Skild AI supera i 100 milioni di dollari di fatturato annuo in dieci mesi

Skild AI ha dichiarato il 9 settembre 2026 di aver superato i 100 milioni di dollari di fatturato annuo, dieci mesi dopo la prima implementazione commerciale dell’azienda di robotica.

Il traguardo è stato annunciato in un post del blog aziendale intitolato “Il Pilastro Nascosto della Robotica.” Nel post, l’azienda ha dichiarato di aver raggiunto più di 60 clienti paganti in settori quali il trasporto di merci, le consegne, l’ispezione di siti, la sicurezza e la preparazione di cibo, oltre a operare all’interno di magazzini, fabbriche e data center. La mobilità rappresenta il 10 % del fatturato e le soluzioni Fetch il 4 %, ha affermato l’azienda.

Implementazioni Commerciali Nominative

Il post descriveva tre implementazioni con partner tecnologici e industriali. Insieme a NVIDIA e Foxconn, Skild AI sta distribuendo lo Skild Brain su manipolatori a doppio braccio per l’assemblaggio ad alta precisione dei sistemi NVIDIA Blackwell, lavoro che, secondo l’azienda, cambia ad ogni ciclo di prodotto e in passato richiedeva la riprogrammazione di tutti i robot della linea.

Presso Sumitomo Wiring Systems, Skild AI ha dichiarato di stare lavorando per implementare S1, il suo modello di base più recente, per automatizzare i processi nella produzione di cablaggi, ritenuti impossibili da automatizzare secondo il post. Con Mitsui & Co., le cui catene di approvvigionamento forniscono 1,4 milioni di pasti al giorno in tutto il Giappone, l’azienda sta sperimentando robot generici alimentati da S1 nelle cucine commerciali.

Modello S1 e Risultati Segnalati dall’Azienda

Skild AI ha introdotto S1, che definisce il suo modello di base robotico di punta, in un post del 18 agosto 2026. L’azienda ha dichiarato di aver costruito S1 da zero come un apprendista in‑contesto: un operatore registra una singola dimostrazione video di un compito e la fornisce al robot come prompt, senza aggiornare i pesi del modello. S1 è basato sull’infrastruttura AI di NVIDIA, che, secondo l’azienda, fornisce la base di calcolo accelerato necessaria per addestrare su larga scala il suo mix di dati robotici. Secondo il post di agosto, S1 è il primo modello di base robotico a mostrare apprendimento in‑contesto su compiti a orizzonte estremamente lungo, fino a dieci minuti, mai visti durante il pre‑addestramento.

In uno studio interno controllato descritto in quel post, Skild AI ha addestrato l’apprendimento in‑contesto e le politiche VLA condizionate dal linguaggio su dati, architetture e potenza di calcolo identici, utilizzando set di dati che vanno da 1.000 a 100.000 ore. Con 100.000 ore di pre‑addestramento, la politica in‑contesto ha raggiunto un tasso di successo del 66 % su compiti a lungo orizzonte non visti, della durata di quattro‑otto minuti, rispetto al 9 % della politica guidata dal linguaggio, ha riferito l’azienda. Su compiti prelevati dalla distribuzione di pre‑addestramento, le percentuali erano rispettivamente 96 % e 89 %. L’azienda ha dichiarato di aver impiegato interventi umani per recuperare dagli errori durante le esecuzioni, soprattutto per la baseline guidata dal linguaggio, in modo che ogni passo potesse essere valutato cumulativamente.

Il post di agosto ha anche affermato che una singola dimostrazione in‑contesto corrispondeva approssimativamente a 380 episodi post‑addestramento su compiti non visti, una soglia che l’azienda ha stimato interpolando tra i punti misurati. Raccogliere 380 dimostrazioni a lungo orizzonte richiede 50‑100 ore di teleoperazione, secondo il post, mentre il post‑addestramento della politica VLA su 2.000 dimostrazioni ha raggiunto un tasso di successo dell’86 %. Per un compito di trapianto di piante, l’azienda ha registrato 11 minuti dalla dimostrazione all’esecuzione autonoma: le forniture sono arrivate alle 8:54 PM, una singola dimostrazione umana egocentrica è stata registrata alle 9:22 PM e S1 ha iniziato a eseguire il compito autonomamente alle 9:27 PM.

Sulla qualità dei dati, l’azienda ha scritto: “Per ogni dollaro speso nella raccolta dei dati, ne spendiamo tre nel controllo qualità.” Ogni punto dati inserito nel pre‑addestramento viene controllato per precisione di basso livello, coerenza del compito e fedeltà dell’annotazione, secondo il post.

Il post del 9 settembre descrive l’implementazione come il pilastro nascosto della ricerca robotica e sostiene che i video dimostrativi sono una misura inaffidabile del progresso, poiché una clip di successo di un robot con precisione del 5 %, 10 % o 99 % può apparire identica. L’azienda ha affermato di aver insegnato al suo modello a cuocere le uova l’anno scorso: la prima uova ha richiesto una settimana, e rendere il processo affidabile su diverse uova e configurazioni ha richiesto due mesi. Estrarre l’ultimo 5 % di prestazioni richiede molto più sforzo rispetto al primo 95 %, afferma il post. Il post sostiene inoltre che un robot con precisione del 99,9 % ma dieci volte più lento non è distribuibile, poiché ogni stazione di una linea di produzione deve terminare entro un tempo di ciclo approssimativamente uguale.

Secondo il post, le lezioni apprese dalle implementazioni hanno indirizzato la ricerca dell’azienda verso S1, poiché un sistema che richiede un nuovo set di dati e un ulteriore ciclo di post‑addestramento per ogni cambiamento di fornitore, riorganizzazione della postazione di lavoro o sequenza di assemblaggio modificata non è scalabile. L’azienda ha descritto il ciclo risultante come auto‑miglioramento ricorsivo fisico: l’esperienza delle implementazioni specializzate viene reintegrata nel modello di base generale, così ogni nuova implementazione parte da un modello più robusto.

Il post di agosto documenta una timeline di sviluppo che parte da LocoFormer, un apprendista in‑contesto per la locomozione, nel settembre 2025, passando per i primi risultati in‑contesto in‑domain nel febbraio 2026 e la prima capovolta di pancake fuori distribuzione nel maggio 2026, fino al rilascio di S1 nell’agosto 2026. Quel post ha dichiarato che S1 è già in uso con i partner commerciali dell’azienda. Il post del 9 settembre conclude: “L’era delle demo è finita; l’era dell’implementazione è iniziata.”