Partnerschaften
NVIDIA gibt Details zur Skild AI‑Zusammenarbeit hinter dem S1‑Robot‑Fundamentmodell
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
NVIDIA hat am 10. September 2026 erläutert, wie Skild AI sein S1‑Robot‑Fundamentmodell auf der NVIDIA‑KI‑Infrastruktur aufgebaut hat, und erklärte, dass das Robotikunternehmen zehn Monate nach seiner ersten kommerziellen Einführung eine Jahresumsatzrate von 100 Millionen US‑Dollar erreicht hat.
Im NVIDIA‑Blogbeitrag erklärte das Unternehmen, dass Skild S1 gebaut und die zugrunde liegende Forschung auf seiner Infrastruktur durchgeführt hat, im Rahmen einer breiteren Zusammenarbeit, die die Erzeugung synthetischer Daten, das Modell‑Training, die Simulation und den realen physischen KI‑Einsatz umfasst. „Durch Erfahrung zu lernen und nicht durch Vorkonfiguration ist die entscheidende Veränderung, die in der Robotik stattgefunden hat“, sagte Deepak Pathak, Mitbegründer und CEO von Skild AI, und fügte hinzu, dass NVIDIA Isaac Lab und NVIDIA Cosmos Skild dabei unterstützen, die skalierbare, vielfältige Erfahrung zu schaffen, die seine Roboter benötigen, um in vielen Szenarien und Ausprägungen zu lernen. Die Unternehmen erklärten, dass sie daran arbeiten, anpassungsfähige Roboterintelligenz aus dem Labor in Fabriken und andere dynamische Einsatzumgebungen zu verlagern.
Lernen unbekannter Aufgaben aus einem einzigen Video
Skild stellte S1 in einem 18. August 2026 Forschungsbeitrag vor und beschrieb es als ein robotisches Fundamentmodell, das von Grund auf als In‑Context‑Learner gebaut wurde. Das Modell nimmt ein Video‑Demo einer Aufgabe als Eingabe und führt sie aus, ohne seine Gewichte zu aktualisieren oder ein aufgabenspezifisches Nach‑Training zu durchlaufen. Skild bezeichnet S1 als das erste Robotik‑Fundamentmodell, das In‑Context‑Lernen bei langzeitigen Aufgaben demonstriert, die bis zu 10 Minuten laufen und die während des Vor‑Trainings nie gesehen wurden.
Ein Bediener zeichnet ein Video der gewünschten Aufgabe auf und gibt es dem Modell als Prompt. Das Modell interpretiert die gezeigte Absicht, die Objekte und die Reihenfolge und wandelt sie in Aktionen für den vor ihm stehenden Roboter um, ohne erneutes Training, häufig sogar für eine Aufgabe, die nicht im Vor‑Training‑Datensatz enthalten ist. Laut beiden Unternehmen kann S1 ungewohnte Aufgaben ausführen, darunter das Einsetzen von Pflanzen in Töpfe, das Zubereiten von Pfannkuchen, das Aufbrühen von Pour‑Over‑Kaffee und das Zusammenbauen von Bausätzen – Arbeiten, die Dutzende von Manipulationsschritten umfassen und das Zusammensetzen von Fähigkeiten in Sequenzen erfordern, die das Modell zuvor nicht durchgeführt hat.
Bei einem Pflanz‑Einsetz‑Test, der im Forschungsbeitrag von Skild dokumentiert ist, kamen Erde, ein Topf, eine Gießkanne und eine Pflanze um 8:54 PM im Büro an, die Aufzeichnung begann um 9:16 PM, eine egozentrische menschliche Video‑Demo wurde um 9:22 PM aufgenommen, und S1 begann um 9:27 PM, die Aufgabe autonom auf der Hardware auszuführen. Skild gibt an, dass die Zeit von der Demonstration bis zur autonomen Ausführung 11 Minuten betrug.
Skild berichtet, dass S1 sich anpassen kann, wenn Objekte während einer Aufgabe verschoben werden, sich von Fehlern erholt und Objekte mit passender Affordanz ersetzt, beispielsweise in einem Fall ein Glas Wasser verwendet, obwohl die Demo eine Gießkanne zeigte. Das Unternehmen berichtet außerdem, dass das Modell manchmal fehlerhafte Demonstrationen verbessert, indem es die Demonstration als Zielvorgabe statt als zu reproduzierende Trajektorie interpretiert.
Berichtete Ergebnisse gegenüber sprachgesteuerten Richtlinien
Der Beitrag von NVIDIA berichtet, dass S1 in Skilds Tests mit neuen, mehrstufigen Aufgaben etwa 66 % der Schritte erfolgreich absolvierte, verglichen mit 9 % für ein ähnliches KI‑System – ein von NVIDIA als mehr als siebenfache Verbesserung beschriebenes Gefälle. Der Forschungsbeitrag von Skild beschreibt den Vergleich als kontrollierte Studie gegenüber einer sprachgesteuerten VLA‑Richtlinie, die ihre Aufgabenspezifikation in Sprache statt durch Demonstration erhält. Beide Richtlinien wurden mit identischen Daten, Architekturen und Rechenressourcen über Vor‑Training‑Datensätze von 1.000 bis 100.000 Stunden trainiert, und die Werte von 66 % bzw. 9 % wurden bei 100.000 Stunden auf unbekannten langzeitigen Aufgaben gemessen, so Skild.
Bei Aufgaben, die während des Vor‑Trainings gesehen wurden, berichtet Skild, dass In‑Context‑Lernen bei größtem Maßstab eine Erfolgsrate von 96 % erreichte, während die sprachgesteuerte Richtlinie bei 1.000 Stunden 53 % erzielte gegenüber 43 % für In‑Context‑Lernen. Skild evaluierte zudem die Robustheit über fünf Stufen von Verteilungsverschiebungen und stellte fest, dass unter der schwersten Bedingung, bei der die Hälfte der Roboteraktionen mit dem gegenüberliegenden Arm ausgeführt werden muss, die sprachgesteuerte Richtlinie bis zu dreimal stärker degradierte als die In‑Context‑Richtlinie.
Hinsichtlich der Demonstrationseffizienz schätzt Skild, dass ein einzelnes In‑Context‑Video etwa 380 Nach‑Training‑Episoden entspricht – ein Wert, der laut Angaben interpoliert wurde – und berichtet, dass das Sammeln von 380 langzeitigen Demonstrationen 50 bis 100 Stunden Teleoperation erforderte. Die nachtrainierte Basislinie erreichte schließlich bei 2.000 Demonstrationen eine Erfolgsrate von 86 %, so Skild.
Kommerzielle Akzeptanz und der Foxconn‑Einsatz
Der Beitrag von NVIDIA gibt an, dass Skild mehr als 60 Einsatz‑Partnerschaften aufgebaut hat, mit Arbeiten, die Fertigung, Logistik, Inspektion, Sicherheit, Lebensmittelzubereitung und weitere Anwendungen umfassen.
Auf dem Fabrikboden setzen Skild, NVIDIA und Foxconn das Skild‑Brain auf Dual‑Arm‑Manipulatoren für die hochpräzise Montage von NVIDIA‑Blackwell‑Systemen ein. In einem demonstrierten Arbeitsablauf installiert ein Roboter einen Busbar und einen Begrenzungsblock, zieht 16 Schrauben fest und passt sich Störungen im mehrstufigen Vorgang an. Der Beitrag von NVIDIA erklärt, dass die Arbeit präzise Bewegungen, kontaktbewusste Steuerung, Sequenzverfolgung und Wiederherstellung erfordert, wenn die Szene vom Plan abweicht.
Skild kündigte den Blackwell‑Produktionslinien‑Plan erstmals in einem 19. März 2026 Beitrag an, der ebenfalls Partnerschaften mit ABB Robotics, Universal Robots und Mobile Industrial Robots enthüllte. In dieser Ankündigung beschrieb Skild die Montagesequenz als eine reale Aufgabe, die von Menschen auf einer Foxconn‑Linie ausgeführt wird, und endete mit dem Entfernen des Begrenzungsblocks. Es wurde angegeben, dass das Brain mit einer kleinen Menge an Roboterdaten für den Arbeitsablauf feinabgestimmt wurde.
Der NVIDIA‑Stack hinter S1
Laut NVIDIA unterstützen die Cosmos‑Open‑World‑Fundamentmodelle Skild dabei, Trainingsdaten zu diversifizieren und Video in strukturierte Beschreibungen zu verwandeln, während Cosmos Curator bei der Annotation, Filterung und großskaligen Organisation von Daten hilft. Die NVIDIA‑Omniverse‑Bibliotheken und das Isaac‑Sim‑Framework bieten physikalisch basierte virtuelle Umgebungen zur Datengenerierung, zum Testen von Randfällen und zur Validierung von Verhaltensweisen vor dem Einsatz in der realen Welt.
Skild nutzt Reinforcement Learning in Isaac Lab, einem offenen modularen Robot‑Learning‑Framework, das von der Newton‑Physik‑Engine betrieben wird, um physikalische Parameter wie Kräfte, Kontakt, Kollision und Druck zu modellieren und die Simulations‑zu‑Realitäts‑Lücke zu verringern. Wenn Modelle in die Produktion übergehen, unterstützen NVIDIA‑Nsight‑Tools Ingenieure dabei, Leistungsengpässe während des Trainings zu finden, und das TensorRT‑Software‑Development‑Kit optimiert die Inferenz, sodass Roboter schnell in der physischen Welt reagieren können.
Skild und NVIDIA entwickeln zudem gemeinsam GPU‑beschleunigte Simulations‑Solver, die modellieren, wie Roboter physisch berühren, greifen und feste Objekte manipulieren. Die Unternehmen erklärten, dass die Solver bald allen Entwicklern im Rahmen von Newton zur Verfügung gestellt werden.
