Skild AI ylittää $100 miljoonan vuotuisen liikevaihtotason kymmenessä kuukaudessa

Skild AI ilmoitti 9. syyskuuta 2026, että se ylitti $100 miljoonan vuotuisen liikevaihtotason, kymmenen kuukautta sen jälkeen, kun robotiikkayritys teki ensimmäisen kaupallisen käyttöönottonsa.

Virstanpylväs julkaistiin yrityksen blogikirjoituksessa, jonka otsikko on “The Hidden Pillar of Robotics.” Kirjoituksessa yritys kertoi kasvaneensa yli 60 maksavan asiakkaan tasolle, jotka käyttävät sen ratkaisuja tavaroiden siirtämiseen, toimitusten tekemiseen, kohteiden tarkastamiseen, turvallisuuden tarjoamiseen ja ruoan valmistamiseen, sekä toimivat varastoissa, tehtaissa ja datakeskuksissa. Liikkuvuus muodostaa 10 % liikevaihdosta ja Fetch-ratkaisut 4 %, yritys totesi.

Nimetyt kaupalliset käyttöönotot

Kirjoituksessa kuvattiin kolme käyttöönottoa teknologiayhteistyökumppaneiden kanssa. Yhdessä NVIDIA:n ja Foxconnin kanssa Skild AI ottaa käyttöön Skild Brain -järjestelmän kaksivartisilla manipulaattoreilla NVIDIA Blackwell -järjestelmien tarkkuusasennukseen, työ, jonka yritys sanoi muuttuvan jokaisen tuotesyklin myötä ja joka aiemmin vaati jokaisen rivin robotin uudelleenohjelmointia.

Sumitomo Wiring Systems -yrityksessä Skild AI kertoi pyrkivänsä käyttöönottoon S1:n, sen uusimman perustamallin, johon automatisoidaan johdon valmistusprosessit, joita kirjoituksessa pidettiin aiemmin automatisoimattomina. Mitsui & Co.:n kanssa, jonka toimitusketjut palvelevat 1,4 miljoonaa ateriaa päivässä Japanissa, yritys kokeilee yleiskäyttöisiä S1‑voimaisia robotteja kaupallisissa keittiöissä.

S1-malli ja yrityksen raportoimat tulokset

Skild AI esitteli S1:n, jota se kutsuu lippulaivarobotin perustamallikseen, 18. elokuuta 2026 julkaistussa kirjoituksessa. Yritys kertoi rakentaneensa S1:n alusta alkaen in-context‑oppijana: operaattori tallentaa yhden videodemonstration tehtävästä ja antaa sen robotille kehotteena ilman mallin painojen päivitystä. S1 on rakennettu NVIDIA AI -infrastruktuurin päälle, jonka yritys sanoo tarjoavan nopeutetun laskentapohjan, jota tarvitaan laajamittaiseen koulutukseen sen monipuolisen robotiikkadatan kanssa. Elokuun kirjoituksen mukaan S1 on ensimmäinen robotiikan perustamalli, joka osoittaa in-context‑oppimista erittäin pitkän aikavälin, enintään kymmenen minuutin, tehtävissä, joita ei ole koskaan nähty esikoulutuksen aikana.

Ohjatussa sisäisessä tutkimuksessa, jonka kyseinen kirjoitus kuvaa, Skild AI koulutti in-context‑oppimista ja kielikonditionoitua VLA‑politiikkaa identtisillä tiedoilla, arkkitehtuureilla ja laskentateholla datasetissä, jotka vaihtelivat 1 000–100 000 tunnin välillä. 100 000 tunnin esikoulutuksen jälkeen in-context‑politiikka saavutti 66 % onnistumisprosentin näkemättömillä pitkän aikavälin, neljästä kahdeksaan minuuttiin, tehtävillä, verrattuna 9 %:iin kielipohjaisessa politiikassa, yritys raportoi. Esikoulutusjakaumasta otetuilla tehtävillä vastaavat luvut olivat 96 % ja 89 %. Yritys kertoi käyttäneensä ihmisen väliintuloa epäonnistumisten korjaamiseen rolloutien aikana, erityisesti kielipohjaisessa vertailussa, jotta jokainen vaihe voitaisiin arvioida kumulatiivisesti.

Elokuu‑kirjoituksessa todettiin myös, että yksi in-context‑demonstratio vastasi suunnilleen 380 jälkikoulutusjaksoa näkemättömillä tehtävillä, jonka yritys arvioi interpoloinnin perusteella. 380 pitkän aikavälin demonstraation kerääminen vie 50–100 tuntia teleoperaatiota, kirjoituksen mukaan, kun taas VLA‑politiikka saavutti 86 % onnistumisprosentin 2 000 demonstraatiosta jälkikoulutuksen jälkeen. Yhdessä kasvien istutustehtävässä yritys kirjasi 11 minuuttia demonstraatiosta autonomiseen suoritukseen: tarvikkeet saapuivat klo 20.54, yksi egosentrinen ihmisen demonstraatio tallennettiin klo 21.22, ja S1 aloitti tehtävän autonomisen suorituksen klo 21.27.

Datan laadusta yritys kirjoitti: “Jokaisesta datan keräämiseen käyttämästämme dollarista käytämme kolme dollaria laadunvalvontaan.” Jokainen esikoulutukseen syötetty datapiste tarkastetaan alhaisen tason tarkkuuden, tehtävän koherenssin ja annotaation tarkkuuden osalta, kirjoituksen mukaan.

9. syyskuuta julkaistu kirjoitus kuvaa käyttöönottoa robotiikan tutkimuksen piilotetuksi pilariksi ja väittää, että demo‑videot ovat epäluotettava mittari edistymiselle, koska onnistunut leike robotilta, jonka tarkkuus on 5 %, 10 % tai 99 %, voi näyttää samalta. Yritys kertoi opettaneensa mallinsa tekemään munia viime vuonna: ensimmäinen muna kesti viikon, ja prosessin luotettavuuden saavuttaminen eri munien ja asetusten välillä kesti kaksi kuukautta. Viimeisten 5 % suorituskyvyn puristaminen vaatii huomattavasti enemmän työtä kuin ensimmäiset 95 %, kirjoitus sanoo. Kirjoitus myös väittää, että robotti, jonka tarkkuus on 99,9 % mutta joka on kymmenen kertaa liian hidas, ei ole käyttökelpoinen, koska jokaisen tehtaan linjan aseman on suoritettava suunnilleen samassa sykliajassa.

Kirjoituksen mukaan käyttöönottojen opit ohjasivat yrityksen tutkimusta kohti S1:ta, koska järjestelmä, joka vaatii uuden datasetin ja toisen jälkikoulutuksen jokaiselle toimittajan muutokselle, työaseman uudelleenjärjestelylle tai tarkistetulle kokoonpanosekvenssille, ei skaalaudu. Yritys kuvasi syntynyttä silmukkaa fyysiseksi rekursiiviseksi itseparannukseksi: erikoistuneiden käyttöönottojen kokemus palautetaan yleiseen perusmalliin, jolloin jokainen uusi käyttöönotto alkaa vahvemmasta mallista.

Elokuu‑kirjoitus dokumentoi kehitysaikataulun, joka alkaa LocoFormer‑in-context‑oppijasta, joka on suunniteltu liikkumiseen, syyskuussa 2025, jatkuu ensimmäisiin in-domain‑in-context‑tuloksiin helmikuussa 2026 ja ensimmäiseen poikkeavasta pannukakun kääntämisestä toukokuussa 2026, ja päättyy S1‑julkaisuun elokuussa 2026. Kirjoituksessa todettiin, että S1 on jo töissä yrityksen kaupallisten kumppaneiden kanssa. 9. syyskuuta julkaistu kirjoitus päättyy: “Demojen aikakausi on ohi; käyttöönoton aikakausi on alkanut.”