NVIDIA detalha colaboração com Skild AI por trás do modelo de fundação de robô S1

A NVIDIA, em 10 de setembro de 2026, detalhou como a Skild AI construiu seu modelo de fundação de robô S1 na infraestrutura de IA da NVIDIA, e afirmou que a empresa de robótica atingiu uma taxa de receita anual de US$ 100 milhões 10 meses após sua primeira implantação comercial.

No post do blog da NVIDIA, a empresa afirmou que a Skild construiu o S1 e realizou a pesquisa subjacente em sua infraestrutura como parte de uma colaboração mais ampla que abrange geração de dados sintéticos, treinamento de modelos, simulação e implantação de IA física no mundo real. “Aprender por experiência, e não por pré‑programação, é a mudança de paradigma que ocorreu na robótica”, disse Deepak Pathak, cofundador e CEO da Skild AI, acrescentando que o NVIDIA Isaac Lab e o NVIDIA Cosmos ajudam a Skild a criar a experiência escalável e diversificada que seus robôs precisam para aprender em muitos cenários e formas. As empresas declararam que estão trabalhando para levar a inteligência robótica adaptável do laboratório para fábricas e outros ambientes operacionais dinâmicos.

Aprendendo Tarefas Não Vistas a partir de um Vídeo

A Skild apresentou o S1 em um post de pesquisa de 18 de agosto de 2026, descrevendo-o como um modelo de fundação robótica construído do zero como um aprendiz em contexto. O modelo recebe como entrada uma demonstração em vídeo de uma tarefa e a executa sem atualizar seus pesos ou passar por treinamento pós‑tarefa específico. A Skild descreve o S1 como o primeiro modelo de fundação em robótica a demonstrar aprendizado em contexto em tarefas de longo horizonte, com duração de até 10 minutos, que nunca foram vistas durante o pré‑treinamento.

Um operador grava um vídeo da tarefa desejada e o fornece ao modelo como um prompt. O modelo interpreta a intenção demonstrada, os objetos e a sequência, então os converte em ações para o robô à sua frente, sem necessidade de re‑treinamento, e frequentemente para uma tarefa não coberta pelo seu conjunto de dados de pré‑treinamento. Segundo ambas as empresas, o S1 pode executar tarefas desconhecidas, incluindo plantio em vasos, preparo de panquecas, preparo de café filtrado e montagem de kits, trabalhos que abrangem dezenas de etapas de manipulação e exigem a composição de habilidades em sequências que o modelo ainda não realizou anteriormente.

Em um teste de plantio registrado no post de pesquisa da Skild, solo, um vaso, um regador e uma planta chegaram ao escritório às 8:54 PM, a gravação começou às 9:16 PM, uma demonstração em vídeo egocêntrica humana foi registrada às 9:22 PM, e o S1 começou a executar a tarefa autonomamente no hardware às 9:27 PM. A Skild afirma que o tempo entre a demonstração e a execução autônoma foi de 11 minutos.

A Skild relata que o S1 pode ajustar‑se quando objetos são movidos durante a tarefa, recuperar‑se de erros e substituir objetos de affordance correspondente, em um caso usando um copo de água quando a demonstração mostrava um regador. A empresa também informa que o modelo às vezes melhora demonstrações defeituosas, tratando a demonstração como uma especificação do objetivo em vez de uma trajetória a ser reproduzida.

Resultados Reportados contra Políticas Baseadas em Prompt de Linguagem

O post da NVIDIA relata que, nos testes da Skild em tarefas novas e de múltiplas etapas, o S1 teve sucesso em cerca de 66 % das vezes em cada etapa, comparado a 9 % para um sistema de IA semelhante, uma diferença que a NVIDIA caracterizou como uma melhoria de mais de sete vezes. O post de pesquisa da Skild descreve a comparação como um estudo controlado contra uma política VLA baseada em prompt de linguagem, que recebe sua especificação de tarefa em linguagem ao invés de por demonstração. Ambas as políticas foram treinadas com dados, arquiteturas e poder computacional idênticos em conjuntos de dados de pré‑treinamento de 1 000 a 100 000 horas, e os valores de 66 % e 9 % foram registrados em 100 000 horas em tarefas de longo horizonte nunca vistas, segundo a Skild.

Em tarefas vistas durante o pré‑treinamento, a Skild relata que o aprendizado em contexto atingiu 96 % de sucesso na maior escala, enquanto em 1 000 horas a política condicionada por linguagem obteve 53 % contra 43 % para o aprendizado em contexto. A Skild também avaliou a robustez em cinco níveis de mudança de distribuição, relatando que, na condição mais severa, onde metade das ações do robô deve ser executada com o braço oposto, a política baseada em prompt de linguagem degradou até três vezes mais que a política em contexto.

Quanto à eficiência de demonstração, a Skild estima que um único vídeo em contexto equivale a aproximadamente 380 episódios pós‑treinamento, um número que, segundo ela, foi interpolado entre pontos medidos, e relata que a coleta de 380 demonstrações de longo horizonte levou de 50 a 100 horas de teleoperação. A linha de base pós‑treinada acabou alcançando 86 % de sucesso com 2 000 demonstrações, de acordo com a Skild.

Tração Comercial e a Implantação na Foxconn

O post da NVIDIA afirma que a Skild estabeleceu mais de 60 parcerias de implantação, com trabalhos que abrangem manufatura, logística, inspeção, segurança, preparação de alimentos e outras aplicações.

No chão de fábrica, a Skild, a NVIDIA e a Foxconn estão implantando o Skild Brain em manipuladores de dois braços para montagem de alta precisão dos sistemas NVIDIA Blackwell. Em um fluxo de trabalho demonstrado, um robô instala uma barra de barramento e um bloco limitador, fixa 16 parafusos e se adapta a perturbações ao longo da tarefa de múltiplas etapas. O post da NVIDIA afirma que o trabalho requer movimento preciso, controle consciente de contato, rastreamento de sequência e recuperação quando a cena difere do plano.

A Skild anunciou inicialmente o plano da linha de produção Blackwell em um post de 19 de março de 2026 que também divulgou parcerias com ABB Robotics, Universal Robots e Mobile Industrial Robots. Nesse anúncio, a Skild descreveu a sequência de montagem como uma tarefa real executada por humanos em uma linha da Foxconn, terminando com a remoção do bloco limitador, e afirmou que seu cérebro foi ajustado finamente com uma pequena quantidade de dados de robô para o fluxo de trabalho.

A Pilha da NVIDIA por trás do S1

Segundo a NVIDIA, seus modelos de fundação de mundo aberto Cosmos ajudam a Skild a diversificar os dados de treinamento e transformar vídeo em descrições estruturadas, enquanto o Cosmos Curator auxilia na anotação, filtragem e organização de dados em escala. As bibliotecas NVIDIA Omniverse e a estrutura Isaac Sim fornecem ambientes virtuais baseados em física para gerar dados, testar casos extremos e validar comportamentos antes da implantação no mundo real.

A Skild usa aprendizado por reforço no Isaac Lab, um framework de aprendizado de robôs aberto e modular alimentado pelo motor de física Newton, para modelar parâmetros físicos como forças, contato, colisão e pressão e reduzir a lacuna entre simulação e realidade. À medida que os modelos avançam para produção, as ferramentas NVIDIA Nsight ajudam os engenheiros a encontrar gargalos de desempenho durante o treinamento, e o kit de desenvolvimento de software TensorRT otimiza a inferência para que os robôs possam responder rapidamente no mundo físico.

A Skild e a NVIDIA também estão desenvolvendo conjuntamente solucionadores de simulação acelerados por GPU que modelam como os robôs tocam, seguram e manipulam objetos sólidos fisicamente. As empresas afirmaram que os solucionadores em breve estarão disponíveis para todos os desenvolvedores como parte do Newton.