Aperçu
Skild AI est une startup de robotique issue de Carnegie Mellon qui construit un cerveau « modèle de base » unique et à usage général pour les robots, appelé Skild Brain. C’est important car il vise à faire fonctionner une IA partagée sur de nombreux corps et tâches de robot différents, plutôt que de former un nouveau modèle pour chaque machine.
Les modèles Skild AI Robot Foundation sont mieux compris dans le contexte de la stratégie, de l'accès aux modèles, des décisions de plate-forme et des partenariats écosystémiques.
Plongée profonde
Fondée en 2023 par les professeurs de la CMU Deepak Pathak et Abhinav Gupta, Skild AI a levé une importante série A (environ 300 millions de dollars) pour une valorisation d'environ 1,5 milliard de dollars, soutenue par des investisseurs dont SoftBank, Lightspeed, Coatue et Jeff Bezos. Sa thèse est que la robotique n'a pas eu le « moment GPT » parce que les modèles étaient étroits et fragiles. Skild entraîne un modèle général de base de robot sur des données énormes et diverses, notamment la simulation, la vidéo sur Internet et la téléopération, afin qu'un seul cerveau puisse contrôler différents modes de réalisation, quadrupèdes, humanoïdes et bras, et s'adapter à de nouvelles tâches et environnements. La société met l'accent sur la robustesse, la généralisation à des scénarios inédits et les capacités émergentes, positionnant Skild Brain comme un middleware indépendant de l'incarnation pour la prochaine vague de robots.
Aperçu technique
L'approche de Skild se concentre sur l'échelle et la diversité des données de formation pour parvenir à une généralisation. En s'entraînant sur de nombreux modes de réalisation de robots et en utilisant une simulation massive parallèlement à des vidéos réelles et Web, le modèle acquiert des compétences sensorimotrices qui sont transférées plutôt que surajustées à une seule machine. Le pari reflète de grands modèles de langage : davantage de données et de paramètres génèrent une robustesse émergente, permettant à la même politique de gérer de nouveaux objets, terrains et perturbations, et de se remettre d'échecs comme une jambe poussée ou une prise glissée.
Maîtriser les modèles de base de robot Skild AI
Skild AI est une startup de robotique issue de Carnegie Mellon qui construit un cerveau « modèle de base » unique et à usage général pour les robots, appelé Skild Brain. C’est important car il vise à faire fonctionner une IA partagée sur de nombreux corps et tâches de robot différents, plutôt que de former un nouveau modèle pour chaque machine. Les modèles Skild AI Robot Foundation sont mieux compris dans le contexte de la stratégie, de l'accès aux modèles, des décisions de plate-forme et des partenariats écosystémiques. Pour développer une compréhension approfondie, traitez les modèles Skild AI Robot Foundation comme un modèle opérationnel et non comme une fonctionnalité unique : définissez les résultats souhaités, clarifiez les hypothèses et séparez ce que le système peut faire de manière fiable de ce qui nécessite encore un jugement d'expert.
Dans la pratique, des équipes solides utilisant les modèles Skild AI Robot Foundation évaluent la stratégie du fournisseur, la fiabilité de la feuille de route et le risque de verrouillage avant de s'engager. Ils documentent des critères de réussite explicites, testent par rapport à des données et des flux de travail réalistes et itèrent en fonction des modèles d'échec observés plutôt que des victoires de référence ponctuelles. C’est là que la compréhension théorique se transforme en capacité durable au niveau des produits, des politiques et des opérations.
Les feuilles de route des fournisseurs influencent les fonctionnalités que votre équipe peut ensuite créer. Dans le même temps, les annonces de lancement peuvent dépasser la stabilité des flux de production réels. L'approche la plus résiliente consiste à combiner vitesse d'expérimentation et discipline de gouvernance : exécuter des projets pilotes, capturer des preuves, publier des journaux de décision et mettre à jour en permanence les protections à mesure que le comportement du modèle, les attentes des utilisateurs et les exigences réglementaires évoluent.
Impact stratégique
Les feuilles de route des fournisseurs influencent les fonctionnalités que votre équipe peut ensuite créer.
Les feuilles de route des fournisseurs influencent les fonctionnalités que votre équipe peut ensuite créer. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les conditions commerciales et les options de déploiement affectent les coûts et les risques à long terme.
Les conditions commerciales et les options de déploiement affectent les coûts et les risques à long terme. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les incitations des entreprises façonnent les défauts des produits, la posture de sécurité et l’ouverture.
Les incitations des entreprises façonnent les défauts des produits, la posture de sécurité et l’ouverture. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Mise en œuvre dans le monde réel
Un entrepôt et un quadrupède de patrouille exploitent le même Skild Brain, partageant les compétences acquises au lieu de logiciels sur mesure distincts.
Un robot largement formé à la simulation transfère ses capacités de marche et de préhension à une machine réelle sur un terrain inconnu.
Un humanoïde retrouve son équilibre après avoir été bousculé, démontrant la robustesse du modèle aux perturbations physiques.
Une startup de matériel informatique autorise le modèle de base de Skild en tant que « cerveau » de l'IA plutôt que de créer sa propre pile de contrôle à partir de zéro.
Modèles de mise en œuvre
Modèles de base de robot Skild AI en pratique
Un entrepôt et un quadrupède de patrouille exploitent le même Skild Brain, partageant les compétences acquises au lieu de logiciels sur mesure distincts.
Un entrepôt et un quadrupède de patrouille utilisent le même Skild Brain, partageant les compétences acquises au lieu de logiciels sur mesure distincts. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Modèles de base de robot Skild AI en pratique
Un robot largement formé à la simulation transfère ses capacités de marche et de préhension à une machine réelle sur un terrain inconnu.
Un robot largement formé à la simulation transfère ses compétences de marche et de préhension à une machine réelle sur un terrain inconnu. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Modèles de base de robot Skild AI en pratique
Un humanoïde retrouve son équilibre après avoir été bousculé, démontrant la robustesse du modèle aux perturbations physiques.
Un humanoïde retrouve son équilibre après avoir été bousculé, démontrant la robustesse du modèle face aux perturbations physiques. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Modèles de base de robot Skild AI en pratique
Une startup de matériel informatique autorise le modèle de base de Skild en tant que « cerveau » de l'IA plutôt que de créer sa propre pile de contrôle à partir de zéro.
Une startup de matériel utilise le modèle de base de Skild comme « cerveau » de l'IA plutôt que de construire sa propre pile de contrôle à partir de zéro. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Risques et garde-fous
Les annonces de lancement peuvent dépasser la stabilité des flux de production réels.
La tarification des API ou les changements de politique peuvent briser les hypothèses du jour au lendemain.
La dépendance à un seul fournisseur augmente les coûts de verrouillage et de migration.
Feuille de route de mise en œuvre
Évaluez les fournisseurs à l’aide de vos propres tâches et ensembles de données.
Évaluez les fournisseurs à l’aide de vos propres tâches et ensembles de données. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Vérifiez les conditions de confidentialité, de sécurité et juridiques avant l’intégration.
Vérifiez les conditions de confidentialité, de sécurité et juridiques avant l’intégration. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Maintenez un plan de secours entre les modèles ou les fournisseurs.
Maintenez un plan de secours entre les modèles ou les fournisseurs. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Surveillez les notes de version afin que les modifications de la feuille de route ne surprennent pas les équipes.
Surveillez les notes de version afin que les modifications de la feuille de route ne surprennent pas les équipes. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.