Skild AI 運用 Nvidia 技術，僅憑單支影片便能教會機器人全新任務

透過單支示範影片，教會機器人執行複雜任務

總部位於匹茲堡的機器人新創公司 Skild AI 推出了實體 AI 基礎模型 S1，旨在透過單支示範影片學習複雜的多步驟任務。在 Nvidia 的注資支援下，該公司致力於大幅縮短將自動化系統從研發實驗室推進至生產環境所需的時間與程式編寫成本，全力搶攻通用型機器人市場。

這項商業化落地的同時，Skild AI 的年化營收運行率已達到 1 億美元，且距離其首次商業部署僅僅花了 10 個月便達成此財務里程碑。

休士頓工廠實地部署與 S1 架構

Skild 的技術現已導入實際生產線。在休士頓的 Nvidia 製造工廠中，Skild、Nvidia 以及電子製造商 Foxconn 正採用由 Skild Brain 通用機體基礎模型驅動的雙臂機器人，組裝 Nvidia Blackwell GPU 系統。

S1 模型建構於 Nvidia 的軟體與運算基礎設施之上，並善用 Cosmos、Isaac Sim、Isaac Lab 與 Omniverse 進行資料生成、模擬、模型訓練及部署。系統一旦上線，便能自主因應被移動的物件、從操作錯誤中復原，並能將各項技能串接成未曾預先編寫過的動作序列。

在一次測試中，Skild 展示了從錄下一段人員盆栽移植的影片，到機器人自主重現該任務，全程僅僅花了 11 分鐘。

「S1 展示了操作人員能以多快的速度教會機器人新工作，」Nvidia 自主機器產品管理總監 Amit Goel 表示。「對製造商而言，關鍵契機在於當產品、零件與製程發生變化時，能讓自動化流程具備更高的適應能力。」

克服實體 AI 的資料與具身化挑戰

儘管基礎模型進展迅速，實體 AI 仍受限於採集真實世界訓練資料的難度。與從網際網路汲取文字或程式碼的數位 AI 系統不同，機器人系統必須掌握光線變化、物體擺放位置、觸覺回饋以及各種不可預測的極端狀況（edge cases）。

「在真實機器人上蒐集這些經驗既緩慢又昂貴，」Goel 指出，並表示像 Isaac Lab 和 Omniverse 這樣的模擬平台，搭配透過 Cosmos 進行的合成資料生成，是至關重要的解決途徑。而當前面臨的持續挑戰，則在於如何確保模擬測試能精準轉化為工廠現場的可靠表現。

展望未來，開發團隊正致力於打造能夠驅動多元形態機器人的通用基礎模型。Skild AI 已成功將其模型運行於機械手臂、四足機器人與人形機器人等平台上。Goel 認為，跨越不同的機械軀體與工廠任務、建立起可重複使用的機器智慧，將是實體自動化的下一個關鍵里程碑。