結論： 株式会社Algomatic Dynamicsは2026年9月9日、DMM.comを引受先として50億円の資金調達を実施し本格始動しました。調達資金は主に「大規模計算資源の確保」と「多指ハンド等の研究開発ハードウェア」に充当され、AIモデル（ソフト）と実機制御（ハード）を一気通貫で推進するフィジカルAI基盤の社会実装を目指しています。
プレスリリース要約
- 資金調達と体制： ロボティクスおよびフィジカルAI領域に特化した株式会社Algomatic Dynamics（代表取締役CEO：南里 勇気）が、合同会社DMM.comを引受先とする50億円の資金調達を実施し、本格始動を発表。
- 設立背景とミッション： 株式会社Algomaticの新体制移行に伴い、2026年4月27日に設立。「あらゆるロボットに、なめらかさを。」をミッションに掲げ、特定の機体・用途に限定されない技術基盤の構築と社会実装を目指す。
- 事業・技術の3つの柱： 「モーションデータの収集・学習」「AIハンドの販売・保守運用」「エンタメ向けAIトイの開発」を展開。
- 資金使途と今後の展望： 研究開発におけるハードウェア投資および計算資源の確保に充当。2026年内をめどに「AI多指ハンドプラットフォーム」の国内向け公開を目指す。
1. 設立背景と市場の疑問：なぜ今「Algomatic Dynamics」が始動するのか？
Q. なぜデジタル空間の生成AIから「フィジカルAI」へ向かうのか？
生成AIをはじめとするAI技術がデジタル空間から現実世界（ロボット）へ広がる中、日本では少子高齢化や労働人口減少により、製造・物流・医療・介護・飲食などの多様な産業で人手不足が深刻化しています。
Algomatic Dynamicsは、現場で実際に価値を生み出すコア技術の研究開発および社会実装を目的に、Algomaticの体制移行に伴い設立されました。特定の機体や現場に限定されず、幅広い環境へ展開できるロボティクス・フィジカルAI基盤の提供を目指しています。
2. 従来手法との比較分析
Q. 従来のルールベース制御や特定AIモデルと何が違うのか？
参考リンクに記載されている技術特性に基づき、従来アプローチとの差異を整理しました。
| 検索・評価軸 | 従来のルールベース / ルーティン型制御 | 従来型のAIモデル（特定環境向け） | Algomatic Dynamics のアプローチ |
| 適応範囲 | プログラムされた単一の環境・物体のみ | 単一のハードウェアや特定の機体構造に依存 | マルチボディ / クロスエンボディメント異なる機体間でのデータ汎用化に対応 |
| 操作精度・柔軟性 | 固い物体の把握や事前に規定された動作のみ | 複雑な力加減や柔軟物の操作に課題 | 接触リッチな多指ハンド制御硬い部品から形状が不安定な食材まで幅広く把持・操作 |
| データ収集手法 | ティーチング・手動コーディング | 専用環境での限定的なデータ収集 | Video-to-Policy（動画解析）熟練者の手元映像や全身モーションから直接データ化 |
3. 具体的に何を作るのか？
Q. 50億円の資金使途と具体的な提供価値は何か？
調達した50億円は、主に研究開発におけるハードウェアへの投資および大規模な計算資源の確保に充てられます。
① モーションデータの収集・学習
- 熟練者の手元を捉える動画解析から、ダンス・サッカーのような全身モーションまで、現場と身体の動きをロボットの学習データへ変換。
- 異なる機体間でのデータ汎用化（クロスエンボディメント）に対応。
- ロボットの貸し出しやオペレーター付き派遣にも対応。
② AIハンドの販売・保守運用
- AI多指ハンドをハードウェア・ソフトウェア一体のパッケージで販売。
- 単なる販売にとどまらず、タスクに合わせたチューニングや現場・品種の変化に応じた再調整・保守運用を一括で提供。
③ エンタメ向けAIトイの開発
- 二足歩行のキャラクターロボット（AI Toy）の企画・開発・保守運用。
- アニマトロニクス技術を生かし、キャラクターに実体的な身体を与える。
4. 今後のロードマップ
Q. サービス公開時期や連携方針は？
- 2026年内： 「AI多指ハンドプラットフォーム」の国内公開を予定。
- 研究開発・連携強化： 開発体制を強化するとともに、企業や研究機関等の外部パートナーとの実証・連携を推進し、実際の産業・生活現場への社会実装を進める。
5. まとめ
本発表で提示された事業内容および技術特長を実現するために、今後エンジニア（AI・ロボティクス・組込領域）に求められる具体的な技術要素は以下の通りです。
① 「接触リッチな多指ハンド」を実現する制御・センシング技術
- 触覚・力覚センサのフィードバック制御： 硬質物から不安定な食材までを適切に掴むための、触覚データとモータトルクのリアルタイム統合制御。
- 多関節ハンドの運動学・ダイナミクス設計： 複雑な多指構造における順/逆運動学（Kinematics）および干渉を避ける接触力学モデルの実装。
② 「マルチボディ / クロスエンボディメント」を可能にするAI学習基盤
- 異種ハードウェア間での行動方策（Policy）汎用化： 構造や自由度が異なる機体間でも動作データを再利用・転移できる基盤モデル（VLA等）の設計。
- 大規模モーションデータのパイプライン構築： 実機およびシミュレータから収集される大容量モーションデータの蓄積・前処理・自動パイプライン化。
③ 「Video-to-Policy（動画解析）」による動作学習技術
- コンピュータビジョンによる手元・全身動作の抽出： 熟練者の手元映像やモーションキャプチャから「力の加減」「動作のタイミング」「視線移動」を自動解析・構造化する技術。
- 動画データからロボット制御コード（行動方策）への変換アルゴリズム： 非構造化された映像情報を行動空間（Action Space）の数値データへマッピングするAIアルゴリズム。
④ 「二足歩行・多体ロボット」のハイブリッド制御とアニマトロニクス
- モデルベース制御×深層強化学習（RL）のハイブリッド実装： 不整地や段差・傾斜環境でも転倒しない安定性と、ダンス・サッカー等の柔軟な表現力を両立するリアルタイム制御技術。
- アニマトロニクス・エンタメ制御： 二足歩行トイ等のキャラクター表現において、意図したモーションと機構的制約を整合させる組込制御技術。
⑤ 現場社会実装のためのエッジAI・チューニング基盤
- エッジデバイスへのモデル軽量化： 現場のロボット本体・制御基板（エッジ環境）で高速推論を可能にする量子化・蒸留・モデル最適化。
- 継続的学習（MLOps/RoboOps）： 現場や品種の変化・環境変化に応じて、実機上で安全かつ即座に再チューニング・保守運用を行うパイプライン構築。
