NVIDIA paljastaa Skild AI:n yhteistyön S1-robottiperusmallin takana

NVIDIA tarkensi 10. syyskuuta 2026, miten Skild AI rakensi S1-robottiperusmallinsa NVIDIA AI -infrastruktuurille, ja kertoi, että robotiikkayritys saavutti 100 miljoonan dollarin vuotuisen liikevaihtotason 10 kuukautta ensimmäisen kaupallisen käyttöönoton jälkeen.

NVIDIA:n blogikirjoituksessa yritys kertoi, että Skild rakensi S1:n ja suoritti sen taustatutkimuksen omassa infrastruktuurissaan osana laajempaa yhteistyötä, joka kattaa synteettisen datan tuottamisen, mallien koulutuksen, simuloinnin ja todellisen fyysisen AI:n käyttöönoton. “Oppiminen kokemuksen kautta, eikä ennaltaohjelmoinnin avulla, on se läpimurto, joka on tapahtunut robotiikassa,” sanoi Deepak Pathak, Skild AI:n perustaja ja toimitusjohtaja, lisäten että NVIDIA Isaac Lab ja NVIDIA Cosmos auttavat Skildiä luomaan skaalautuvan, monipuolisen kokemuksen, jonka robotit tarvitsevat oppiakseen monissa skenaarioissa ja toteutuksissa. Yritykset sanoivat työskentelevänsä siirtääkseen mukautuvan robottiälyn laboratoriosta tehtaisiin ja muihin dynaamisiin toimintaympäristöihin.

Näkymättömien tehtävien oppiminen yhdestä videosta

Skild esitteli S1:n 18. elokuuta 2026 julkaistussa tutkimuspostauksessa, kuvaillen sitä robotiikan perusmalliksi, joka on rakennettu alusta alkaen kontekstuaalisena oppijana. Malli ottaa syötteenä tehtävän videoesityksen ja suorittaa sen päivittämättä painojaan eikä käymällä läpi tehtäväkohtaista jälkikoulutusta. Skild kuvaa S1:n ensimmäiseksi robotiikan perusmalliksi, joka osoittaa kontekstuaalista oppimista pitkän aikavälin tehtävissä, jotka kestävät jopa 10 minuuttia, eikä niitä ole koskaan nähty esikoulutuksen aikana.

Operaattori tallentaa halutun tehtävän videon ja syöttää sen mallille kehotteena. Malli tulkitsee esitetyn tarkoituksen, esineet ja järjestyksen, ja muuntaa ne robotin suoritettaviksi toimiksi ilman uudelleenkoulutusta, usein tehtävälle, jota sen esikoulutusdata ei kata. Molempien yritysten mukaan S1 pystyy suorittamaan tuntemattomia tehtäviä, kuten kasvien istuttamista, pannukakkujen valmistamista, pour‑over‑kahvin keittämistä ja sarjan kokoamista, työ, joka sisältää kymmeniä manipulointivaiheita ja vaatii taitojen yhdistämistä sekvensseissä, joita malli ei ole aiemmin suorittanut.

Yhdessä kasvien istutustestissä, joka on kirjattu Skildin tutkimuspostaukseen, maa, ruukku, kastelukannu ja kasvi saapuivat toimistoon klo 20:54, tallennus alkoi klo 21:16, yksi egosentrinen ihmisen videoesittely tallennettiin klo 21:22, ja S1 aloitti tehtävän autonomisen suorittamisen laitteistolla klo 21:27. Skild ilmoittaa, että aika esittelyn ja autonomisen suorituksen välillä oli 11 minuuttia.

Skild raportoi, että S1 pystyy säätämään toimintaansa, kun esineitä siirretään tehtävän aikana, toipumaan virheistä ja korvaamaan esineitä, joilla on vastaava käyttötarkoitus; yhdessä tapauksessa se käytti vesikuppia, kun esittelyssä oli kastelukannu. Yritys myös raportoi, että malli joskus parantaa virheellisiä esittelyjä, käsitellen esittelyn tavoitteena määrittelynä eikä toistettavana liikeratana.

Raportoituja tuloksia kielipohjaisia politiikkoja vastaan

NVIDIA:n postaus raportoituu, että Skildin testeissä uusilla, monivaiheisilla tehtävillä S1 onnistui noin 66 % ajasta jokaisessa vaiheessa, verrattuna 9 %:iin vastaavassa AI-järjestelmässä, mikä NVIDIA:n mukaan on yli seitsemänkertainen parannus. Skildin tutkimuspostaus kuvaa vertailua kontrolloituna tutkimuksena kielipohjaista VLA-politiikkaa vastaan, joka saa tehtävän määritelmänsä kielellä eikä esittelyn kautta. Molemmat politiikat koulutettiin identtisellä datalla, arkkitehtuureilla ja laskentateholla esikoulutusdatassa, joka ulottui 1 000–100 000 tuntiin, ja 66 % ja 9 % -luvut kirjattiin 100 000 tunnin kohdalla näkemättömillä pitkän aikavälin tehtävillä, Skildin mukaan.

Esikoulutuksessa nähdyissä tehtävissä Skild raportoi, että kontekstuaalinen oppiminen saavutti 96 % onnistumisen suurimmassa mittakaavassa, kun taas 1 000 tunnin kohdalla kielipohjainen politiikka sai 53 %:n tuloksen verrattuna 43 %:iin kontekstuaalisessa oppimisessa. Skild arvioi myös kestävyyttä viidellä jakelun siirtymän tasolla, raportoiden että vakavimmassa tilanteessa, jossa puolet robotin toimista on suoritettava vastakkaisella kädellä, kielipohjainen politiikka heikkeni jopa kolminkertaiseksi kontekstuaaliseen politiikkaan verrattuna.

Demonstratioiden tehokkuudessa Skild arvioi, että yksi kontekstuaalinen video vastaa noin 380 jälkikoulutusjaksoa, luku jonka se sanoo olevan interpolointi mitattujen pisteiden välillä, ja raportoi, että 380 pitkän aikavälin demonstraation kerääminen kesti 50–100 tuntia etäohjausta. Jälkikoulutettu perusmalli saavutti lopulta 86 % onnistumisen 2 000 demonstraatiolla, Skildin mukaan.

Kaupallinen vetovoima ja Foxconnin käyttöönotto

NVIDIA:n postaus kertoo, että Skild on luonut yli 60 käyttöönotto kumppanuutta, joilla työ kattaa valmistuksen, logistiikan, tarkastuksen, turvallisuuden, ruoanvalmistuksen ja muut sovellukset.

Tehdaslattialla Skild, NVIDIA ja Foxconn ottavat käyttöön Skild Brain -järjestelmän kaksivartis manipulaattoreihin NVIDIA Blackwell -järjestelmien tarkkuusasemointia varten. Yhdessä esitellyssä työnkulussa robotti asentaa väylälevyn ja rajoituslohkon, kiristää 16 ruuvia ja sopeutuu häiriöihin monivaiheisen tehtävän aikana. NVIDIA:n postaus toteaa, että työ vaatii tarkkaa liikettä, kosketusaware‑ohjausta, sekvenssin seurantaa ja palautumista, kun tilanne poikkeaa suunnitelmasta.

Skild ilmoitti ensimmäisen kerran Blackwell‑tuotantolinjasuunnitelmasta 19. maaliskuuta 2026 julkaistussa postauksessa, jossa myös kerrottiin kumppanuuksista ABB Roboticsin, Universal Robotsin ja Mobile Industrial Robotsin kanssa. Tässä ilmoituksessa Skild kuvasi kokoonpano‑sekvenssin todellisena tehtävänä, jonka ihmiset suorittavat Foxconnin linjalla, päättyen rajoituslohkon poistoon, ja kertoi, että sen aivot hienosäädettiin pienellä robottidatalla kyseistä työnkulkua varten.

NVIDIA-pino S1:n takana

NVIDIAn mukaan sen Cosmos‑avoin maailman perusmallit auttavat Skildiä monipuolistamaan koulutusdataa ja muuntamaan videon rakenteellisiksi kuvauksiksi, kun taas Cosmos Curator auttaa merkkaamaan, suodattamaan ja järjestämään dataa mittakaavassa. NVIDIA Omniverse -kirjastot ja Isaac Sim -kehys tarjoavat fysikaalisesti perustuvia virtuaaliympäristöjä datan luomiseen, reunatapauksien testaamiseen ja käyttäytymisen validointiin ennen todelliseen maailmaan käyttöönottoa.

Skild käyttää vahvistusoppimista Isaac Lab -ympäristössä, avoimessa modulaarisessa robottien oppimisen kehyksessä, jonka voimanlähteenä on Newton‑fysiikkamoottori, mallintaakseen fyysisiä parametreja kuten voimat, kosketus, törmäys ja paine sekä vähentääkseen simuloinnin ja todellisuuden välistä kuilua. Kun mallit siirtyvät tuotantoon, NVIDIA Nsight -työkalut auttavat insinöörejä löytämään suorituskyvyn pullonkauloja koulutuksen aikana, ja TensorRT‑ohjelmistokehityspaketti optimoi inferenssin, jotta robotit voivat reagoida nopeasti fyysisessä maailmassa.

Skild ja NVIDIA kehittävät myös yhdessä GPU‑kiihtyviä simulointiratkaisuja, jotka mallintavat, miten robotit fyysisesti koskettavat, tarttuvat ja manipuloivat kiinteitä esineitä. Yritykset kertovat, että ratkaisut tullaan pian tarjoamaan kaikille kehittäjille osana Newtonia.