Was ist passiert?
Der Robot Report berichtet, dass Skild AI S1 vorgestellt hat, sein Flaggschiff-Roboterfundamentmodell. CEO Deepak Pathak sagte der Verkaufsstelle, dass S1 kontextbezogenes Lernen nutzt, um Robotern die Ausführung einer Aufgabe zu ermöglichen, die in einem menschlichen Video gezeigt wird, ohne aufgabenspezifisches Nachtraining. Skild sagt, dass das Modell für Aufgaben über einen langen Zeitraum und mehrere Roboterformfaktoren konzipiert ist, der Bericht bestätigt die Behauptungen des Unternehmens jedoch nicht unabhängig.
Im Robot Report heißt es in einem Bericht vom 31. August 2026, dass Skild AI kürzlich S1 als sein Flaggschiff-Roboter-Foundation-Modell vorgestellt hat. Die Verkaufsstelle berichtet, dass Skild seit seiner Gründung im Jahr 2023 fast 1,7 Milliarden US-Dollar eingesammelt hat, um ein Allzweck-Robotergehirn zu entwickeln. Deepak Pathak, Mitbegründer und CEO von Skild, sagte gegenüber The Robot Report, dass S1 kontextbezogenes Lernen nutzt: Der Eingabeaufforderung des Modells wird ein menschliches Demonstrationsvideo hinzugefügt, und der Roboter kann dann versuchen, der demonstrierten Aufgabe zu folgen. Pathak beschrieb die Aufgaben eher als komplex und langwierig als als kurze, einfache Aktionen.
Laut Robot Report kombiniert Skilds Ansatz vier Arten von Trainingsdaten. Teleoperationsdaten stammen direkt von Menschen, die Roboter steuern, und gelten als hochwertig, aber langsam zu sammeln und in ihrer Vielfalt begrenzt. Menschliche Videos gibt es in Hülle und Fülle und sie sind vielfältig, aber es ist schwierig, sie direkt auf einen Roboter anzuwenden. Simulation ist skalierbar und vielfältig, hinterlässt jedoch eine Lücke zwischen simulierten und physischen Umgebungen. Datenerfassungshandschuhe bieten eine weitere Möglichkeit, menschliche Handlungen aufzuzeichnen und sind etwas skalierbarer als Teleoperationen, obwohl sie laut der Verkaufsstelle etwas weniger direkt auf Roboter anwendbar sind. Pathak sagte der Veröffentlichung, dass Skild die Quellen so kombiniert, dass die Stärken des einen die Schwächen des anderen ausgleichen.
Der Robot Report berichtet, dass Skild auf eine breite Palette von Aufgaben und nicht auf eine einzelne Branche abzielt. Zu den genannten Beispielen gehören das Umtopfen einer Pflanze, das Zubereiten von Kaffee und das Backen von Pfannkuchen, wobei einige Aufgaben bis zu 10 Minuten dauern. Pathak teilte der Verkaufsstelle mit, dass ein Roboter aufgetaucht sei, der einen Pfannkuchen umdrehte, obwohl Skild in Millionen von Stunden Trainingsdaten kein passendes Beispiel gefunden hatte; Er führte das Verhalten auf das Modell zurück, das die Aktion aus der Bewegung des Spatels ableitete. Hierbei handelt es sich um einen Unternehmensbericht, der von The Robot Report gemeldet wurde, und nicht um einen unabhängig dokumentierten Test.
Die Verkaufsstelle berichtet auch, dass Skild S1 als „omnibodied“ beschreibt, was bedeutet, dass es für die Arbeit mit Vierbeinern, Humanoiden und statischen Armen gedacht ist. Pathak sagte, Skild plane, mehr Zeit damit zu verbringen, die Leistung der Humanoiden zu verbessern. Der Bericht erwähnt frühere Ergebnisse, bei denen ein Humanoid sich anpasste, als seine Gliedmaßen versagten, es wird jedoch ausdrücklich darauf hingewiesen, dass diese Ergebnisse von einer früheren Modellversion stammten und dass Skild das Modell noch nicht auf Humanoide skaliert hatte. Pathak verglich das kontextbezogene Lernen des Modells mit dem Übergang von der aufgabenspezifischen Feinabstimmung zur Eingabeaufforderung in Sprachmodellen, räumte jedoch ein, dass die Robotik noch nicht für den breiten Einsatz zu Hause bereit ist.
Quellenangaben: therobotreport.com ↗
Warum es wichtig ist
Bei unabhängiger Validierung könnte S1 einen großen Engpass in der Robotik beheben: die Notwendigkeit, Modelle für neue Aufgaben separat zu sammeln und nachzutrainieren. Der Bericht beschreibt Skilds Versuch, Teleoperationsdaten, menschliche Videos, Simulation und Datenerfassungshandschuhe zu kombinieren und so möglicherweise die Schwächen einer einzelnen Quelle auszugleichen. Der Artikel liefert jedoch keine standardisierten Benchmark-Ergebnisse, Bereitstellungsmetriken, Verfügbarkeitsdetails oder unabhängige Tests.
Der gemeldete Start ist von Bedeutung, da Robotiksysteme häufig eine neue Datenerfassung oder ein Nachtraining erfordern, wenn sie auf unbekannte Aufgaben stoßen. Die zentrale Behauptung von S1 besteht darin, dass ein Roboter eine Demonstration als Kontext nutzen und sofort darauf reagieren kann. Wenn dieser Anspruch in verschiedenen Umgebungen und auf unterschiedlicher Hardware gilt, könnte dies den Zeit- und Konstruktionsaufwand reduzieren, der für die Anpassung eines Roboters an jede neue Aufgabe erforderlich ist. Der Bericht belegt nicht, dass dies im Produktionsmaßstab geschehen ist, daher sollte das Potenzial nicht als nachgewiesener Branchenwandel betrachtet werden.
Die Multi-Source-Trainingsstrategie von Skild geht auf ein praktisches Datenproblem ein. Von Robotern erfasste Daten sind eng mit dem physischen System verknüpft, ihre Erfassung ist jedoch kostspielig. Menschliche Videos gibt es in Hülle und Fülle, sie kodieren jedoch nicht direkt die Körpermechanik eines Roboters. Simulationen können große Mengen an Beispielen generieren, reale Bedingungen jedoch möglicherweise nicht erfassen. Die Kombination dieser Quellen könnte ein Stiftungsmodell flexibler machen, wirft aber auch schwierige Übertragungsfragen auf. Ein Modell muss menschliche Bewegungen, simulierte Dynamik und roboterspezifische Steuersignale in sichere physische Aktionen umsetzen. Der Robot Report beschreibt die Begründung von Skild, liefert aber keine unabhängige Studie, die zeigt, wie gut die Kombination funktioniert.
Der Bericht verbindet die Modelleinführung auch mit der Geschäftsstrategie von Skild. Pathak sagte gegenüber The Robot Report, dass S1 Skild bereits dabei geholfen habe, schneller Kunden zu akquirieren, und er sagte, dass eine kürzliche Übernahme von Fetch Robotics darauf abzielte, Talente für den Einsatz und die Skalierung zu gewinnen. Diese Aussagen deuten darauf hin, dass Skild der betrieblichen Nutzung neben der Pionierforschung Priorität einräumt. Der Artikel identifiziert jedoch keine Kunden, nennt keine Produktionsstandorte, berichtet nicht über Aufgabenerfolgsquoten und liefert auch keine Beweise dafür, dass S1 in einer Live-Bereitstellung messbare Gewinne erzielt hat. Die Auswirkungen auf die Öffentlichkeit hängen daher weiterhin von weiteren Beweisen ab.
Interaktiver Mechanismus: Wie es tatsächlich funktioniert
Entdecken Sie interaktiv die zugrunde liegende Technologie, die dieser Entwicklung zugrunde liegt.
crm_get_transaction(id='4092').Which component of an AI application is the machine-learning model itself?
Was Sie als nächstes sehen sollten
Die wichtigsten Tests bestehen darin, ob S1 Demonstrationen zuverlässig auf verschiedene Roboter übertragen, Fehler beheben und lange Aufgaben außerhalb kontrollierter Demonstrationen erledigen kann. Skild sagt, dass weitere produktionsbezogene Ergebnisse und Kundeneinsätze bevorstehen, der Bericht nennt jedoch keine Kunden und gibt keine Leistungs- oder Sicherheitsdaten an. Weitere Details zu Hardware-Support, Zugang, Trainingsdaten, Kosten und menschlicher Aufsicht werden die praktische Bedeutung des Starts bestimmen.
An erster Stelle steht die unabhängige Bewertung des Single-Video-Learning-Anspruchs. Zu den nützlichen Beweisen gehören Erfolgsquoten bei bisher unbekannten Aufgaben, die Anzahl und Art der getesteten Roboter, die Bedingungen, unter denen Demonstrationen aufgezeichnet wurden, und Vergleiche mit herkömmlichen aufgabenspezifischen Schulungen. Bei langwierigen Aktivitäten sollten Auswertungen berichten, wo Fehler auftreten, ob sich der Roboter erholen kann und wie sich die Leistung ändert, wenn Objekte, Layouts, Beleuchtung oder Werkzeuge von der Demonstration abweichen. Der aktuelle Bericht liefert Beispiele, aber keine standardisierten Messungen.
Die Leistung von Humanoiden und Multiformfaktoren verdient besondere Aufmerksamkeit. Im Robot Report heißt es, dass S1 für Vierbeiner, Humanoide und statische Arme geeignet ist, weist aber auch darauf hin, dass die von Pathak zitierten humanoiden Anpassungsergebnisse aus einer früheren Version stammen. In der Folgeberichterstattung sollten aktuelle S1-Fähigkeiten von früheren Demonstrationen unterschieden werden und erläutert werden, welches Modell, welche Hardware und welches Steuerungssystem zu den einzelnen Ergebnissen geführt hat. Der physische Einsatz wirft auch Fragen zu Schutzmaßnahmen, menschlichem Eingreifen, Fehlerbehandlung und Haftung auf, die im Artikel nicht beantwortet werden.
Die nächsten Offenlegungen von Skild werden klären, ob es sich bei S1 um ein Forschungssystem, ein Kundenprodukt oder beides handelt. Pathak sagte gegenüber The Robot Report, dass das Unternehmen in den kommenden Wochen weitere produktionsbezogene Ergebnisse vorlegen werde. Leser sollten nach benannten Bereitstellungen, reproduzierbaren Tests, Hardwareanforderungen, Preisen oder Zugriffsbedingungen sowie Informationen zu den Daten suchen, die zum Trainieren des Modells verwendet werden. Der Bericht sagt nicht, ob die Gewichte, Software oder Evaluierungsmaterialien von S1 öffentlich zugänglich sein werden, und er gibt keine unabhängige Bestätigung der Finanzierungs-, Leistungs- oder Bereitstellungsansprüche des Unternehmens.