Co się stało
Według raportu Robot Report firma Skild AI zaprezentowała S1, swój flagowy model robota. Dyrektor generalny Deepak Pathak powiedział placówce, że S1 wykorzystuje uczenie się kontekstowe, aby pozwolić robotom wykonywać zadania zademonstrowane na jednym filmie wideo, bez konieczności szkolenia po zakończeniu konkretnego zadania. Skild twierdzi, że model jest przeznaczony do zadań długoterminowych i wielu typów robotów, ale raport nie weryfikuje niezależnie twierdzeń firmy.
W raporcie Robot Report z 31 sierpnia 2026 r. podano, że Skild AI niedawno zaprezentowało S1 jako swój flagowy model robota. Jak donosi portal Skild, od chwili jego założenia w 2023 r. zebrano prawie 1,7 miliarda dolarów na opracowanie mózgu robota ogólnego przeznaczenia. Deepak Pathak, współzałożyciel i dyrektor generalny Skild, powiedział The Robot Report, że S1 wykorzystuje uczenie się kontekstowe: do podpowiedzi modelu dodawany jest film demonstracyjny z udziałem ludzi, a następnie robot może podjąć próbę wykonania zademonstrowanego zadania. Pathak opisał zadania jako złożone i o długim horyzoncie czasowym, a nie krótkie, proste działania.
Z raportu Robot Report wynika, że podejście Skilda łączy cztery rodzaje danych szkoleniowych. Dane teleoperacyjne pochodzą bezpośrednio od ludzi kontrolujących roboty i są opisywane jako wysokiej jakości, ale ich gromadzenie jest powolne i charakteryzują się ograniczoną różnorodnością. Filmów przedstawiających ludzi jest mnóstwo i są różnorodne, ale trudno je zastosować bezpośrednio w robocie. Symulacja jest skalowalna i różnorodna, ale pozostawia lukę między środowiskami symulowanymi i fizycznymi. Rękawiczki do przechwytywania danych zapewniają inny sposób rejestrowania ludzkich działań i są nieco bardziej skalowalne niż teleoperacja, chociaż outlet twierdzi, że mają nieco mniej bezpośrednie zastosowanie w przypadku robotów. Pathak powiedział w publikacji, że Skild łączy źródła w taki sposób, że mocne strony jednego kompensują słabości drugiego.
Z raportu Robot Report wynika, że Skild koncentruje się na szerokim zestawie zadań, a nie na jednej branży. Podane przykłady obejmują przesadzanie rośliny, przygotowywanie kawy i gotowanie naleśników, a niektóre zadania zajmują do 10 minut. Pathak powiedział portalowi, że pojawił się robot przerzucający naleśnika, mimo że Skild nie znalazł pasującego przykładu w milionach godzin danych szkoleniowych; przypisał to zachowanie modelowi, który wywnioskował działanie z ruchu szpatułki. To jest konto firmowe zgłoszone przez The Robot Report, a nie niezależnie udokumentowany test.
Portal donosi również, że Skild opisuje S1 jako „wszechcielesnego”, co oznacza, że jest przeznaczony do pracy z czworonogami, humanoidami i statycznymi ramionami. Pathak powiedział, że Skild planuje spędzić więcej czasu na ulepszaniu wydajności humanoidów. W raporcie wspomniano o wcześniejszych wynikach, w których humanoid przystosował się, gdy zawiodły jego kończyny, ale wyraźnie stwierdzono, że wyniki te pochodzą z wcześniejszej wersji modelu i że Skild nie przeskalował jeszcze modelu do humanoidów. Pathak porównał uczenie się kontekstowe modelu z przejściem od dostrajania konkretnego zadania do podpowiedzi w modelach językowych, przyznając jednocześnie, że robotyka nie jest jeszcze gotowa do szerokiego zastosowania w domu.
Szczegóły źródła: therobotreport.com ↗
Dlaczego to ma znaczenie
Jeśli projekt S1 zostanie poddany niezależnej walidacji, może rozwiązać główną wąskie gardło w robotyce: potrzebę oddzielnego gromadzenia i późniejszego trenowania modeli pod kątem nowych zadań. W raporcie opisano próbę Skilda połączenia danych teleoperacyjnych, filmów wideo z udziałem ludzi, symulacji i rękawic do przechwytywania danych, potencjalnie wykorzystując słabości dowolnego pojedynczego źródła. Jednak w artykule nie podano żadnych standardowych wyników testów porównawczych, metryk wdrożenia, szczegółów dostępności ani niezależnych testów.
Zgłoszone wprowadzenie na rynek jest znaczące, ponieważ systemy robotyki często wymagają gromadzenia nowych danych lub szkolenia po wykonaniu nieznanych zadań. Głównym twierdzeniem S1 jest to, że robot może wykorzystać demonstrację jako kontekst i natychmiast na niej zareagować. Jeśli to twierdzenie sprawdzi się w przypadku różnych środowisk i sprzętu, może skrócić czas i wysiłek inżynieryjny potrzebny do dostosowania robota do każdego nowego zadania. Z raportu nie wynika, że miało to miejsce na skalę produkcyjną, zatem potencjału nie należy traktować jako wykazanej zmiany w branży.
Strategia szkolenia z wielu źródeł firmy Skild rozwiązuje praktyczny problem związany z danymi. Dane zbierane przez roboty są ściśle powiązane z systemem fizycznym, ale ich zebranie jest kosztowne; filmów wideo z udziałem ludzi jest mnóstwo, ale nie kodują one bezpośrednio mechaniki ciała robota; symulacja może wygenerować dużą liczbę przykładów, ale może nie odzwierciedlać warunków rzeczywistych. Połączenie tych źródeł mogłoby uczynić podstawowy model bardziej elastycznym, ale stwarza również trudne pytania dotyczące transferu. Model musi przekładać ruch człowieka, symulowaną dynamikę i sygnały sterujące specyficzne dla robota na bezpieczne działania fizyczne. Raport Robot opisuje uzasadnienie Skilda, ale nie dostarcza żadnego niezależnego badania pokazującego, jak dobrze działa to połączenie.
Raport łączy także wprowadzenie modelu na rynek ze strategią komercyjną Skild. Pathak powiedział The Robot Report, że S1 już pomógł firmie Skild szybciej pozyskiwać klientów i stwierdził, że niedawne przejęcie Fetch Robotics miało na celu pozyskanie talentów w zakresie wdrażania i skalowania. Stwierdzenia te sugerują, że Skild priorytetowo traktuje wykorzystanie operacyjne obok badań pionierskich. Jednak w artykule nie zidentyfikowano klientów, nie wymieniono miejsc produkcyjnych, nie podano wskaźników powodzenia zadań ani nie przedstawiono dowodów na to, że S1 zapewnił wymierne korzyści w rzeczywistym wdrożeniu. Dlatego też wpływ opinii publicznej pozostaje zależny od dowodów uzyskanych w następstwie dalszych działań.
Mechanizm interaktywny: jak to faktycznie działa
Poznaj interaktywnie technologię leżącą u podstaw tego rozwoju.
crm_get_transaction(id='4092').Which component of an AI application is the machine-learning model itself?
Co obejrzeć dalej
Kluczowe testy sprawdzają, czy S1 może niezawodnie przenosić demonstracje do różnych robotów, naprawiać błędy i wykonywać długie zadania poza kontrolowanymi demonstracjami. Skild twierdzi, że wkrótce pojawią się dalsze wyniki związane z produkcją i wdrożeniami u klientów, ale w raporcie nie wymieniono żadnych klientów ani nie podano danych dotyczących wydajności ani bezpieczeństwa. Dalsze szczegóły dotyczące wsparcia sprzętowego, dostępu, danych szkoleniowych, kosztów i nadzoru ludzkiego zadecydują o praktycznym znaczeniu startu.
Pierwszym priorytetem jest niezależna ocena roszczenia dotyczącego nauki za pomocą jednego filmu. Przydatne dowody obejmowałyby wskaźniki powodzenia niewidzianych zadań, liczbę i rodzaj przetestowanych robotów, warunki, w jakich rejestrowano demonstracje, oraz porównania z konwencjonalnymi szkoleniami dotyczącymi konkretnych zadań. W przypadku działań długoterminowych oceny powinny wskazywać, gdzie występują awarie, czy robot może się zregenerować i jak zmienia się wydajność, gdy obiekty, układy, oświetlenie lub narzędzia różnią się od demonstracji. Bieżący raport zawiera przykłady, ale nie zawiera standardowych pomiarów.
Na szczególną uwagę zasługuje wydajność humanoidalna i wieloczynnikowa. W raporcie Robot Report podano, że S1 ma działać na czworonogach, humanoidach i statycznych ramionach, zauważając jednocześnie, że wyniki adaptacji humanoidów cytowane przez Pathaka pochodzą z wcześniejszej wersji. Raporty uzupełniające powinny odróżniać obecne możliwości S1 od wcześniejszych demonstracji i wyjaśniać, jaki model, sprzęt i system sterowania dały każdy wynik. Fizyczne rozmieszczenie rodzi również pytania dotyczące zabezpieczeń, interwencji człowieka, postępowania w przypadku awarii i odpowiedzialności, na które nie ma odpowiedzi w artykule.
Kolejne ujawnienia Skilda wyjaśnią, czy S1 jest systemem badawczym, produktem klienta, czy jednym i drugim. Pathak powiedział The Robot Report, że w nadchodzących tygodniach firma pokaże więcej wyników związanych z produkcją. Czytelnicy powinni szukać nazwanych wdrożeń, powtarzalnych testów, wymagań sprzętowych, cen lub warunków dostępu oraz informacji o danych używanych do uczenia modelu. W raporcie nie podano, czy wagi, oprogramowanie i materiały ewaluacyjne S1 będą publicznie dostępne, ani nie przedstawiono żadnego niezależnego potwierdzenia roszczeń firmy w zakresie finansowania, wyników lub wdrożenia.