Modelo de Robô Skild AI S1 Leva o Treinamento Robótico para o Prompt

A Skild AI apresentou o S1, um modelo de robô que tenta executar tarefas inéditas com duração de até 10 minutos após receber apenas uma demonstração em vídeo. O modelo de robô Skild AI S1 não atualiza seus pesos nem passa por pós-treinamento específico para uma tarefa antes de agir. Isso muda a questão central do aprendizado robótico: em vez de como os engenheiros retreinam uma máquina, passa a ser se um operador pode simplesmente mostrar a ela um novo trabalho.

A Skild chama esse processo de aprendizado em contexto, o que significa que a demonstração orienta o comportamento sem alterar o modelo subjacente. A empresa afirma que o S1 consegue interpretar intenção, objetos e ordem das tarefas em diferentes cenários e corpos robóticos. Entre os exemplos divulgados estão plantar mudas em vasos, preparar café, fazer panquecas e montar kits.

A disputa relevante não é entre a Skild e um único fabricante de robôs. É entre a adaptação baseada em prompts e a prática estabelecida de coletar dados de tarefas, ajustar uma política e validar cada implantação. A própria plataforma GR00T da NVIDIA ainda oferece suporte a pós-treinamento para robôs e ambientes específicos, enquanto a Physical Intelligence também busca uma ampla generalização por meio de seus modelos robóticos.

O Modelo de Robô Skild AI S1 Aprende Trabalho a Partir de um Vídeo

O S1 transforma uma demonstração gravada em uma especificação temporária de tarefa, em vez de um novo conjunto de dados de treinamento.

Primeiro, um operador grava a tarefa do ponto de vista de uma pessoa. O S1 recebe esse vídeo dentro de sua janela de contexto, isto é, as informações disponíveis durante uma única sessão de execução. Em seguida, a política mapeia o objetivo e a sequência demonstrados para o robô, sua visão por câmera e os objetos à sua frente.

Essa tradução importa porque a demonstração pode diferir da situação real do robô. O ângulo da câmera, o layout do cenário, as ferramentas disponíveis e a incorporação física não precisam corresponder exatamente. Segundo a pesquisa detalhada da Skild sobre o S1, o pré-treinamento ensina a política a inferir relações funcionais, em vez de reproduzir uma trajetória fixa.

A Skild afirma que os mesmos pesos de modelo geraram todos os exemplos de seu lançamento inicial. Não ocorreu ajuste fino específico por tarefa após cada demonstração. A empresa posiciona essa distinção como a diferença essencial entre o S1 e sistemas que exigem treinamento adicional antes de lidar com um novo fluxo de trabalho.

Os exemplos mais longos vão além de ações isoladas de pegar e posicionar objetos. Eles incluem tarefas com duração de até 10 minutos e dezenas de etapas de manipulação. Esse tipo de trabalho exige que o robô se lembre do progresso, combine movimentos conhecidos em uma nova ordem e se recupere quando uma ação dá errado.

O plantio de mudas em vasos oferece o exemplo divulgado mais claro. A Skild gravou uma demonstração, forneceu-a ao S1 e iniciou a execução autônoma no hardware em 11 minutos. Esse intervalo cobriu o processo desde a gravação do prompt até a execução da tarefa, segundo um relato da NVIDIA sobre a colaboração.

A empresa também mostrou casos em que a execução diferiu de forma sensata do prompt. Quando uma demonstração usava um regador, mas apenas um copo estava disponível, o S1 teria selecionado o copo. Quando um recipiente já estava quase cheio, o sistema adicionou apenas a quantidade restante.

Outra demonstração incluiu uma pessoa deixando cair um ovo cedo demais. A Skild afirma que o S1 concluiu a etapa pretendida com um movimento controlado, em vez de reproduzir o erro. Esses exemplos sugerem que o modelo trata o vídeo como evidência de um objetivo, e não como um roteiro quadro a quadro.

Essa interpretação separa o prompting físico da imitação convencional. A cópia literal falharia sempre que o corpo, o ponto de vista ou o ambiente do robô diferissem do exemplo humano. Em vez disso, o S1 precisa inferir qual resultado o demonstrador pretendia e quais ações continuam viáveis no novo cenário.

A alegação é relevante, mas seu escopo exige formulação cuidadosa. A Skild apresentou demonstrações selecionadas e resultados de avaliações internas, não uma avaliação independente completa em fábricas. A capacidade do S1 de generalizar além dessas condições continua sendo um resultado reportado pela empresa.

Ainda assim, o modelo operacional é claro. O prompt transporta informações específicas da tarefa no momento da execução, enquanto os pesos do modelo permanecem fixos. Essa abordagem desafia diretamente o caro ciclo de adaptação que limitou a automação industrial flexível.

Por Que o Prompting Físico Pressiona o Modelo de Retreinamento

Se os prompts em vídeo funcionarem de forma confiável, as equipes de implantação poderão transferir parte da programação de robôs de especialistas para operadores da linha de frente.

A automação industrial convencional funciona bem quando produtos, dispositivos de fixação e movimentos permanecem estáveis. Engenheiros podem otimizar um robô para uma sequência repetível e cercá-lo de equipamentos controlados. A economia se torna menos atraente quando produtos ou layouts mudam com frequência.

Políticas robóticas aprendidas prometem mais flexibilidade, mas muitas vezes preservam um ciclo de implantação exigente. As equipes reúnem demonstrações no ambiente-alvo, ajustam o modelo, testam a política atualizada e repetem o processo após mudanças. Cada etapa exige conhecimento especializado, acesso a equipamentos e tempo.

A Skild argumenta que políticas moderadamente complexas podem exigir dezenas ou centenas de horas de dados das condições de implantação. Mesmo um modelo pré-treinado pode perder grande parte de sua vantagem econômica se cada tarefa de cliente ainda exigir uma ampla campanha de pós-treinamento.

O S1 transfere essa carga de adaptação para o prompt. Um trabalhador que entende o processo pode gravar uma demonstração e pedir à política existente que a interprete. O modelo não precisa de outra atualização de gradiente, que é o ajuste matemático normalmente usado durante o treinamento.

A Skild estima que um único prompt curto em vídeo pode oferecer utilidade comparável a aproximadamente 380 exemplos coletados manualmente. A empresa afirma que reunir esses exemplos poderia consumir entre 50 e 100 horas. Ambos os números vêm da empresa e não receberam validação independente.

A diferença de desempenho reportada também é substancial. Nos novos testes de múltiplas etapas da Skild, o S1 obteve uma média de aproximadamente 66% de sucesso por etapa. O sistema de comparação alcançou cerca de 9% por etapa, produzindo uma diferença superior a sete vezes.

O sucesso por etapa não é o mesmo que a conclusão bem-sucedida da tarefa. Uma sequência com muitas etapas dependentes pode falhar se qualquer ação individual der errado. Portanto, mesmo uma média forte pode gerar taxas de conclusão decepcionantes em um fluxo de trabalho longo.

Suponha que uma tarefa contenha dez etapas e que cada uma tenha, de forma independente, 66% de chance de sucesso. A probabilidade de concluir todas as etapas continuaria muito baixa. Os resultados reais não são necessariamente independentes, mas o exemplo mostra por que a métrica exige contexto.

O comportamento de recuperação pode mudar esse cálculo. Um robô que percebe um objeto fora do lugar e tenta novamente de forma inteligente tem mais valor do que um que trata cada erro como definitivo. A Skild afirma que o S1 se ajusta quando os objetos se movem e se recupera de erros, mas não publicou detalhes operacionais suficientes para comparações amplas de confiabilidade.

A pressão comercial recai sobre a integração específica de tarefas, e não apenas sobre modelos fundacionais concorrentes. Integradores de sistemas frequentemente dedicam esforço significativo para adaptar hardware e software a uma linha. Um prompting mais rápido deslocaria valor para modelos reutilizáveis, sistemas de validação e suporte à implantação.

Os fabricantes ainda precisariam de controles de segurança e qualificação de processos. Uma demonstração em vídeo não pode estabelecer limites de carga, limites de colisão, regras de sanitização ou tolerâncias de produto. O prompting físico muda a forma como a tarefa chega à política, mas não elimina a engenharia industrial.

A oportunidade mais forte no curto prazo está no trabalho de alta variedade que resiste à programação fixa. Esses ambientes mudam com frequência suficiente para tornar a engenharia repetida cara, mas permanecem estruturados o bastante para permitir supervisão. Montagem em pequenos lotes, formação de kits, preparação de alimentos e inspeção se encaixam nesse padrão.

A Skild afirma que agora trabalha com mais de 60 clientes pagantes de implantação. A empresa reportou uma taxa anualizada de receita recorrente de US$ 100 milhões apenas 10 meses após sua primeira implantação comercial. Sua atualização comercial afirma que a manipulação gera cerca de 90% da receita, enquanto a mobilidade contribui com o restante.

Esses números são reportados pela empresa e incomumente rápidos para a robótica. Eles não revelam a duração dos contratos, a concentração de clientes, as margens de implantação nem quanto da receita depende de serviços. Ainda assim, indicam que a Skild está testando sua tese técnica em operações pagantes, e não apenas em demonstrações de laboratório.

Como o Skild S1 Funciona na Pilha de Physical AI da NVIDIA

O S1 depende de um pipeline completo de dados, simulação, treinamento e implantação, embora cada nova tarefa evite o pós-treinamento.

A experiência simples para o usuário esconde uma preparação substancial. Um modelo não pode interpretar uma demonstração se o pré-treinamento ainda não o expôs a tarefas, cenários, objetos, falhas e corpos robóticos diversos. O prompt de um vídeo reduz o trabalho de adaptação após o treinamento, não o custo de construir o modelo fundacional.

A Skild afirma que nenhuma fonte única de dados fornece simultaneamente realismo de hardware, diversidade e escala. Demonstrações de robôs teleoperados correspondem de perto ao hardware de implantação, mas as pessoas precisam coletá-las lentamente. Vídeos humanos são abundantes e variados, mas não contêm ações nativas de robôs.

A simulação pode gerar grandes volumes de experiência e falhas raras. Sua fraqueza é a lacuna entre simulação e realidade, em que contato virtual, atrito, iluminação ou comportamento de sensores diferem das condições físicas. O S1 combina essas fontes em vez de considerar uma delas suficiente.

A infraestrutura NVIDIA conecta essas etapas. A computação acelerada dá suporte ao treinamento do modelo com simulação, vídeo humano, teleoperação e dados de implantação permitidos. Os modelos Cosmos processam vídeo e ajudam a criar entradas de treinamento variadas, enquanto o Cosmos Curator oferece suporte à anotação, filtragem e organização.

Omniverse e Isaac Sim fornecem ambientes virtuais fisicamente baseados. A Skild pode gerar dados, testar casos extremos e validar comportamentos antes de transferi-los para o hardware. Isso reduz o custo e o risco de aprender todos os modos de falha no chão de fábrica.

Isaac Lab fornece um ambiente de aprendizado por reforço, no qual as políticas melhoram por meio de interação e feedback simulados. O motor de física Newton modela forças, colisões, pressão e contato. A Skild e a NVIDIA também estão desenvolvendo solucionadores acelerados por GPU para preensão e manipulação de objetos sólidos.

As ferramentas Nsight ajudam engenheiros a identificar gargalos de computação durante o treinamento. TensorRT otimiza a inferência, que é o processo de executar o modelo treinado para selecionar ações. Baixa latência importa porque um robô físico precisa responder enquanto objetos, pessoas e seu próprio corpo continuam se movendo.

Essa infraestrutura também revela uma distinção importante. A Skild treina o S1 em sistemas NVIDIA, mas o S1 não é simplesmente um modelo robótico NVIDIA renomeado. A Skild detém a política e a estratégia de dados, enquanto a NVIDIA fornece computação e uma ampla coleção de ferramentas de desenvolvimento.

A NVIDIA também compete na camada de modelos por meio do Isaac GR00T. A empresa descreve o GR00T 1.7 como um modelo aberto e comercialmente utilizável de visão-linguagem-ação, com um checkpoint base de três bilhões de parâmetros.

Um modelo de visão-linguagem-ação conecta observações visuais e instruções às ações de robôs. O GR00T 1.7 aceita imagens, linguagem e estado do robô, produzindo então comandos de movimento. A NVIDIA afirma que ele foi pré-treinado com aproximadamente 32.000 horas de dados reais e 8.000 horas de dados simulados.

O GR00T oferece um caminho de adaptação contrastante. Os desenvolvedores podem partir de seu checkpoint pré-treinado e pós-treiná-lo para seu robô, ambiente e tarefa específicos. A principal promessa do S1 é que um prompt em vídeo pode definir a nova tarefa sem essa atualização adicional do modelo.

Essas abordagens não se excluem mutuamente. O pós-treinamento pode maximizar o desempenho em trabalhos estáveis e de alto volume. O aprendizado em contexto pode melhorar a flexibilidade quando as tarefas mudam mais rápido do que os engenheiros conseguem reconstruir políticas.

A NVIDIA se beneficia em qualquer uma das rotas. Ela fornece computação, simulação, processamento de dados, software de implantação e seus próprios modelos fundacionais. Assim, o sucesso da Skild validaria a infraestrutura da NVIDIA mesmo se os clientes escolhessem o S1 em vez do GR00T.

A relação se assemelha à de um fornecedor de plataforma e um fornecedor de aplicações que trabalham juntos enquanto suas fronteiras técnicas se sobrepõem. A Skild precisa da pilha de desenvolvimento subjacente, e a NVIDIA ganha uma carga de trabalho comercialmente visível. Ambas querem que as implantações de IA física ganhem escala para além de demonstrações isoladas.

O projeto de montagem Blackwell dá a essa parceria um cenário concreto. Skild, NVIDIA e Foxconn estão implantando o Skild Brain em manipuladores de dois braços usados na produção de sistemas NVIDIA Blackwell.

Em um fluxo de trabalho demonstrado, o robô instala um barramento e um bloco limitador e, em seguida, aperta 16 parafusos. Ele precisa acompanhar a sequência, controlar o contato com precisão e reagir quando as condições físicas diferem de seu plano.

Esse é um teste mais significativo do que preparar café para um vídeo. A montagem de hardware tem tolerâncias definidas, erros caros e produtividade mensurável. Ela também levanta uma questão exigente: se a flexibilidade guiada por prompts pode coexistir com a consistência exigida em produção.

Skild S1 versus GR00T é, na verdade, adaptação versus confiabilidade

A principal troca não é se o S1 consegue executar uma tarefa inédita uma vez, mas se consegue repeti-la com segurança em uma produtividade útil.

Uma demonstração refinada comprova capacidade, não operação confiável. Fábricas medem unidades concluídas, tempo de ciclo, frequência de intervenções, defeitos, tempo de inatividade e incidentes de segurança. Um modelo pode parecer adaptável e ainda assim perder economicamente em várias dessas métricas.

A taxa de sucesso por etapa de 66% relatada pela Skild exige cautela especial. Ela representa uma grande melhoria em relação à linha de base citada, mas continua muito abaixo da confiabilidade associada à automação fixa madura. O limiar prático depende de recuperação, supervisão, valor da tarefa e custo da falha.

Algumas aplicações podem tolerar novas tentativas. Um robô de armazém pode tentar agarrar um item novamente depois que ele se desloca. Outras falhas podem danificar componentes, contaminar alimentos ou colocar trabalhadores em risco. Portanto, a mesma pontuação de modelo pode viabilizar a implantação em um contexto e bloqueá-la em outro.

Tarefas de longo horizonte ampliam o problema. O S1 precisa manter o contexto ao longo de dezenas de movimentos enquanto acompanha quais etapas foram concluídas com sucesso. Um erro inicial pode alterar a cena e tornar a demonstração restante menos relevante.

O modelo então precisa decidir se tenta novamente, substitui outro objeto, pula uma etapa ou pede ajuda humana. Cada decisão introduz outra oportunidade para uma interpretação incorreta. Um comportamento de senso comum em exemplos selecionados não estabelece uma política de erros confiável.

A avaliação independente continua limitada em todo o setor de modelos fundacionais para robôs. Empresas diferentes usam hardware, tarefas, distribuições de treinamento, definições de sucesso e práticas de edição distintas. Comparações de destaque raramente fornecem evidência controlada de que uma política generaliza melhor do que outra.

A Physical Intelligence oferece uma comparação útil. Sua pesquisa sobre modelos para robôs inclui generalização no mundo aberto, transferência de humanos para robôs, memória de longo prazo e tarefas que ultrapassam 10 minutos. Seu modelo π0.7 também visa desempenho imediato em ambientes desconhecidos e trabalhos de múltiplas etapas.

A pesquisa GR00T da NVIDIA enfatiza checkpoints abertos, fluxos de trabalho padronizados, simulação e pós-treinamento. A Figure desenvolve o Helix junto de seu próprio hardware humanoide. Cada rota equilibra de modo diferente generalização, especialização de incorporação física, coleta de dados e controle de implantação.

A aposta distinta da Skild é que a intenção da tarefa pode chegar por meio de um prompt em vídeo no momento da execução. Isso poderia reduzir o trabalho de customização e preservar uma política compartilhada entre vários tipos de robôs. Também torna a interpretação de prompts parte do limite operacional de segurança.

Uma demonstração vaga ou falha pode criar ambiguidade. A Skild afirma que o S1 às vezes corrige erros humanos, o que parece útil. No entanto, a correção também significa que o modelo escolhe quando se afastar do exemplo fornecido.

Essa discrição precisa de limites. Um operador deve entender se o modelo reconheceu corretamente o objetivo e por que selecionou um movimento diferente. Caso contrário, uma correção aparentemente inteligente pode se tornar um desvio imprevisível.

A literatura de pesquisa identifica problemas mais amplos ainda não resolvidos. Uma pesquisa revisada por pares sobre robótica destaca a escassez de dados de robôs, garantias de segurança, medição de incerteza e execução em tempo real como desafios persistentes para modelos fundacionais.

O lançamento do S1 não elimina essas limitações. Ele apresenta uma interface diferente para adaptação e uma estratégia de treinamento concebida em torno dessa interface. As evidências de produção precisam mostrar que o método resiste a equipamentos, iluminação, desgaste, materiais e comportamento humano variados.

A divulgação comercial exige escrutínio semelhante. Uma taxa anualizada de receita extrapola o negócio recorrente atual ao longo de um ano. Ela não equivale a receita anual auditada, caixa recebido ou implantação lucrativa.

A Skild afirma ter reconhecido US$ 50 milhões durante seus primeiros 10 meses de implantações. Ela também menciona projetos em logística, segurança, inspeção, preparo de alimentos, centros de dados e manufatura. Esses detalhes sustentam a existência de atividade real de clientes, mas não revelam a economia por unidade.

A estratégia de implantação da empresa pode fortalecer o S1 ao longo do tempo. Com permissão dos clientes, a experiência operacional pode alimentar o modelo mais amplo. Mais implantações poderiam então gerar políticas melhores, que reduzem o trabalho de adaptação e apoiam novas implantações.

Esse ciclo também cria questões de governança. Os clientes precisam de clareza sobre quais dados operacionais deixam suas instalações, como são filtrados e se aprimoram modelos usados em outros locais. Vídeos sensíveis de manufatura podem expor projetos de produtos, procedimentos e arranjos de segurança.

A dependência da NVIDIA cria outra consideração estratégica. Sua pilha abrange treinamento, simulação, otimização e implantação, o que pode acelerar o desenvolvimento. Uma integração profunda também pode tornar mais difícil mudar escolhas de infraestrutura posteriormente.

Nenhuma dessas preocupações invalida a abordagem do S1. Elas definem as evidências necessárias para distinguir um modelo de pesquisa flexível de uma infraestrutura industrial confiável. A Skild mostrou um mecanismo atraente, mas os clientes julgarão o sistema operacional ao seu redor.

Três sinais que mostrarão se o S1 ganha escala

A próxima fase deve ser medida por taxas de conclusão em produção, evidências em hardware mais amplo e avaliação reproduzível de forma independente.

O primeiro sinal é o desempenho sustentado na implantação de montagem Blackwell. A Skild identificou um fluxo de trabalho específico que envolve dois braços, vários componentes e 16 parafusos. Isso dá aos observadores mais para avaliar do que uma demonstração doméstica vagamente definida.

Uma divulgação útil incluiria sucesso na tarefa completa, tempo médio de ciclo, frequência de intervenção humana e taxas de defeitos. Os resultados deveriam abranger períodos prolongados de produção, em vez de uma execução selecionada. Desempenho estável reforçaria o argumento de que prompts físicos podem apoiar a manufatura de precisão.

Taxas fracas de conclusão apontariam em outra direção. Elas sugeririam que os prompts flexíveis do S1 ainda precisam de engenharia específica para a tarefa, pós-treinamento ou controle ambiental mais rigoroso. O modelo poderia continuar valioso, mas sua vantagem econômica diminuiria.

O segundo sinal é a transferência repetível entre clientes e corpos robóticos. A Skild chama seu sistema mais amplo de cérebro de robô omni-bodied, o que significa que uma camada de inteligência pode controlar diferentes plataformas físicas. O valor do S1 aumenta substancialmente se a mesma política lidar com braços, manipuladores móveis e outras máquinas.

A empresa mencionou trabalhos com Foxconn, Sumitomo Wiring Systems e Mitsui. Esses projetos abrangem montagem de eletrônicos, fabricação de chicotes de fios e cozinhas comerciais. Também expõem o modelo a materiais, requisitos de segurança e definições de sucesso diferentes.

Evidências de várias implantações testariam como o Skild S1 funciona fora de suas demonstrações de lançamento. A questão-chave é se a adaptação a partir de um vídeo continua rápida quando hardware, câmeras, ferramentas e regras do ambiente de trabalho mudam simultaneamente.

Intervenções frequentes de engenharia enfraqueceriam a alegação de generalidade. Elas indicariam que o prompt visível é apenas uma pequena parte do trabalho de implantação. Por outro lado, operadores ensinando novos fluxos de trabalho sem atualizações do modelo sustentariam o argumento central da Skild.

O terceiro sinal é uma estrutura de avaliação mais clara. A Skild forneceu resultados por etapa e uma comparação com linha de base, mas leitores externos precisam de definições de tarefas, contagens de testes, categorias de falha e taxas de conclusão completas. Eles também precisam de informações sobre a distância em relação à distribuição de pré-treinamento.

Esse último ponto é essencial. Uma tarefa pode parecer nova enquanto compartilha objetos e movimentos com muitos exemplos de treinamento. Um aprendizado em contexto robusto deve lidar com mudanças tanto na estrutura da tarefa quanto nas condições de implantação, não apenas recombinar cenas familiares.

Comparações controladas com GR00T, modelos da Physical Intelligence ou políticas especializadas ajudariam. O objetivo não deve ser um único número de classificação. As avaliações devem separar adaptabilidade, precisão, recuperação, latência e segurança.

A Skild anunciou que publicações técnicas posteriores explicarão o treinamento do S1 com maior profundidade. Essas divulgações podem esclarecer a composição do conjunto de dados, arquitetura, desenho da avaliação e controles de contaminação. Métodos reproduzíveis dariam aos pesquisadores uma base mais sólida para avaliar as alegações da empresa.

Para desenvolvedores, o S1 sugere que demonstrações podem se tornar uma interface prática para robôs, ao lado de linguagem e código. Compradores corporativos devem se concentrar na economia de conclusão, controles de segurança e direitos sobre dados antes de tratar o aprendizado de uma única tentativa como pronto para implantação.

O modelo de robô Skild AI S1 importa porque testa se um robô pode receber novo trabalho por meio de contexto, em vez de retreinamento. Seu próximo marco não é outro vídeo refinado de uma tarefa. É a evidência de que operadores comuns conseguem ensinar trabalhos em mudança enquanto o sistema mantém qualidade previsível.

Observe a implantação Blackwell, a transferência entre clientes e os detalhes da avaliação nos próximos meses. Se os três se sustentarem, os prompts em vídeo se tornarão uma alternativa crível à customização repetida de políticas. Qual tarefa em sua operação ofereceria o teste mais claro e seguro dessa alegação?