Skild AI utiliza tecnología de Nvidia para enseñar nuevas tareas a robots a partir de un solo video
La startup de Pittsburgh Skild AI implementó su modelo fundacional S1, que permite a los robots dominar flujos de trabajo físicos complejos a partir de una sola demostración en video, al tiempo que alcanza una tasa de ingresos anualizados de 100 millones de dólares.
Enseñar tareas complejas a robots a partir de demostraciones en un solo video
Skild AI, una startup de robótica con sede en Pittsburgh, presentó S1, un modelo fundacional de IA física diseñado para aprender tareas complejas de múltiples pasos a partir de una única demostración en video. Respaldada por Nvidia, la compañía apunta a la robótica de propósito general reduciendo drásticamente el tiempo y la programación necesarios para trasladar sistemas automatizados desde los laboratorios de investigación hacia entornos de producción.
El despliegue comercial coincide con el momento en que Skild AI alcanzó una tasa de ingresos anualizados de 100 millones de dólares, logrando este hito financiero apenas 10 meses después de su implementación comercial inicial.
Despliegue en la fábrica de Houston y la arquitectura de S1
La tecnología de Skild ya opera en producción. En una planta de manufactura de Nvidia en Houston, Skild, Nvidia y el fabricante de productos electrónicos Foxconn utilizan robots de dos brazos impulsados por el modelo fundacional omnicorporal Skild Brain para ensamblar sistemas de GPU Nvidia Blackwell.
El modelo S1 se desarrolló sobre la infraestructura informática y de software de Nvidia, aprovechando Cosmos, Isaac Sim, Isaac Lab y Omniverse para gestionar la generación de datos, la simulación, el entrenamiento del modelo y su despliegue. Una vez implementado, el sistema puede adaptarse de forma autónoma a objetos reubicados, recuperarse de errores operativos y encadenar habilidades en secuencias para las cuales nunca fue programado de manera explícita.
En una prueba piloto, Skild demostró que transcurrieron apenas 11 minutos entre la grabación del video de una persona trasplantando una planta en una maceta y la replicación autónoma de la tarea por parte del robot.
"S1 demuestra con qué rapidez un operador podría enseñarle un nuevo trabajo a un robot", afirmó Amit Goel, director de gestión de producto para máquinas autónomas en Nvidia. "Para los fabricantes, la oportunidad radica en hacer que la automatización sea más adaptable a medida que cambian los productos, los componentes y los procesos".
Superar los desafíos de datos y corporeidad en la IA física
A pesar del rápido avance en los modelos fundacionales, la IA física sigue limitada por la dificultad de recopilar datos de entrenamiento del mundo real. A diferencia de los sistemas de IA digital que absorben texto o código de internet, los sistemas robóticos deben dominar variaciones de iluminación, ubicación de objetos, retroalimentación táctil y casos límite impredecibles.
"Recopilar esa experiencia en robots reales es lento y costoso", señaló Goel, destacando que plataformas de simulación como Isaac Lab y Omniverse, junto con la generación de datos sintéticos mediante Cosmos, son alternativas fundamentales. El desafío constante radica en garantizar que las pruebas simuladas se traduzcan con precisión en un rendimiento confiable dentro de las plantas de producción.
De cara al futuro, los desarrolladores buscan modelos fundacionales compartidos capaces de operar en diversas morfologías robóticas. Skild AI ha ejecutado sus modelos en brazos robóticos, robots cuadrúpedos y plataformas humanoides. Según Goel, establecer una inteligencia mecánica reutilizable a través de distintos cuerpos mecánicos y tareas fabriles representa el próximo gran hito para la automatización física.
