Skild AI、10か月で年間収益ランレート1億ドルを突破

Skild AIは2026年9月9日に、ロボティクス企業の最初の商業展開から10か月後に、年間収益ランレートが1億ドルを超えたと発表しました。

このマイルストーンは「ロボティクスの隠れた柱」というタイトルの会社ブログ投稿で公開されました。投稿では、同社は貨物の移動、配達、現場検査、警備、料理の準備、そして倉庫、工場、データセンターでの運用にわたって、60社以上の有料顧客を獲得したと述べています。モビリティは収益の10％を占め、Fetchソリューションは4％を占めると同社は言及しています。

名前が付けられた商業展開

この投稿では、テクノロジーおよび産業パートナーとの3つの展開が説明されています。NVIDIAおよびFoxconnと共同で、Skild AIはNVIDIA Blackwellシステムの高精度組み立てのために、デュアルアームマニピュレータ上でSkild Brainを展開しています。この作業は製品サイクルごとに変化し、従来はライン上のすべてのロボットを再プログラミングする必要がありました、と同社は述べています。

住友電線工業では、Skild AIは最新の基盤モデルであるS1を導入し、配線ハーネス製造のプロセスを自動化しようとしていると述べています。このプロセスは投稿で自動化不可能と見なされていました。三井物産と協力し、同社は日本全体で1日140万食を供給するサプライチェーンを持つ同社の商業キッチンで、S1搭載の汎用ロボットのパイロット運用を行っています。

S1モデルと会社報告の結果

Skild AIは2026年8月18日の投稿で、同社の旗艦ロボティクス基盤モデルであるS1を紹介しました。同社は、S1をゼロからインコンテキスト学習者として構築したと述べています: オペレーターがタスクの単一ビデオデモンストレーションを記録し、モデルの重みを更新せずにロボットにプロンプトとして提供する方式です。S1はNVIDIA AIインフラストラクチャ上に構築されており、同社はこれがロボティクスデータの多様な組み合わせで大規模に学習するために必要な加速コンピューティング基盤を提供すると述べています。8月の投稿によると、S1は事前学習中に見たことのない、最大10分という極めて長い時間スケールのタスクに対してインコンテキスト学習を示した初のロボティクス基盤モデルです。

その投稿で説明された管理された社内研究では、Skild AIは1,000時間から100,000時間までのデータセットで、同一のデータ、アーキテクチャ、計算リソースを用いてインコンテキスト学習と言語条件付VLAポリシーを訓練しました。100,000時間の事前学習時、インコンテキストポリシーは見たことのない4〜8分の長時間タスクで66％の成功率を達成し、言語プロンプトポリシーは9％でした。事前学習分布から抽出されたタスクでは、それぞれ96％と89％の成功率でした。同社は、ロールアウト中の失敗から回復するために主に言語プロンプトベースラインに対して人間の介入を使用し、すべてのステップを累積的に評価できるようにしたと述べています。

8月の投稿はまた、単一のインコンテキストデモンストレーションが見たことのないタスクで約380回分の事後訓練エピソードに相当すると述べています: これは測定ポイント間を補間して推定したものです。投稿によれば、380件の長時間デモンストレーションを収集するには50〜100時間の遠隔操作が必要です。一方、2,000件のデモンストレーションで事後訓練したVLAポリシーは86％の成功率に達しました。ある植栽ポッティングタスクでは、デモから自律実行までの時間が11分記録されました: 供給品が午後8時54分に到着し、単一のエゴセントリックな人間デモが午後9時22分に記録され、S1は午後9時27分に自律的にタスク実行を開始しました。

データ品質に関して、同社は次のように記しています: 「データ収集に1ドルを費やすごとに、品質管理に3ドルを費やしています。」投稿によれば、事前学習に入るすべてのデータポイントは低レベルの精度、タスクの一貫性、注釈の忠実性についてスクリーニングされます。

9月9日の投稿は、展開をロボティクス研究の隠れた柱と位置付け、デモ動画は進捗を測る信頼できない指標であると主張しています。ロボットの精度が5％、10％、99％であっても成功したクリップは見た目が同じになるからです。同社は昨年、モデルに卵を調理させることを教えたと述べています: 最初の卵は1週間かかり、異なる卵や設定でプロセスを信頼できるようにするには2か月要しました。最後の5％の性能向上には最初の95％に比べてはるかに多くの努力が必要だと投稿は述べています。また、99.9％の精度を持つが10倍遅いロボットは展開不可能であると指摘しています。工場ラインのすべてのステーションはほぼ同じサイクルタイム内で作業を完了しなければならないからです。

投稿によれば、展開から得られた教訓が同社の研究をS1へと導いたとしています。サプライヤーの変更、作業ステーションの再配置、組立シーケンスの改訂ごとに新しいデータセットと再度の事後訓練が必要なシステムはスケールしないからです。同社はこの結果として生まれるループを「物理的再帰的自己改善」と呼び、専門的な展開から得た経験を汎用基盤モデルに戻すことで、各新しい展開がより強力なモデルから始まると説明しています。

8月の投稿は、2025年9月のLocoFormer（歩行用インコンテキスト学習者）から始まり、2026年2月の初のドメイン内インコンテキスト結果、2026年5月の初の分布外パンケーキフリップ、そして2026年8月のS1リリースへと続く開発タイムラインを記録しています。その投稿は、S1がすでに同社の商業パートナーと協働していると述べています。9月9日の投稿は次のように締めくくります: 「デモの時代は終わり、展開の時代が始まった」。