Skild AI Mencapai Pendapatan Tahunan $100 Juta dalam Sepuluh Bulan

Skild AI mengatakan pada 9 September 2026 bahwa ia telah melampaui $100 juta dalam tingkat pendapatan tahunan, sepuluh bulan setelah penyebaran komersial pertama perusahaan robotik tersebut.

Tonggak tersebut diungkapkan dalam sebuah posting blog perusahaan berjudul “The Hidden Pillar of Robotics.” Dalam posting tersebut, perusahaan menyatakan bahwa ia telah melayani lebih dari 60 pelanggan berbayar yang mencakup pemindahan barang, pengiriman, inspeksi lokasi, penyediaan keamanan, dan persiapan makanan, serta operasi di dalam gudang, pabrik, dan pusat data. Mobilitas menyumbang 10% dari pendapatan dan solusi Fetch menyumbang 4%, kata perusahaan.

Penempatan Komersial yang Diberi Nama

Posting tersebut menjelaskan tiga penempatan bersama mitra teknologi dan industri. Bersama NVIDIA dan Foxconn, Skild AI sedang menyebarkan Skild Brain pada manipulator dua lengan untuk perakitan presisi tinggi sistem NVIDIA Blackwell, pekerjaan yang, menurut perusahaan, berubah setiap siklus produk dan sebelumnya memerlukan pemrograman ulang setiap robot pada jalur produksi.

Di Sumitomo Wiring Systems, Skild AI mengatakan bahwa ia sedang berupaya menyebarkan S1, model fondasi terbarunya, untuk mengotomatisasi proses dalam pembuatan anyaman kabel yang, menurut posting tersebut, dianggap tidak mungkin diotomatisasi. Dengan Mitsui & Co., yang rantai pasokannya melayani 1,4 juta makanan per hari di seluruh Jepang, perusahaan sedang menguji coba robot serbaguna yang didukung oleh S1 di dapur komersial.

Model S1 dan Hasil yang Dilaporkan Perusahaan

Skild AI memperkenalkan S1, yang disebutnya sebagai model fondasi robotik unggulan, dalam sebuah posting tanggal 18 Agustus 2026. Perusahaan menyatakan bahwa S1 dibangun dari nol sebagai pembelajar dalam konteks: seorang operator merekam satu demonstrasi video tugas dan memberikannya kepada robot sebagai prompt, tanpa memperbarui bobot model. S1 dibangun di atas infrastruktur AI NVIDIA, yang, menurut perusahaan, menyediakan fondasi komputasi dipercepat yang diperlukan untuk melatih secara skala pada beragam data robotiknya. Menurut posting Agustus tersebut, S1 adalah model fondasi robotik pertama yang menunjukkan pembelajaran dalam konteks pada tugas berjangka sangat panjang hingga sepuluh menit yang tidak pernah terlihat selama pra‑pelatihan.

Dalam sebuah studi internal terkontrol yang dijelaskan dalam posting tersebut, Skild AI melatih pembelajaran dalam konteks dan kebijakan VLA yang dikondisikan bahasa pada data, arsitektur, dan komputasi yang identik dengan kumpulan data mulai dari 1.000 hingga 100.000 jam. Pada 100.000 jam pra‑pelatihan, kebijakan dalam konteks mencapai tingkat keberhasilan 66% pada tugas berjangka panjang yang belum pernah dilihat sebelumnya dengan durasi empat hingga delapan menit, dibandingkan dengan 9% untuk kebijakan berbasis prompt bahasa, lapor perusahaan. Pada tugas yang diambil dari distribusi pra‑pelatihan, angka masing‑masing adalah 96% dan 89%. Perusahaan menyatakan bahwa ia menggunakan intervensi manusia untuk memulihkan kegagalan selama rollout, terutama untuk baseline berbasis prompt bahasa, sehingga setiap langkah dapat dinilai secara kumulatif.

Posting Agustus juga menyatakan bahwa satu demonstrasi dalam konteks setara dengan kira‑kira 380 episode pasca‑pelatihan pada tugas yang belum pernah dilihat, sebuah perkiraan yang perusahaan katakan dihitung dengan interpolasi antara titik‑titik terukur. Mengumpulkan 380 demonstrasi berjangka panjang memerlukan 50 hingga 100 jam teleoperasi, menurut posting tersebut, sementara setelah pelatihan kebijakan VLA pada 2.000 demonstrasi mencapai tingkat keberhasilan 86%. Untuk satu tugas penanaman tanaman, perusahaan mencatat 11 menit dari demonstrasi hingga eksekusi otonom: persediaan tiba pada pukul 8:54 PM, satu demonstrasi manusia egosentris direkam pada pukul 9:22 PM, dan S1 mulai mengeksekusi tugas secara otonom pada pukul 9:27 PM.

Mengenai kualitas data, perusahaan menulis: “Untuk setiap dolar yang kami habiskan untuk mengumpulkan data, kami menghabiskan tiga dolar untuk kontrol kualitas.” Setiap titik data yang masuk ke pra‑pelatihan disaring untuk presisi tingkat rendah, koherensi tugas, dan keakuratan anotasi, menurut posting tersebut.

Posting 9 September menggambarkan penyebaran sebagai pilar tersembunyi penelitian robotik dan berargumen bahwa video demo merupakan ukuran kemajuan yang tidak dapat diandalkan, karena klip sukses dari robot dengan akurasi 5%, 10%, atau 99% dapat terlihat sama. Perusahaan mengatakan bahwa ia mengajari modelnya membuat telur pada tahun lalu: telur pertama memerlukan waktu seminggu, dan membuat proses tersebut dapat diandalkan pada berbagai telur dan pengaturan memakan waktu dua bulan. Memeras 5% kinerja terakhir memerlukan usaha jauh lebih besar dibandingkan 95% pertama, kata posting tersebut. Posting itu juga berargumen bahwa robot yang 99,9% akurat tetapi sepuluh kali terlalu lambat tidak dapat disebarkan, karena setiap stasiun pada jalur pabrik harus selesai dalam waktu siklus yang kira‑kira sama.

Menurut posting tersebut, pelajaran dari penyebaran mengarahkan penelitian perusahaan ke arah S1, karena sistem yang memerlukan dataset baru dan pelatihan ulang untuk setiap perubahan pemasok, penataan ulang workstation, atau urutan perakitan yang direvisi tidak dapat diskalakan. Perusahaan menggambarkan lingkaran yang dihasilkan sebagai peningkatan diri rekursif fisik: pengalaman dari penyebaran khusus dibawa kembali ke model dasar umum, sehingga setiap penyebaran baru dimulai dari model yang lebih kuat.

Posting Agustus mendokumentasikan garis waktu pengembangan mulai dari LocoFormer, sebuah pembelajar dalam konteks untuk lokomosi, pada September 2025 melalui hasil in‑context pertama dalam domain pada Februari 2026 dan flip pancake pertama di luar distribusi pada Mei 2026 hingga rilis S1 pada Agustus 2026. Posting tersebut menyatakan bahwa S1 sudah bekerja dengan mitra komersial perusahaan. Posting 9 September ditutup dengan: “Era demo telah berakhir; era penyebaran telah dimulai.”