Que s'est-il passé
Le Robot Report rapporte que Skild AI a dévoilé S1, son modèle de base de robot phare. Le PDG Deepak Pathak a déclaré au média que S1 utilise l'apprentissage en contexte pour permettre aux robots de suivre une tâche démontrée dans une vidéo humaine, sans post-formation spécifique à la tâche. Skild affirme que le modèle est conçu pour des tâches à long terme et pour plusieurs facteurs de forme de robot, mais le rapport ne vérifie pas de manière indépendante les affirmations de l'entreprise.
Le Robot Report, dans un rapport daté du 31 août 2026, indique que Skild AI a récemment dévoilé S1 comme son modèle de base de robot phare. Le média rapporte que Skild a levé près de 1,7 milliard de dollars depuis sa création en 2023 pour développer un cerveau robotique à usage général. Deepak Pathak, co-fondateur et PDG de Skild, a déclaré à The Robot Report que S1 utilise l'apprentissage en contexte : une vidéo de démonstration humaine est ajoutée à l'invite du modèle, et le robot peut alors tenter de suivre la tâche démontrée. Pathak a décrit les tâches comme étant complexes et à long terme plutôt que comme des actions brèves et simples.
Le rapport Robot indique que l’approche de Skild combine quatre types de données de formation. Les données de téléopération proviennent directement des humains contrôlant les robots et sont décrites comme étant de haute qualité mais lentes à collecter et limitées en diversité. Les vidéos humaines sont nombreuses et diversifiées mais sont difficiles à appliquer directement à un robot. La simulation est évolutive et diversifiée mais laisse un fossé entre les environnements simulés et physiques. Les gants de capture de données offrent un autre moyen d'enregistrer les actions humaines et sont un peu plus évolutifs que la téléopération, bien que le média affirme qu'ils sont légèrement moins directement applicables aux robots. Pathak a déclaré à la publication que Skild combine les sources afin que les forces de l'une compensent les faiblesses de l'autre.
Le rapport Robot rapporte que Skild cible un large éventail de tâches plutôt qu'un seul secteur. Les exemples cités incluent le rempotage d’une plante, la préparation du café et la cuisson des crêpes, certaines tâches prenant jusqu’à 10 minutes. Pathak a déclaré au média qu'un robot retournant une crêpe était apparu même si Skild n'avait pas trouvé d'exemple correspondant parmi des millions d'heures de données d'entraînement ; il a attribué ce comportement au modèle déduisant l'action du mouvement de la spatule. Il s'agit d'un compte d'entreprise rapporté par The Robot Report, et non d'un test documenté de manière indépendante.
Le média rapporte également que Skild décrit le S1 comme « omnicorps », ce qui signifie qu'il est destiné à fonctionner avec des quadrupèdes, des humanoïdes et des bras statiques. Pathak a déclaré que Skild prévoyait de consacrer plus de temps à améliorer les performances des humanoïdes. Le rapport mentionne des résultats antérieurs dans lesquels un humanoïde s'est adapté lorsque ses membres ont échoué, mais il indique explicitement que ces résultats provenaient d'une version antérieure du modèle et que Skild n'avait pas encore adapté le modèle aux humanoïdes. Pathak a comparé l'apprentissage en contexte du modèle avec le passage d'un réglage précis à une tâche spécifique à une incitation dans des modèles de langage, tout en reconnaissant que la robotique n'est pas encore prête pour un déploiement à grande échelle à domicile.
Détails de la source: therobotreport.com ↗
Pourquoi c'est important
S'il est validé de manière indépendante, S1 pourrait résoudre un goulot d'étranglement majeur en robotique : la nécessité de collecter et de post-entraîner les modèles séparément pour de nouvelles tâches. Le rapport décrit la tentative de Skild de combiner les données de téléopération, les vidéos humaines, la simulation et les gants de capture de données, compromettant potentiellement les faiblesses de n’importe quelle source unique. Cependant, l'article ne fournit aucun résultat de référence standardisé, aucune mesure de déploiement, aucun détail sur la disponibilité ou aucun test indépendant.
Le lancement signalé est important car les systèmes robotiques nécessitent généralement de nouvelles collectes de données ou une post-formation lorsqu'ils sont confrontés à des tâches inconnues. L’affirmation centrale de S1 est qu’un robot peut utiliser une démonstration comme contexte et agir immédiatement en conséquence. Si cette affirmation est valable dans des environnements et du matériel variés, cela pourrait réduire le temps et les efforts d'ingénierie nécessaires pour adapter un robot à chaque nouvelle tâche. Le rapport n’établit pas que cela s’est produit à l’échelle de la production, ce potentiel ne doit donc pas être traité comme un changement avéré de l’industrie.
La stratégie de formation multi-sources de Skild répond à un problème pratique de données. Les données collectées par les robots sont étroitement liées au système physique, mais leur collecte est coûteuse ; les vidéos humaines sont abondantes mais ne codent pas directement la mécanique corporelle d’un robot ; la simulation peut générer de grandes quantités d’exemples mais peut ne pas capturer les conditions du monde réel. La combinaison de ces sources pourrait rendre un modèle de fondation plus flexible, mais cela soulève également des questions difficiles en matière de transfert. Un modèle doit traduire le mouvement humain, la dynamique simulée et les signaux de commande spécifiques au robot en actions physiques sûres. Le rapport Robot décrit le raisonnement de Skild mais ne fournit aucune étude indépendante montrant dans quelle mesure la combinaison fonctionne.
Le rapport relie également le lancement du modèle à la stratégie commerciale de Skild. Pathak a déclaré à The Robot Report que S1 aidait déjà Skild à acquérir plus rapidement des clients, et il a déclaré qu'une récente acquisition de Fetch Robotics visait à ajouter des talents pour le déploiement et la mise à l'échelle. Ces déclarations suggèrent que Skild donne la priorité à l’utilisation opérationnelle parallèlement à la recherche exploratoire. Pourtant, l'article n'identifie pas les clients, ne nomme pas les sites de production, ne rapporte pas les taux de réussite des tâches et ne fournit pas la preuve que S1 a généré des gains mesurables dans un déploiement réel. L’impact public reste donc tributaire des preuves de suivi.
Mécanisme interactif : comment cela fonctionne réellement
Explorez de manière interactive la technologie sous-jacente à ce développement.
crm_get_transaction(id='4092').Which component of an AI application is the machine-learning model itself?
Que regarder ensuite
Les tests clés consistent à déterminer si S1 peut transférer de manière fiable des démonstrations vers différents robots, récupérer des erreurs et effectuer de longues tâches en dehors des démonstrations contrôlées. Skild indique que davantage de résultats liés à la production et de déploiements chez les clients sont à venir, mais le rapport ne nomme aucun client et ne donne aucune donnée sur les performances ou la sécurité. De plus amples détails sur le support matériel, l'accès, les données de formation, les coûts et la surveillance humaine détermineront l'importance pratique du lancement.
La première priorité est l’évaluation indépendante de la revendication d’apprentissage d’une seule vidéo. Des preuves utiles incluraient les taux de réussite dans des tâches inédites, le nombre et le type de robots testés, les conditions dans lesquelles les démonstrations ont été enregistrées et des comparaisons avec une formation conventionnelle spécifique à des tâches. Pour les activités à long terme, les évaluations doivent indiquer où les pannes se produisent, si le robot peut récupérer et comment les performances changent lorsque les objets, les dispositions, l'éclairage ou les outils diffèrent de la démonstration. Le rapport actuel fournit des exemples mais aucune mesure standardisée.
Les performances humanoïdes et multi-facteurs méritent un examen particulier. Le rapport Robot indique que S1 est destiné à fonctionner sur des quadrupèdes, des humanoïdes et des bras statiques, tout en notant que les résultats d'adaptation humanoïde cités par Pathak provenaient d'une version antérieure. Les rapports de suivi doivent distinguer les capacités S1 actuelles des démonstrations précédentes et expliquer quel modèle, matériel et système de contrôle ont produit chaque résultat. Le déploiement physique soulève également des questions sur les garanties, l'intervention humaine, la gestion des pannes et la responsabilité qui ne trouvent pas de réponse dans l'article.
Les prochaines révélations de Skild clarifieront si S1 est un système de recherche, un produit client ou les deux. Pathak a déclaré à The Robot Report que la société afficherait davantage de résultats liés à la production dans les semaines à venir. Les lecteurs doivent rechercher des déploiements nommés, des tests reproductibles, des exigences matérielles, des conditions de tarification ou d'accès, ainsi que des informations sur les données utilisées pour entraîner le modèle. Le rapport ne précise pas si les pondérations, les logiciels ou les documents d’évaluation de S1 seront accessibles au public, et il ne donne aucune confirmation indépendante des affirmations de l’entreprise en matière de financement, de performances ou de déploiement.