Skild AI推出单视频学习机器人基础模型S1，加速工业场景部署

正在开发通用型物理人工智能（physical AI）的初创公司Skild，正利用英伟达技术构建一款机器人基础模型，该模型仅需一段视频即可学习新任务。

该项目属于整个行业向通用型机器人迈进的更广泛努力的一部分；研究人员与开发者正寻求更快速训练物理人工智能系统的方法，并推动其从实验室演示走向现实世界部署。

S1基础模型

这家总部位于匹兹堡的公司表示，其机器人基础模型旨在仅通过单段视频演示，即能学习此前未见过的、多步骤任务。

该技术目前已在一家 英伟达 位于休斯顿的工厂部署，Skild、英伟达及合同电子制造巨头富士康（Foxconn）近期开始在双臂机器人上使用Skild Brain 全身体基础模型 组装英伟达Blackwell GPU系统。

S1基于英伟达AI基础设施构建，跨数据生成、训练、仿真与部署环节，使用了 Cosmos、Isaac Lab、Isaac Sim与Omniverse 等工具。该模型还能在物体移动时进行调整、从错误中恢复，并将技能组合成其未经显式编程执行过的序列。

Skild于本月早些时候达到年化营收1亿美元，距离其首次商业部署仅过去10个月。该公司称，这证明机器人基础模型正超越演示阶段，进入实际工作场景。

英伟达自主机器产品管理总监阿米特·戈尔（Amit Goel）对TechTarget.com表示：“S1展示了操作员教机器人学习新工作的速度之快。对制造商而言，机遇在于使自动化更具适应性，以应对产品、零部件和工艺流程的变化。”

在一项实验中，Skild报告称，从录制植物栽种演示视频到机器人自主执行该任务之间仅间隔11分钟。

关于Blackwell系统组装部署项目，戈尔表示，该项目在具体制造应用中印证了可适应的 机器人智能 的价值。

他说：“S1是迈向通用型物理人工智能的一项鼓舞人心的进展。”

数据困境

尽管物理人工智能前景广阔，但该技术的规模化仍面临自身挑战。据戈尔称，数据与评估仍是最大的瓶颈。

他表示：“在真实机器人上收集此类经验缓慢且昂贵。机器人需应对物体、光照、摆放位置及物理接触等方面的差异，包括在正常运行中极少出现的情形。”

他说，仿真与合成数据可帮助开发者更快扩展此类经验。Skild正跨仿真、训练与数据生成环节，使用英伟达的Isaac Sim与Isaac Lab，以及其Omniverse与Cosmos技术。

但生成更多 训练数据 仅是挑战的一部分。开发者还需确认模型在遭遇物理环境多样性时能够可靠运行。

戈尔表示：“目标是将训练与测试同真实运行条件相连接，从而使改进成果转化为工厂车间中可信赖的性能表现。”

迈向共享机器人智能

展望未来，戈尔表示，英伟达认为行业正迈向一个拐点——共享基础模型将为不同类型的机器人提供智能支持。

他说：“Skild AI在机械臂、四足机器人与人形机器人领域的研究工作，展现了朝向可适配不同机器人本体的共享智能所取得的进展。机遇在于，将模型已习得的知识复用于更多机器与应用场景，从而减少每次新部署所需的研发投入。”

下一挑战在于使该能力在生产环境中持续发挥效用。不同机器人具备不同的物理能力，而每项应用亦有其自身性能要求。

共享基础模型可提供一个起点，再通过集成、验证，以及必要时的进一步训练，使其适配特定工作任务。

戈尔补充道：“从用户视角看，真正有意义的里程碑，是在更多任务与更多类型机器人上实现可信赖的工作表现。”