تجاوزت Skild AI معدل إيرادات سنوية قدره 100 مليون دولار في عشرة أشهر

قالت Skild AI في 9 سبتمبر 2026 إنها تجاوزت 100 مليون دولار في معدل الإيرادات السنوية، بعد عشرة أشهر من أول عملية تجارية للشركة الروبوتات.

تم الكشف عن هذا الإنجاز في منشور مدونة الشركة بعنوان “الركيزة الخفية للروبوتات.” في المنشور، ذكرت الشركة أنها توسعت لتضم أكثر من 60 عميلًا مدفوعًا في مجالات نقل البضائع، وإجراء التوصيلات، وتفقد المواقع، وتوفير الأمن، وإعداد الطعام، بالإضافة إلى التشغيل داخل المستودعات والمصانع ومراكز البيانات. وتشكل التنقلية 10٪ من الإيرادات وحلول Fetch تشكل 4٪، حسب ما أفادت الشركة.

النشرات التجارية المسماة

وصف المنشور ثلاث عمليات نشر مع شركاء التكنولوجيا والصناعة. بالتعاون مع NVIDIA وFoxconn، تقوم Skild AI بنشر Skild Brain على مُتحكمات ذات ذراعين لتجميع عالي الدقة لأنظمة NVIDIA Blackwell، وهو ما تقول الشركة إن العمل يتغير مع كل دورة منتج وكان في السابق يعني إعادة برمجة كل روبوت على الخط.

في Sumitomo Wiring Systems، ذكرت Skild AI أنها تعمل على نشر S1، أحدث نموذج أساسي لها، لأتمتة عمليات تصنيع حزم الأسلاك التي وصفها المنشور بأنها كانت تُعتبر مستحيلة الأتمتة. ومع Mitsui & Co.، التي تخدم سلاسل إمداد توفر 1.4 مليون وجبة يوميًا عبر اليابان، تقوم الشركة بتجربة روبوتات عامة الغرض مدعومة بـ S1 في المطابخ التجارية.

نموذج S1 والنتائج التي أبلغت عنها الشركة

قدمت Skild AI نموذج S1، الذي تسميه نموذجها الأساسي الرائد في الروبوتات، في منشور 18 أغسطس 2026. وقالت الشركة إنها بنت S1 من الصفر كمتعلم داخل‑السياق: يقوم المشغل بتسجيل عرض فيديو واحد لمهمة ويقدمه للروبوت كمحفز، دون تعديل أوزان النموذج. يُبنى S1 على بنية NVIDIA AI التحتية، والتي أفادت الشركة بأنها توفر الأساس الحوسبي المتسارع اللازم للتدريب على نطاق واسع عبر مزيجها من بيانات الروبوتات. وفقًا للمنشور، يُعد S1 أول نموذج أساسي للروبوتات يُظهر التعلم داخل السياق في مهام طويلة الأمد تصل إلى عشر دقائق ولم تُرَ خلال التدريب المسبق.

في دراسة داخلية محكومة موصوفة في ذلك المنشور، دربت Skild AI سياسات التعلم داخل‑السياق وسياسات VLA المشروطة باللغة على بيانات وهياكل وحوسبة متطابقة عبر مجموعات بيانات تتراوح بين 1,000 إلى 100,000 ساعة. عند 100,000 ساعة من التدريب المسبق، وصلت سياسة داخل‑السياق إلى معدل نجاح 66٪ في مهام طويلة الأمد غير مرئية تتراوح بين أربع إلى ثمان دقائق، مقارنةً بـ 9٪ لسياسة المطالبة اللغوية، حسب ما أفادت الشركة. وعلى المهام المستقاة من توزيع التدريب المسبق، كانت النسب 96٪ و 89٪ على التوالي. وقالت الشركة إنها استخدمت تدخلًا بشريًا للتعافي من الفشل أثناء عمليات التنفيذ، خاصةً لخط الأساس اللغوي، بحيث يمكن تقييم كل خطوة تراكمياً.

كما صرح المنشور أن عرضًا واحدًا داخل‑السياق يوازي تقريبًا 380 حلقة تدريبية لاحقة على مهام غير مرئية، وهو ما قدرته الشركة عبر الاستقراء بين النقاط المقاسة. جمع 380 عرضًا طويل الأمد يستغرق من 50 إلى 100 ساعة من التحكم عن بُعد، وفقًا للمنشور، بينما بعد التدريب، حققت سياسة VLA على 2,000 عرض معدل نجاح 86٪. بالنسبة لمهمة زرع النباتات، سجلت الشركة 11 دقيقة من العرض إلى التنفيذ المستقل: وصلت الإمدادات في الساعة 8:54 م، وسُجل عرض بشري واحد في الساعة 9:22 م، وبدأ S1 بتنفيذ المهمة بشكل مستقل في الساعة 9:27 م.

فيما يتعلق بجودة البيانات، كتبت الشركة: “لكل دولار ننفقه على جمع البيانات، ننفق ثلاثة على مراقبة الجودة.” كل نقطة بيانات تدخل التدريب المسبق تُفحص من حيث الدقة منخفضة المستوى، وتماسك المهمة، وموثوقية التعليقات التوضيحية، وفقًا للمنشور.

يصف منشور 9 سبتمبر النشر كركيزة خفية لأبحاث الروبوتات ويجادل بأن مقاطع العرض التجريبية ليست مقياسًا موثوقًا للتقدم، لأن مقطعًا ناجحًا من روبوت بدقة 5٪ أو 10٪ أو 99٪ قد يبدو متشابهًا. وقالت الشركة إنها علمت نموذجها صنع البيض العام الماضي: استغرق البيضة الأولى أسبوعًا، واستغرق جعل العملية موثوقة عبر بيضات وإعدادات مختلفة شهرين. وتوضح المقالة أن استخراج آخر 5٪ من الأداء يتطلب جهدًا أكبر بكثير من الـ 95٪ الأولى. كما يجادل المنشور بأن روبوتًا بدقة 99.9٪ لكنه أبطأ بعشر مرات لا يمكن نشره، إذ يجب على كل محطة في خط الإنتاج إكمال عملها خلال زمن دورة مماثل تقريبًا.

وفقًا للمنشور، وجهت الدروس المستفادة من النشر أبحاث الشركة نحو S1، لأن نظامًا يتطلب مجموعة بيانات جديدة وتشغيلًا لاحقًا بعد كل تغيير في المورد أو إعادة ترتيب محطة العمل أو تعديل تسلسل التجميع لا يمكن توسيعه. وصفت الشركة الحلقة الناتجة بأنها تحسين ذاتي متكرر مادي: تُعاد الخبرات من النشرات المتخصصة إلى النموذج الأساسي العام، بحيث يبدأ كل نشر جديد من نموذج أقوى.

يوثق منشور أغسطس جدولًا زمنيًا للتطوير يبدأ من LocoFormer، متعلم داخل‑السياق للحركة، في سبتمبر 2025، مرورًا بأول نتائج داخل‑السياق في المجال في فبراير 2026 وأول تقليب فطيرة خارج التوزيع في مايو 2026، وصولًا إلى إصدار S1 في أغسطس 2026. وأفاد ذلك المنشور أن S1 يعمل بالفعل مع شركاء الشركة التجاريين. ويختتم منشور 9 سبتمبر بالقول: “عصر العروض التجريبية انتهى؛ عصر النشر قد بدأ.”