7月15日之前，Walden Robotics一直未对外公开。就在当天，这家从丰田研究院分拆出来的机器人公司正式亮相，并一次性披露了 3 亿美元种子轮融资和 11 亿美元估值。
这轮融资由丰田与 Deviation Capital 共同领投，NVIDIA、波音、Samsung Ventures、Prologis Ventures 和 CoreWeave Ventures 等产业资本参与。Walden 从成立到进入独角兽行列，只用了半年。
从丰田研究院分拆出来的新独角兽
Walden Robotics 于今年 1 月从丰田研究院（Toyota Research Institute，TRI）分拆成立。在融资消息公布前，这家公司一直处于隐身状态。
公司名称来自美国作家梭罗的《瓦尔登湖》。按照 Walden 的说法，这一名称对应着公司想要探讨的问题：机器人将如何帮助人们在工作和生活中找到更多意义。
Walden 联合创始人兼 CEO Russ Tedrake 认为，由物理 AI 驱动的通用机器人是一项颠覆性技术，并且已经走到关键拐点。但他也提到，机器人企业若想实现商业成功，仍需要验证单位经济效应，并与客户深入协作。
在成为独立公司后，Walden 可以更集中地推动丰田研究院机器人技术的商业化，把相关成果从实验室带入生产环境。公司希望通过与全球大型制造和物流企业合作，在真实场景中持续验证产品能力，确保产品适配实际生产流程，并带来明确的成本节约和效率提升。
Russ Tedrake 也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。其团队曾做出多项基础研究贡献，包括 Diffusion Policy、通用操作接口（UMI）、大行为模型（Large Behavior Models，LBM）、OpenVLA 以及开源模拟器 Drake。
除 Russ Tedrake 外，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。团队中多位成员也是 TRI 大行为模型研究的项目负责人，参与了模型架构、训练、仿真和评估体系建设。
与普通创业公司相比，Walden 的起点明显更高。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，也是最重要的早期产业合作伙伴，为其提供了首批真实生产场景。
依托丰田制造体系缩短商业化验证周期
具身智能公司的常见难题，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取高质量数据，但早期产品在可靠性和经济性上的问题，往往又难以说服企业客户投入实际工作。缺少部署场景和数据后，模型也就难以覆盖现实世界中的异常情况，产品能力不容易持续改进。
Walden 从成立之初就获得丰田生产体系支持，在一定程度上缩短了这段验证周期。丰田既是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 不需要从零开始寻找工业客户，也不必单独建设用于测试的模拟工厂，而是可以直接进入现有生产流程，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，不只是提供机器人的“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。许多在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。
丰田长期积累的制造和自动化经验，可以帮助 Walden 优先筛选适合现阶段技术能力、同时具备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。
Walden 的投资者阵容也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。
这些企业都可能成为协同资源。在丰田帮助其解决商业化早期的场景与数据问题后，Walden 后续的长期价值，仍要看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。
LBM 是技术核心，目标是把通用操作能力带进工厂
Walden 继承了 TRI 的研究和技术成果，其中技术体系的核心是大行为模型（Large Behavior Models，LBM）。
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。它的目标不是针对每一项工作单独编写程序，而是通过多任务数据训练，让同一套模型学习并迁移不同操作技能。
这一路线建立在 TRI 多年的机器人学习研究之上。Diffusion Policy 是其中较有代表性的技术基础。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，一旦零件位置、设备布局或生产流程发生变化，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 进一步把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。
这构成了 Walden 的产品逻辑：机器人不必依赖工程团队逐项编程，而是可以通过少量示范去适应新的操作流程。对工业客户来说，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机会以更低的改造成本切换工序和任务。
目前，Walden 采用自主运行与远程人工协助结合的方式。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。
在机器人本体设计上，Walden 采用类人双臂上身与轮式移动底盘结合的形态，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。
尽管 Walden 拥有较高起点，并在机器人赛道上已有一定领先，Russ Tedrake 在公司正式亮相时仍表示：“团队足够强，进展足够快，因此我们不需要夸大它。”
对于这家刚刚结束隐身状态的公司，他还说：“我们才刚刚踏上这段旅程。”