AI研究者のセバスチャン・スラン氏らが2026年に設立したDulo Inc.が、1億3000万ドルの資金を調達しました。米テクノロジーメディアのThe Informationが投資について報じ、共同創業者のエイドリアン・アウン氏もXへの投稿で認めています。企業価値は公表されていませんが、製品の詳細がほとんど明らかになっていない段階で、これだけの資金が集まった点は目を引きます。



Duloが掲げるのは、ハードウェア設計に最適化した基盤モデルの開発です。基盤モデルとは、大量のデータから幅広いパターンを学び、個別の業務や用途へ応用できるAIを指します。文章作成や画像生成で知られる仕組みを、設計、解析、製造といった物理的な製品開発へ持ち込もうとしているわけです。同社のウェブサイトには「製造を光速で進める」という趣旨の言葉が掲げられています。

今回の調達で注目すべき中心点は、著名な創業者や投資家の顔触れだけではありません。生成AIを含む基盤モデルの競争領域が、オフィス業務の効率化から、ロボットや車両などの開発工程へ広がりつつあることです。ただし、Duloがどの設計作業を対象にし、どの程度まで自動化するのかは判明していません。調達額は市場の期待を示しますが、製品の実力や導入効果を保証するものではないため、期待と確認済みの情報を分けて見る必要があります。

Duloを共同創業したセバスチャン・スラン氏は、自動運転とAI研究の双方で実績を持つ人物です。Googleには2007年に参加し、先端技術の研究開発部門として知られるGoogle Xの共同設立に携わりました。同部門で率いた自動運転プロジェクトは、後のWaymoにつながっています。Google Brainの立ち上げにも関与しており、この研究組織は現在のGoogle DeepMindへ至る流れの一つになりました。



スラン氏はGoogle入社前、初期の自動運転車「Stanley」の開発を率いていました。その後は、Google共同創業者ラリー・ペイジ氏の資金支援を受けた空飛ぶタクシーのスタートアップも設立しています。共同創業者のエイドリアン・アウン氏は、自然言語処理を手がけたWavii Inc.をGoogleへ3000万ドル超で売却した経験を持ち、Pinterestなどへの投資にも関わってきました。両氏には、研究成果を製品や企業へ接続してきた共通点があります。

出資者には、Google元最高経営責任者のエリック・シュミット氏、Googleの初期投資家だったラム・シュリラム氏、Salesforce最高経営責任者のマーク・ベニオフ氏、著名ベンチャーキャピタリストのジョン・ドーア氏のほか、複数のスタートアップ投資ファンドが含まれます。この布陣はDuloの採用や提携に追い風となる可能性がありますが、現段階で公表されている事業情報は1ページのウェブサイトなどに限られます。法人顧客が評価するときは、人物の経歴を信頼材料の一つとしつつ、対象業務、データ要件、精度、責任範囲を別途確かめる姿勢が欠かせません。

ハードウェア開発では、要求仕様の整理から形状設計、材料の選定、解析、試作、検証、製造準備まで、多数の工程が連続します。ソフトウェアとは異なり、設計上の問題が製造後に見つかれば、部品の作り直しや設備の再調整が必要になる場合があります。そのため、製造に入る前の段階で欠陥や性能不足を発見し、設計案を絞り込む作業が大きな意味を持ちます。



Duloが具体的にどの工程を自動化するのかは明らかにされていません。考えられる方向の一つとして挙げられているのが、エンジニアリングシミュレーションの最適化です。設計者はシミュレーションを使い、製品を実際に製造する前に、力、熱、流体などの条件を与えた際の挙動を確認します。AIが解析条件の設定や計算準備、結果の評価を支援できれば、技術者が複数の設計案を検討する速度を高められる可能性があります。

ただし、基盤モデルが設計全体を単独で担うと決まったわけではありません。現実的な法人利用では、技術者の判断を置き換えるより、候補案の生成、過去データの検索、反復作業の短縮といった補助役から導入されると考えられます。安全性が求められる製品では、AIが出力した設計や解析結果を既存の検証手順で確認しなければなりません。Duloを評価する際の焦点は、「何を生成できるか」だけでなく、既存のCADや解析ツール、承認プロセスの中へどう組み込めるかになるでしょう。

エンジニアリングAIの狙いを理解するには、シミュレーションの準備に時間と計算資源がかかる理由を押さえる必要があります。製品の三次元設計データを、そのまま計算に使えるとは限りません。解析では対象を多数の小さな形状へ分割し、それぞれの部分で物理現象を計算します。この分割工程が「メッシュ化」です。形状を細かく分けるほど詳細な解析が可能になりますが、計算量も増えるため、精度と負荷のバランスを取らなければなりません。



Duloと同じくエンジニアリング領域を狙うVinci4D Inc.は、このメッシュ化を自動化するプラットフォームを開発しています。適切なメッシュを効率よく作れれば、シミュレーションに必要なハードウェア資源を抑えながら、解析の準備を短縮できる可能性があります。これは生成AIによる設計支援が、完成形の図面を一度に作るだけの技術ではなく、開発工程内の専門的な作業を細かく改善する技術でもあることを示しています。

もう一つの焦点が偏微分方程式です。熱の伝わり方、流体の動き、構造物の変形などを予測するシミュレーターは、こうした方程式を利用します。AIスタートアップの中には、計算の一部を近似したり、条件に応じた結果を高速に推定したりすることで、解析時間の短縮を目指す企業があります。ただし、近似によって速度を上げる場合、対象外の条件で誤差が増えないかを検証しなければなりません。法人導入では、単純な処理速度だけでなく、許容誤差、再現性、適用可能な物理条件を確認する必要があります。

スラン氏は2026年8月、Duloが取り組む領域の一つとしてロボティクスを挙げました。ハードウェア設計向け基盤モデルという説明や、スラン氏の自動運転分野での経験を踏まえると、産業用ロボットや自動運転車の開発を支援する可能性が考えられます。ただし、Duloは対象製品や提供機能を具体的に発表していないため、ロボットや車両向けの製品が確定したと受け取るべきではありません。



ロボット開発は、機械構造、電子回路、制御ソフトウェア、センサーなど、複数分野の設計を組み合わせる必要があります。自動運転車でも、認識AIだけでなく、車体、電源、冷却、安全機構を含むシステム全体の整合が求められます。こうした複雑な製品では、一つの変更が別の部品や性能条件へ影響するため、多数の設計案を比較できる仕組みと相性がよいと考えられます。

基盤モデルが活用される場合、過去の設計資産から条件に合う構成を探す、要件に応じた候補を提示する、シミュレーション結果から問題箇所を見つけるといった使い方が想定できます。もっとも、設計データには企業固有の知的財産が含まれ、安全基準や製造設備も会社ごとに異なります。汎用モデルだけで完結するとは限らず、社内データとの接続方法や情報管理、技術者による検証が導入の前提になるでしょう。Duloがこの壁をどのように越えるのかが、事業性を判断する材料になります。

エンジニアリングAIは、同じ業務を横並びで競う単一市場ではありません。Vinci4Dはシミュレーション前のメッシュ化という具体的な工程に焦点を当てています。Duloはハードウェア設計向け基盤モデルを掲げていますが、対象となる工程は未公表です。各社の違いを見るには、「AIを使っているか」ではなく、設計工程のどこを改善し、どの専門ツールやデータと接続するのかを確認する必要があります。



大規模な競合候補として挙げられているのが、Amazon創業者ジェフ・ベゾス氏が共同で率いるPrometheus Inc.です。同社は2026年、ベゾス氏と複数の金融機関から120億ドルを調達しました。Duloと同様に、ロボットなど複雑なハードウェアシステムの開発をAIで高速化しようとしています。調達額には大きな差がありますが、製品の対象範囲や収益モデルが十分に公開されていない段階では、金額だけで両社の競争力を比べることはできません。

市場が分化していけば、企業は単一の万能AIを導入するのではなく、設計探索、解析準備、物理計算、結果評価などに異なるサービスを組み合わせる可能性があります。その場合、データ形式の互換性や既存システムとの連携が選定条件になります。エンジニアリングAI企業にとっても、モデル性能だけでなく、技術者が結果を検証できる説明性、企業の設計資産を守る仕組み、既存工程を止めずに導入できる製品設計が競争力を左右すると考えられます。

日本の製造業や設計部門にとって、Duloの調達はすぐに製品購入を判断する材料というより、自社のどの開発工程をAIで改善できるかを棚卸しするきっかけになります。「設計期間を短縮したい」という抽象的な目標だけでは、必要なAIや評価指標を選べません。解析条件の作成に時間がかかるのか、過去の設計を再利用できていないのか、試作後の手戻りが多いのかを切り分ける必要があります。



候補サービスを評価するときは、精度を示す平均値だけでなく、どの製品領域や物理条件で検証されたのかを確認したいところです。既存のCAD、PLM、CAEなどとの連携方法、機密データの保存場所、学習への再利用の有無、出力結果を追跡できるかも判断材料になります。AIが出した候補を誰が承認し、問題が起きた際にどの工程へ戻るのかまで決めなければ、試験導入が現場の追加作業になりかねません。

最初の一歩として適しているのは、設計全体の自動化を掲げることではなく、結果を人が検証できる限定的な作業を一つ選ぶことです。過去案件の検索、解析準備、設計案の比較など、現在の所要時間と品質を測れる業務なら、導入前後を比較しやすくなります。Duloについても、製品公開後に評価すべきなのは著名な支援者の数ではありません。対象工程、検証可能性、既存システムとの接続性が自社の課題に合うかを、小さな実証で確かめることが現実的です。