रोबोटिक्स
Skild AI ने दस महीनों में $100 मिलियन वार्षिक राजस्व रन रेट पार किया
Securities.io को Google पर अपने पसंदीदा स्रोतों में जोड़ें
Skild AI ने 9 सितंबर, 2026 को कहा कि उसने $100 मिलियन वार्षिक राजस्व रन रेट पार कर लिया, रोबोटिक्स कंपनी की पहली व्यावसायिक तैनाती के दस महीने बाद।
यह माइलस्टोन एक कंपनी ब्लॉग पोस्ट में प्रकट किया गया जिसका शीर्षक “रोबोटिक्स का छिपा स्तंभ” था। पोस्ट में कंपनी ने कहा कि उसने माल की आवाज़ाही, डिलीवरी, साइट निरीक्षण, सुरक्षा प्रदान करने और भोजन तैयार करने सहित 60 से अधिक भुगतान करने वाले ग्राहकों को हासिल किया है, साथ ही वेयरहाउस, फैक्ट्री और डेटा सेंटर के भीतर भी संचालन किया है। गतिशीलता राजस्व का 10 % और फ़ेच समाधान 4 % का हिस्सा बनाते हैं, कंपनी ने बताया।
नामित व्यावसायिक तैनाती
पोस्ट ने तकनीकी और औद्योगिक साझेदारों के साथ तीन तैनाती का वर्णन किया। NVIDIA और Foxconn के साथ मिलकर, Skild AI Skild Brain को डुअल‑आर्म मैनिपुलेटर पर NVIDIA Blackwell सिस्टम की उच्च‑सटीकता असेंबली के लिए तैनात कर रहा है, ऐसा काम कंपनी कहती है कि प्रत्येक उत्पाद चक्र के साथ बदलता है और पहले हर रोबोट को पुनः‑प्रोग्राम करना पड़ता था।
Sumitomo Wiring Systems में, Skild AI ने कहा कि वह अपने नवीनतम फाउंडेशन मॉडल S1 को वायर हार्नेस निर्माण में प्रक्रियाओं को स्वचालित करने के लिए तैनात करने की दिशा में काम कर रहा है, जिसे पोस्ट में असंभव माना गया था। Mitsui & Co. के साथ, जिसकी सप्लाई चेन जापान भर में प्रतिदिन 1.4 मिलियन भोजन प्रदान करती है, कंपनी व्यावसायिक रसोईघरों में S1‑संचालित सामान्य‑उद्देश्य रोबोटों का पायलट कर रही है।
S1 मॉडल और कंपनी‑रिपोर्टेड परिणाम
Skild AI ने S1 को पेश किया, जिसे वह अपना प्रमुख रोबोटिक फाउंडेशन मॉडल कहता है, एक 18 अगस्त, 2026 पोस्ट में। कंपनी ने कहा कि उसने S1 को पूरी तरह से एक इन‑कंटेक्स्ट लर्नर के रूप में बनाया: एक ऑपरेटर कार्य का एकल वीडियो डेमॉन्स्ट्रेशन रिकॉर्ड करता है और उसे रोबोट को प्रॉम्प्ट के रूप में देता है, बिना मॉडल के वज़न को अपडेट किए। S1 NVIDIA AI इन्फ्रास्ट्रक्चर पर निर्मित है, जो कंपनी कहती है कि रोबोटिक्स डेटा के मिश्रण पर बड़े पैमाने पर प्रशिक्षण के लिए आवश्यक तेज़ कंप्यूटिंग बुनियाद प्रदान करता है। अगस्त पोस्ट के अनुसार, S1 पहला रोबोटिक फाउंडेशन मॉडल है जो प्री‑ट्रेनिंग के दौरान कभी नहीं देखी गई अत्यंत लंबी अवधि (दस मिनट तक) के कार्यों पर इन‑कंटेक्स्ट लर्निंग दिखाता है।
उस पोस्ट में वर्णित एक नियंत्रित आंतरिक अध्ययन में, Skild AI ने समान डेटा, आर्किटेक्चर और कंप्यूट पर 1,000 से 100,000 घंटे तक के डेटासेट पर इन‑कंटेक्स्ट लर्निंग और भाषा‑शर्तित VLA नीतियों को प्रशिक्षित किया। 100,000 घंटे के प्री‑ट्रेनिंग पर, इन‑कंटेक्स्ट नीति ने अनदेखे चार‑से‑आठ मिनट के लंबी‑होराइज़न कार्यों पर 66 % सफलता दर हासिल की, जबकि भाषा‑प्रॉम्प्टेड नीति ने केवल 9 % हासिल किया, कंपनी ने रिपोर्ट किया। प्री‑ट्रेनिंग वितरण से लिए गए कार्यों पर क्रमशः 96 % और 89 % थे। कंपनी ने कहा कि उसने रोल‑आउट के दौरान विफलताओं से उबरने के लिए मानव हस्तक्षेप का उपयोग किया, मुख्यतः भाषा‑प्रॉम्प्टेड बेसलाइन के लिए, ताकि प्रत्येक चरण को क्रमिक रूप से ग्रेड किया जा सके।
अगस्त पोस्ट ने यह भी कहा कि एकल इन‑कंटेक्स्ट डेमॉन्स्ट्रेशन लगभग 380 पोस्ट‑ट्रेनिंग एपिसोड के बराबर था, जिसे कंपनी ने मापे गए बिंदुओं के बीच इंटरपोलेशन करके अनुमानित किया। 380 लंबी‑होराइज़न डेमॉन्स्ट्रेशन एकत्र करने में 50‑100 घंटे का टेलीऑपरेशन लगता है, जबकि 2,000 डेमॉन्स्ट्रेशन पर VLA नीति ने पोस्ट‑ट्रेनिंग के बाद 86 % सफलता दर हासिल की। एक पौधा‑रोपण कार्य के लिए, कंपनी ने डेमॉन्स्ट्रेशन से स्वायत्त निष्पादन तक 11 मिनट दर्ज किए: सप्लाई 8:54 PM पर पहुँची, एकल इगो‑सेंट्रिक मानव डेमॉन्स्ट्रेशन 9:22 PM पर रिकॉर्ड हुआ, और S1 ने 9:27 PM पर कार्य को स्वायत्त रूप से निष्पादित करना शुरू किया।
डेटा गुणवत्ता पर कंपनी ने लिखा: “हम डेटा एकत्र करने के लिए हर एक डॉलर खर्च करते हैं, तो गुणवत्ता नियंत्रण पर तीन डॉलर खर्च करते हैं।” प्री‑ट्रेनिंग में प्रवेश करने वाला प्रत्येक डेटा पॉइंट लो‑लेवल प्रिसीजन, कार्य संगति और एनोटेशन फिडेलिटी के लिए स्क्रीन किया जाता है, पोस्ट के अनुसार।
9 सितंबर की पोस्ट तैनाती को रोबोटिक्स अनुसंधान का छिपा स्तंभ बताती है और तर्क देती है कि डेमो वीडियो प्रगति का अविश्वसनीय माप है, क्योंकि 5 %, 10 % या 99 % सटीकता वाले रोबोट का सफल क्लिप समान दिख सकता है। कंपनी ने कहा कि उसने अपने मॉडल को पिछले वर्ष अंडे बनाने के लिए सिखाया: पहला अंडा बनाने में एक सप्ताह लगा, और विभिन्न अंडों और सेटअप में प्रक्रिया को विश्वसनीय बनाने में दो महीने लगे। पोस्ट कहती है कि अंतिम 5 % प्रदर्शन को दबाने में पहले 95 % की तुलना में बहुत अधिक प्रयास चाहिए। पोस्ट यह भी तर्क देती है कि 99.9 % सटीक लेकिन दस गुना धीमा रोबोट तैनात नहीं किया जा सकता, क्योंकि फैक्ट्री लाइन की प्रत्येक स्टेशन को लगभग समान साइकिल समय में समाप्त होना चाहिए।
पोस्ट के अनुसार, तैनाती से मिली सीखों ने कंपनी के अनुसंधान को S1 की ओर मोड़ा, क्योंकि हर सप्लायर परिवर्तन, कार्यस्थल पुनर्व्यवस्था या संशोधित असेंबली क्रम के लिए नया डेटासेट और एक अतिरिक्त पोस्ट‑ट्रेनिंग रन आवश्यक होना स्केलेबल नहीं है। कंपनी ने इस लूप को भौतिक पुनरावर्ती स्व‑सुधार कहा: विशेष तैनाती से प्राप्त अनुभव सामान्य बेस मॉडल में वापस लाया जाता है, जिससे प्रत्येक नई तैनाती एक मजबूत मॉडल से शुरू होती है।
अगस्त पोस्ट ने एक विकास टाइमलाइन दर्ज की जो LocoFormer, एक इन‑कंटेक्स्ट लर्नर फॉर लोकोमोशन, से शुरू होकर सितंबर 2025 में, फ़रवरी 2026 में पहली इन‑डोमेन इन‑कंटेक्स्ट परिणाम और मई 2026 में पहली आउट‑ऑफ़‑डिस्ट्रिब्यूशन पैनकेक फ़्लिप तक, और अंत में अगस्त 2026 में S1 रिलीज़ तक जाती है। वह पोस्ट बताती है कि S1 पहले ही कंपनी के व्यावसायिक साझेदारों के साथ काम कर रहा है। 9 सितंबर की पोस्ट इस प्रकार समाप्त होती है: “डेमो का युग समाप्त हो गया; तैनाती का युग शुरू हो गया।”
