作者：Zen，PANews
7月15日之前，Walden Robotics一直不为公众所知晓。
而就在当天，这家从丰田研究院分拆的机器人公司突然正式亮相，并一次性披露了3亿美元种子轮融资和11亿美元估值。
这笔融资由丰田与Deviation Capital共同领投，NVIDIA、波音、Samsung Ventures、Prologis Ventures和CoreWeave Ventures等产业资本参与其中。
从成立到进入独角兽行列，Walden只用了半年。而它已拥有许多机器人初创公司梦寐以求的条件——成熟的研究团队、充足的资本、丰田开放的生产体系，以及来自制造、航空、电子和物流产业投资者的潜在合作渠道。
从丰田研究所走出的新独角兽
在此次公布融资消息之前，Walden Robotics一直处于隐身的状态。
今年1月，Walden从丰田研究所（Toyota Research Institute，下文简称“TRI”）分拆成立。该公司名称的灵感，来自美国作家梭罗的著作《瓦尔登湖》（Walden），书中阐述了有意识地、带着目标生活的重要性。也对应着该公司希望探讨的问题：机器人将如何帮助人们在工作和生活中找到更多意义。
按照Walden的联合创始人兼CEO Russ Tedrake的判断，由物理AI驱动的通用机器人毫无疑问是一项颠覆性技术，且已经走向了关键拐点。不过，若想实现商业成功，还需要机器人企业验证单位经济效应，并与客户深入协作。
而在成立独立公司后，Walden可以更集中地推动丰田研究院机器人技术的商业化，将相关成果从实验室带入生产环境。通过与全球大型制造及物流企业合作，Walden希望在真实场景中持续验证产品能力，确保产品能够适配真实生产流程，带来明确的成本节约和效率提升。
Russ Tedrake是麻省理工学院教授，此前在TRI领导机器人和机器学习团队近十年。其团队做出了许多基础研究贡献，包括 Diffusion Policy,、通用操作接口（UMI）、大行为模型（Large Behavior Models）、OpenVLA以及开源模拟器Drake。
除了Russ Tedrake外，目前Walden创始团队还包括CTO Ben Burchfiel、COO Kerri Fetzer-Borelli、首席产品官Dave Johnson、首席战略官Adrien Gaidon、首席架构师Siyuan Feng和AI负责人Rares Ambrus。其中多位成员也是TRI大行为模型研究的项目负责人，参与了模型架构、训练、仿真和评估体系的建设。
可以看出，相比普通创业公司，Walden的起点和平台都明显更高。一方面，它承接了TRI在机器人领域数十年的研究成果；另一方面，丰田既是核心投资方，更是其最重要的早期产业合作伙伴，提供了首批真实生产场景。
背靠丰田制造体系，Walden缩短商业化验证周期
具身智能公司的一个普遍难题，是技术研发和商业部署之间存在断层。
机器人需要进入真实环境获得高质量数据，但早期产品存在的可靠性和经济性问题，又难以让企业客户信服，并将其投入到实际工作中。而缺少部署场景和数据，模型便难以覆盖现实世界中的异常情况，产品能力也很难持续改善。
而在成立之初便获得丰田的生产体系支持的Walden，在一定程度上缩短了这一验证周期。丰田既是其技术孵化方和核心投资者，也是首批实际部署场景的提供者。Walden无需从零开始寻找工业客户，也不必单独建立用于测试的模拟工厂，而可以直接进入已有生产流程，与制造团队共同定义任务、调整设备并评估投入产出。
这种产业背景的价值，还不仅仅在于提供机器人的“训练”场地。工业机器人能否创造经济价值，取决于任务频率、设备利用率和安全要求等多项因素。许多实验室中表现突出的机器人任务，进入工厂后未必具备部署价值。
而丰田长期积累的制造和自动化经验，可以帮助Walden优先选择适合现阶段技术能力、同时具有明确商业回报的工序，减少产品开发与客户需求脱节的风险。
此外，Walden的投资者阵容，为其拓展外部场景提供了潜在渠道。除丰田外，波音、Samsung Ventures和Prologis Ventures分别对应航空制造、电子产业和物流基础设施，NVIDIA与CoreWeave则连接机器人计算和AI训练资源。
这些企业显然均为潜在的协同资源，有望在未来向Walden提供合作入口。某种程度上，在丰田为其解决了商业化最初阶段的场景与数据问题后，真正决定Walden长期价值的，或许是这套技术和运营体系能否走出丰田，并转化为面向更多制造企业的标准化产品。
对此，继承了TRI研究和技术成果的Walden信心十足，这就不得不提到该公司的技术体系的核心——大行为模型（Large Behavior Models，简称LBM）。
核心技术 LBM （大行为模型），将通用操作能力带入工厂
与面向文本生成的大语言模型不同，LBM需要同时处理视觉画面、机器人自身状态、触觉或其他传感器信息以及任务指令，并据此生成连续动作。其目标并非针对每项工作单独编写程序，而是通过多任务数据训练，使同一套模型能够学习和迁移不同操作技能。
这一路线建立在TRI多年的机器人学习研究之上。其中，Diffusion Policy是较具代表性的技术基础。
传统工业机器人通常依赖预先设定的运动轨迹和工位条件，零件位置、设备布局或生产流程发生变化后，往往需要工程师重新编程调试。Diffusion Policy则通过人类示范学习动作分布，模型从视觉、动作和机器人状态数据中提取规律，再尝试自主复现。
在此基础上，LBM进一步将多种任务纳入统一的预训练框架。TRI此前披露的研究使用了接近1700小时机器人数据，并进行了1800次真实环境测试和超过4.7万次仿真测试。研究结果显示，经过多任务预训练的模型在学习部分新任务时，所需数据量可以明显低于从头训练的单任务模型。
这为Walden的产品逻辑提供了基础：机器人不必依赖工程团队逐项编程，而可以通过少量示范适应新的操作流程。对工业客户而言，这类能力主要适用于产品种类较多、生产任务频繁调整的制造环境。相比只能重复固定动作的传统自动化设备，具备学习能力的机器人有望以更低的改造成本切换工序和任务。
目前，Walden采取自主运行与远程人工协助相结合的方式。机器人能够独立完成已经掌握的常规任务，当遇到异常物体、环境变化或超出模型能力范围的情况时，再由远程操作人员介入。
在机器人的本体设计上，Walden采用类人双臂上身与轮式移动底盘相结合的形态，并将产品重点放在双臂操作、任务学习和环境适应能力上。
轮式移动机器人在地面平整、工位明确的工业和仓储场景中并不少见，其主要优势在于稳定性、负载和系统复杂度相对可控。类人化上身设计则有助于机器人使用面向人类设计的工具和工作空间，其所追求的“通用性”，更多来自模型对不同任务的学习能力，以及双臂系统对多种物体和设备的操作能力。
不过，Walden虽然拥有得天独厚的条件，在机器人赛道上也有一定程度的领先。正如Russ Tedrake在Walden正式亮相时表示：“团队足够强，进展足够快，因此我们不需要夸大它。”但对于这家刚刚走出隐身状态的公司而言，正如Russ Tedrake所说：“我们才刚刚踏上这段旅程。”
