Figure AI、売れる製品がないうちに35億ドル分の計算資源を確保

2026年9月27日から10月2日までピッツバーグで開催されたIROS 2026で、いつもの研究デモの並びの中で一つ際立った発表があった。Figure AIは、AIクラウドプロバイダーのNscaleと複数年契約を締結し、初期35億ドルを計算資源に投じること、さらに60億ドル超まで拡大し、2027年後半から最大10万基のNvidia GPUを配備する計画を明らかにした。

建設はテキサス州バーストウで計画されている。トレーニングはNvidiaのVera Rubinプラットフォームで実行され、検証はIsaac Simで行われ、最終的には同じGPUがロボット本体の中で動くことになる。

証明の前に置かれた賭け

ヒューマノイド企業は多額の資金を調達してきたが、その大半はハードウェアと実証実験に費やしてきた。ロボットが大規模に有償の仕事をこなす前にこれほどの額を計算資源にコミットするのは、種類の異なる賭けだ。これは、ヒューマノイドを縛る制約は機械部品ではなく、トレーニング用の計算資源とモデルの品質になるという信念を意味する。

その信念は検証可能であり、これまでの証拠はまちまちだ。世界で最も注目されるヒューマノイドプログラムであるTeslaのOptimusは、9月下旬にフリーモント工場の生産量を週数百台に引き上げ、第2四半期の約10倍とした。サプライヤーには2026年を通じて約1万5000台分の部品が要請されたと伝えられている。報じられているボトルネックは週あたりの筐体数ではない。手であり、AIがタスクをまたいで汎化できないことだ。身体を作れる工場は、その身体を役立たせる問題を解決してはいない。

Figureの計算資源へのコミットは、事実上、その汎化問題にはるかに多くのトレーニング容量を投じるのが正しい一手だという賭けである。もしそれが正しければ、先に計算資源を確保した企業が優位に立つ。そうでなければ、その資金は大きな請求書と大量の遊休GPUを買うことになる。

10万基という数字が本題である理由

ロボット内部にGPUを配備する部分こそ注目に値する。トレーニング用の計算資源は既知の量だ。移動する機械が搭載できる電力と熱の予算内で、大規模モデルをリアルタイムに動かすオンボード計算は、より難しいエンジニアリング目標である。FigureがNvidia GPUを大規模にロボットへ搭載しようとしているなら、それは動かしたいモデルがエッジ向けアクセラレータでは済まないほど大きいというシグナルだ。

それにはFigureをはるかに超えた影響がある。電力、冷却、1台あたりのコストに対する要件を定め、それがヒューマノイドの購入者にとっての価値を変える。動作に本格的なGPUを必要とするロボットは、スマートフォンクラスのチップで小さなモデルを動かすロボットとは別の製品である。

他の陣営の状況

IROSの会場は有用な比較対象を提供した。Agility Roboticsは二足歩行ロボットの次期版Digit 5を発表し、Amazon、GXO、Schaeffler、Toyota Motor Manufacturing Canadaを含む北米の顧客サイトでDigit 4が6万5000時間以上稼働したと述べた。Agilityはまた、ヒューマノイドの機能安全を狙ったFORT Roboticsとの提携も発表した。稼働時間と安全性のケースというこの2つは、工場の購買担当が契約前に求めるものだ。

Sanctuary AIは、電線を差し込むタスクで2.54秒のサイクルタイムで99.5%超の成功率を報告し、大手自動車サプライヤーの実運用ベンチマークに対して検証した。これは狭いタスクであり、狭いタスクこそこの技術が実用段階にある領域だ。UnitreeはIsaac GR00TのリファレンスプラットフォームとしてH2 Plusを学術向けに発表し、速いリリースペースをさらに広げた。Astribotはこの会議で北米でのT1ヒューマノイドを約1万8000ドルで初公開し、労働者ではなく研究プラットフォームとして位置づけた。

合わせて読むと、この分野は分裂しつつある。汎用能力の証明を競い、計算資源に多額を投じる企業もあれば、狭く測定可能なタスクを出荷し、顧客が実際に金を払う安全記録と稼働実績を積み上げる企業もある。

会議全体が示したもの

IROSは研究の集まりであり、技術セッションは注目がどこにあるかを反映していた。ワークショップは機敏な移動操作、実世界での視覚-言語-行動コントローラのポリシー評価、そしてシミュレーションでのトレーニングを物理的な二足歩行機械へ転移させることに焦点を当てていた。最後の話題は、シミュレーションで費やした計算が工場のフロアでの行動に変わるかどうかを決めるものだ。

開催地はピッツバーグで、カーネギーメロン大学のロボティクスの厚みを示す場となった。何年もパルクールをするロボットの印象的な動画を作り続けてきた分野にとって、接触の多いマニピュレーションと実世界評価へと重点が移るのは、意味のある方向転換である。ロボットが跳ぶ映像を撮るほうが、見慣れない物体を安全に持ち上げるロボットを認証するよりも簡単だ。

計算資源の議論を平易に述べる

Figureの賭けは特定の主張に依拠している。すなわち、デモがうまいヒューマノイドと実際に働くヒューマノイドの差は主にモデリングの問題であり、モデリングの問題はデータと計算で解かれるという主張だ。その主張は突飛ではない。ここ数年、より大きく多様なデータでのトレーニングを拡大し続けると、他の領域では汎化が改善し続けることが示されており、マニピュレーションだけが例外だと言う強い理由はない。

反論は、ロボティクスには言語モデルにはなかったデータ問題があるというものだ。テキストはウェブ上に豊富にある。新しい位置にある新しい物体を手で掴むことを教えるような高品質のマニピュレーションデータは、収集が高コストで、正確にシミュレートするのも難しい。データパイプラインが整っていれば、計算資源が多いほど役立つ。整っていなければ、大規模なトレーニングクラスタはほとんど遊休するだけだ。

購入者がそこから得るべきこと

ロボットの台数よりも重要な指標が2つある。1つ目はマニピュレーションの信頼性、つまり手が失敗せずに多様な把持を行えるかどうか。2つ目は汎化、つまりある一群の物体で訓練された行動が、新しい照明、新しい配置の下で、新しい物体に転移するかどうかだ。週次の生産台数は、どちらについても何も語らない。

Figureのような計算資源へのコミットは、2つ目の指標に真っすぐ向けられている。それが機能するかは未解決の問いであり、答えはプレスリリースからは出てこない。バーストウのキャパシティで訓練されたロボットが、見たことのない物体を掴み、監督が見ていない生産ラインで正しく置けるかどうかから出てくる。

早く動くことのコスト

単純な財務リスクもある。計算資源の契約は複数年の義務であり、GPUの世代交代は速い。今日のトレーニング実行に合わせたコミットは、18か月後には過大にも過小にも見えうる。分野がどちらに動くかによる。Figureは必要量が減るのではなく増えると賭けた。

この賭けは擁護できる。ロボティクスのフロンティアはより大きなモデルへ向かっており、大きなモデルにはより多くの計算資源が必要だ。問題はタイミングである。Figureが示唆するスケジュールで汎化が実現すれば、早期のコミットは先見の明があったように見える。より時間がかかれば、問題が解けるのを待つ間、同社は大きな固定費を抱え込むことになる。