Vad hände
Skild AI lanserade sin S1-robotfundamentmodell, som använder inlärning i sammanhang för att utföra tidigare osynliga uppgifter från en enda videoprompt. Företaget rapporterade att det nådde en årlig intäktshastighet på 100 miljoner USD och distribuerar tekniken med Foxconn för högprecisionsmontering.
Skild AI lanserade robotfundamentmodellen S1, designad för att lära sig tidigare osynliga uppgifter med lång horisont från en enda videodemonstration. Modellen använder inlärning i sammanhanget, vilket innebär att den tolkar den visade avsikten, objekten och sekvensen från videoprompten och mappar dem till handlingar utan att uppdatera dess vikter eller genomgå uppgiftsspecifik efterträning.
Företaget uppgav att S1 kan utföra obekanta uppgifter som varar i upp till 10 minuter, såsom växtplantering, pannkakstillverkning och montering av kit. I ett internt test gick teamet från att spela in en demonstration till autonom körning på hårdvara på 11 minuter. Skild rapporterade att S1 uppnådde 66 % framgång per steg på nya flerstegsuppgifter, jämfört med 9 % för ett liknande AI-system, och uppskattade att ett videoexempel är lika användbart som ungefär 380 praktiska träningsexempel.
Skid AI byggde och undersökte S1 på NVIDIA AI-infrastruktur, inklusive NVIDIA Isaac Lab, Cosmos och Omniverse. Samarbetet sträcker sig över syntetisk datagenerering, modellträning, simulering och implementering i verkliga världen. Företaget har nått en årlig intäktstakt på 100 miljoner USD 10 månader efter sin första kommersiella implementering och har etablerat mer än 60 distributionspartnerskap inom tillverkning, logistik och andra sektorer.
En specifik distribution pågår med Foxconn, där Skild Brain används på tvåarmsmanipulatorer för högprecisionsmontering av NVIDIA Blackwell-system. Detta arbetsflöde involverar installation av komponenter, fästskruvar och anpassning till störningar, vilket kräver exakt rörelse och kontaktmedveten kontroll.
Källinformation: blogs.nvidia.com ↗
Varför det spelar roll
Denna utveckling tar itu med en kärnbegränsning inom industriell robotik: den höga kostnaden och tiden som krävs för att programmera om eller omskola robotar för nya uppgifter eller layouter. Genom att göra det möjligt för robotar att lära av en enda videodemonstration, minskar S1 avsevärt hindret för att anpassa automation i dynamiska miljöer som tillverkning och logistik. Denna övergång från fasta, förprogrammerade arbetsflöden till anpassningsbart, erfarenhetsbaserat lärande kan påskynda införandet av robotteknik för allmänt bruk i industrier där produktlinjer och processer ändras ofta.
Industrirobotar är traditionellt byggda för fasta jobb, som kräver betydande data, omskolning och validering för varje ny produkt eller processförändring. S1:s förmåga att lära av en enda videodemonstration bryter denna cykel, vilket gör att operatörer kan demonstrera nya uppgifter direkt utan att skapa nya datamängder eller köra träningscykler för varje förändring.
Denna förmåga är särskilt relevant för dynamiska driftsmiljöer som tillverkningsgolv och lager, där layouter skiftar och nya produkter kommer ofta. Genom att minska tiden och kostnaderna förknippade med robotanpassning kan S1 göra det mer genomförbart för företag att implementera flexibel automation som svar på förändrade produktionsbehov.
Integrationen med NVIDIA:s simulerings- och träningsverktyg, såsom Isaac Lab och Cosmos, belyser en trend mot att använda syntetisk data och fysiskt baserade virtuella miljöer för att överbrygga gapet mellan simulering och verkliga prestanda. Detta tillvägagångssätt möjliggör omfattande testning av kantfall och beteenden innan fysisk distribution.
Interaktiv mekanism: hur det faktiskt fungerar
Utforska den underliggande tekniken bakom denna utveckling interaktivt.
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
Vad du ska titta på härnäst
Övervaka den verkliga framgångsfrekvensen för S1 i kommersiella implementeringar utöver den rapporterade framgångsfrekvensen på 66 % per steg. Håll utkik efter lanseringen av de gemensamt utvecklade GPU-accelererade simuleringslösningarna till den bredare utvecklargemenskapen och expansionen av Skilds 60+ distributionspartnerskap.
Den rapporterade framgångsfrekvensen på 66 % per steg i Skilds tester indikerar att även om modellen är betydligt effektivare än tidigare system, är den ännu inte perfekt. Den verkliga prestandan i komplexa, okontrollerade miljöer kan variera, och övervakning av tillförlitligheten för dessa distributioner kommer att vara avgörande för att bedöma teknikens praktiska genomförbarhet.
Skild och NVIDIA utvecklar tillsammans nya GPU-accelererade simuleringslösare för modellering av fysiska interaktioner, som planeras göras tillgängliga för alla utvecklare som en del av Newton. Utgivningen av dessa verktyg kan sänka inträdesbarriären för andra robotföretag som vill implementera liknande simuleringsbaserade träningspipelines.
Utvidgningen av Skilds kommersiella partnerskap, som för närvarande uppgår till över 60, kommer att avgöra vidden av teknikens tillämpning. Att observera hur modellen presterar över olika branscher, såsom matlagning och säkerhet, kommer att ge insikt i dess generaliserbarhet bortom tillverkning.