務模型。
在模擬和現實世界中，針對各種任務和環境條件，Walden對其LBM模型進行評估
這為Walden的產品邏輯提供了基礎：機器人不必依賴工程團隊逐項編程，而可以通過少量示範適應新的操作流程。對工業客戶而言，這類能力主要適用於產品種類較多、生產任務頻繁調整的製造環境。相比只能重複固定動作的傳統自動化設備，具備學習能力的機器人有望以更低的改造成本切換工序和任務。
目前，Walden採取自主運行與遠端人工協助相結合的方式。機器人能夠獨立完成已經掌握的常規任務，當遇到異常物體、環境變化或超出模型能力範圍的情況時，再由遠端操作人員介入。
在機器人的本體設計上，Walden採用類人雙臂上身與輪式移動底盤相結合的形態，並將產品重點放在雙臂操作、任務學習和環境適應能力上。
輪式移動機器人在地面平整、工位明確的工業和倉儲場景中並不少見，其主要優勢在於穩定性、負載和系統複雜度相對可控。類人化上身設計則有助於機器人使用面向人類設計的工具和工作空間，其所追求的「通用性」，更多來自模型對不同任務的學習能力，以及雙臂系統對多種物體和設備的操作能力。
不過，Walden雖然擁有得天獨厚的條件，在機器人賽道上也有一定程度的領先。正如Russ Tedrake在Walden正式亮相時表示：「團隊足夠強，進展足夠快，因此我們不需要誇大它。」但對於這家剛剛走出隱身狀態的公司而言，正如Russ Tedrake所說：「我們才剛剛踏上這段旅程。」
