近年、マルチモーダルAIやVLM（Visual Language Model）の発展により、ロボティクス領域における「Physical AI（物理AI）」の実用化が急速に進んでいます。しかし、AIモデルの高度化に伴い、現場で深刻化しているのが「入力データ（センシング）の品質限界」です。
2026年9月2日、ロボット向けセンシングプラットフォームを手掛けるLyteが1億6,500万ドルのシリーズC資金調達（評価額16億ドル）を発表しました。本記事では、このニュースの背景と、同社が「なぜ半導体から自社開発するアプローチをとったのか」をハードウェア/ソフトウェア領域の技術視点から解説します。
ニュースリリースの要約（2026年9月2日発表）
- 発表日: 2026年9月2日（米国太平洋時間）
- 資金調達概要: シリーズCラウンドで1億6,500万ドル（約240億円）を調達。ポストマネー評価額は16億ドル（ユニコーン企業）に達し、累計調達額は2億7,200万ドル。リード投資家はMaverick Silicon。
- 主要参加投資家: Fidelity Management & Research Company、Atreides Management、Key1 Capital、Ora Globalなど。
- 主要創業者・役員:
- Alexander Shpunt（Co-founder & CEO）: 元PrimeSense（Appleが買収、Face IDの要素技術開発）出身。
- Avigdor Willenz（Chairman）: Galileo Technology、Annapurna Labs（AWSが買収、Inferentia/Gravitonを開発）を創業・売却した半導体業界の第一人者。
- コアプロダクト「LyteVision」: 自社設計のセンシング半導体（シリコン）を基盤に、4D Coherent Vision、高解像度RGB画像、IMU（慣性センサ）を単一のエッジブロック・同一タイムライン上に統合した垂直統合型プラットフォーム。CES 2026「Best of Innovation in Robotics」受賞。
- 主な用途と顧客: 物流（AMR/AGV）、点検ロボット、製造用アーム、ヒューマノイドなどの知覚基盤。
1. 物理AIが直面する「入力層」の3大課題
LyteのCEOであるAlexander Shpunt氏は、「Physical AI has a sensing problem before it has a model problem（物理AIはモデルの前にセンシングの問題を抱えている）」と指摘しています。
既存のロボティクス開発では、市販のRGBカメラ、LiDAR、ToFセンサ、IMU（慣性計測装置）などを組み合わせてシステムを構築するのが一般的です。しかし、この方式ではどれほど高度なAIモデルを搭載しても、入力層で以下の構造的な問題が発生します。
- レイテンシ（遅延）と処理負荷
- 各センサから送られてくる生データをCPU/GPU側で同期・前処理・デコードする負荷が高く、リアルタイム推論におけるボトルネックとなります。
- キャリブレーションのズレ（Calibration Drift）
- 振動や温度変化、経年劣化により、異種センサ間の幾何学的な位置関係（外形キャリブレーション）が徐々にズレ、空間認識の精度が低下します。
- 時間の非同期（Timestamp Mismatch）
- 各センサのクロックが独立しているため、高速移動するロボットにおいて「どの画像がどのIMUデータ・空間深度と対応しているか」の完全な時間同期（1ミリ秒未満の精度）が困難になります。
2. LyteVisionのアーキテクチャ：「エッジでの時空間統合」
この課題を解決するために開発されたのが、同社の垂直統合型プラットフォーム「LyteVision」です。
独自シリコンによるエッジ処理（From Transistor Up）
Lyteは汎用のSoCやFPGAに頼らず、専用のセンシングプロセッサをカスタム設計（From the transistor up）しています。
各センサから出力されるデータをホスト側のGPUやCPUに転送してソフトウェアで融合（Sensor Fusion）するのではなく、プロセッサ内部でハードウェアレベルで一次融合を行います。これにより、パイプラインの途中で発生するメモリアクセスやバス転送のオーバーヘッドを劇的に削減しています。
単一タイムラインによる4Dフュージョン
LyteVisionは、以下の異なるモーダリティを単一のエッジブロック内に収めています。
- 4D Coherent Vision（空間の3次元位置 ＋ 運動ベクトル）
- 高解像度RGBイメージング
- IMU（慣性計測ユニット）
これらが単一のハードウェアクロックに紐づけられており、「4D空間データ・視覚情報・自身の運動状態」が完全に同一のタイムライン（Single Synchronized Timeline）上で生成されます。
3. 競合・既存手法とのアーキテクチャ比較
ロボティクスにおける知覚（Perception）の手法は、処理層のレベルによって以下のように分類できます。
| 比較項目 | 1. 汎用ビルディングブロック構成(Intel RealSense + 市販LiDAR + IMU) | 2. エッジAI・アクセラレータ構成(NVIDIA Jetson等でのSWフュージョン) | 3. Lyte（垂直統合プラットフォーム）(LyteVision) |
| アーキテクチャ | 独立した離散センサをUSB/Ethernet等で接続 | 市販センサのデータを強力なGPU/SoC上でSW処理 | 自社半導体・光学・IMUを一体化した単一モジュール |
| センサ同期 | ソフトウェア補間（数ミリ〜数十ミリ秒のタイムラグ） | PTP/ハードウェアトリガー等で同期を試みるが限界あり | 単一のハードウェアクロックによる完全非同期ゼロ |
| 処理遅延（レイテンシ） | 高い（ホストバス転送＋SW再構築処理） | 中程度（GPUパイプラインの転送オーバーヘッド） | 極めて低い（プロセッサ内部でダイレクト融合） |
| キャリブレーション | 経年変化・振動によりドリフト（再キャリブレーション必須） | ソフトウェア補正を依存（処理負荷増） | 工場出荷時のエッジブロック統合により構造的ズレなし |
| 開発コスト・導入性 | 評価・試作は容易だが、個別チューニングが膨大 | パイプライン構築やCUDA最適化の工数が高い | 統合済み4Dデータとして直接AIモデルに流し込み可能 |
4. 「From Transistor to Model」がもたらす技術的優位性
従来のシステム開発では、RGBカメラ、LiDAR、IMU（慣性センサ）といった独立した市販のセンサモジュールを組み合わせ、個別ドライバを介してホスト側のCPUやGPU上でデータ融合（センサフュージョン）を行う構成が一般的でした。しかし、この方式では「ドライバの転送処理」「センサごとの独立したクロックに起因する時間の非同期（タイムスタンプのズレ）」「振動や経年劣化による位置合わせ（キャリブレーション）の補正処理」が各レイヤーで複雑に絡み合い、処理遅延（レイテンシ）の増加やデータ精度の劣化を引き起こす原因となっていました。
これに対しLyteの垂直統合アーキテクチャでは、独自の光学系・センサ群と自社設計の専用シリコン（センシングプロセッサ）をハードウェアレベルで完全に融合させています。これにより、エッジデバイス（センサモジュール内部）の段階で時間軸が完璧に同期された「高精度な4Dデータ（位置・動体情報）」を直接生成できます。CPUやGPU側で重い前処理や空間の再構築計算を行う必要がなくなり、完全に同期・最適化された高品質データをAI推論モデルへダイレクトに引き渡せるため、システム全体の超低遅延化と省電力化を実現しています。
このアーキテクチャ統合には、以下のような大きな利点があります。
- Sim2Real（シミュレーションと実機）のギャップ縮小
- 物理世界のデータを正確かつ高精度にノイズなくデータ化できるため、デジタルツインや物理シミュレータへの取り込み（Physical Capture）がシームレスになります。結果として、シミュレーション空間で学習させたモデルを実機に移植した際のギャップ（Sim2Real gap）が極めて小さくなります。
- エッジデバイスの省電力化とダウンサイジング
- ホストGPU側で行っていた重いビジョン・センサ処理を専用シリコンにオフロードできるため、ロボット全体の消費電力低減と熱設計の容易化に貢献します。
5. エンジニアへの示唆：これからのPhysical AI開発
AppleがMシリーズチップとOSを統合することで圧倒的なパフォーマンスを実現したように、またTeslaが自動運転において専用チップ（FSD Computer）とカメラ構成を垂直統合したように、物理世界を扱うAI領域においても「ハードウェアとソフトウェアの境界線」が消えつつあります。
物理AIシステムを開発するエンジニアにとって、今後は「より良いAIモデルを選択・チューニングすること」だけでなく、「モデルに入力されるデータの精度・同期・遅延をハードウェアレベルからどう最適化するか」というシステム設計視点がより一層重要になっていくでしょう。
参考リンク
- Lyte Series C Funding Announcement（公式ニュースリリース）
- Lyte Official Website（公式サイト）
