Skild AI, 10개월 만에 연간 매출 $1억 달성

Skild AI는 2026년 9월 9일, 로봇 기업의 첫 상업적 배포 후 10개월 만에 연간 매출 런레이트가 $1억을 넘어섰다고 밝혔다.

The milestone was disclosed in a 회사 블로그 게시물 titled “로봇 공학의 숨겨진 기둥.” 게시물에서 회사는 물품 이동, 배달, 현장 검사, 보안 제공, 식품 준비 등 다양한 분야에서 60개 이상의 유료 고객을 확보했으며, 창고, 공장, 데이터 센터 내부에서도 운영하고 있다고 밝혔습니다. 매출 중 모빌리티가 10%를 차지하고, Fetch 솔루션이 4%를 차지한다고 회사는 전했습니다.

명시된 상업 배포

Together with NVIDIA and Foxconn, Skild AI는 듀얼 암 매니퓰레이터에 Skild Brain을 배치하여 NVIDIA Blackwell 시스템의 고정밀 조립 작업을 수행하고 있으며, 이는 제품 주기마다 변화하는 작업으로, 이전에는 라인상의 모든 로봇을 재프로그래밍해야 했다고 회사는 말했습니다.

Sumitomo Wiring Systems에서 Skild AI는 최신 기반 모델인 S1을 배치하여 와이어 하네스 제조 공정을 자동화하려고 노력하고 있으며, 해당 게시물에 따르면 이는 자동화가 불가능하다고 여겨졌던 작업이라고 밝혔습니다. 일본 전역에 하루 140만 끼를 제공하는 공급망을 가진 Mitsui & Co.와 함께, 회사는 상업용 주방에서 S1 기반의 범용 로봇을 파일럿 테스트하고 있습니다.

S1 모델 및 회사 보고 결과

Skild AI는 자사의 대표 로봇 기반 모델이라 부르는 S1을 2026년 8월 18일 게시물에서 소개했습니다. 회사는 S1을 처음부터 인-컨텍스트 학습기: 운영자가 작업의 단일 비디오 시연을 기록하여 로봇에 프롬프트로 제공하고, 모델 가중치를 업데이트하지 않는 방식으로 구축했다고 밝혔습니다. S1은 NVIDIA AI 인프라스트럭처 위에 구축되었으며, 이는 로봇 데이터의 다양한 혼합을 대규모로 학습하는 데 필요한 가속 컴퓨팅 기반을 제공한다고 회사는 말했습니다. 8월 게시물에 따르면, S1은 사전 학습 중에 보지 못한 최대 10분 길이의 매우 장기 작업에 대한 인-컨텍스트 학습을 보여준 최초의 로봇 기반 모델이라고 합니다.

해당 게시물에서 설명된 통제된 내부 연구에서 Skild AI는 1,000시간에서 100,000시간까지의 데이터셋에 걸쳐 동일한 데이터, 아키텍처, 연산 자원을 사용하여 인-컨텍스트 학습과 언어 조건부 VLA 정책을 훈련했습니다. 100,000시간의 사전 학습 시, 인-컨텍스트 정책은 4~8분 길이의 보지 못한 장기 작업에서 66% 성공률을 기록했으며, 언어 프롬프트 기반 정책은 9%에 불과했다고 회사는 보고했습니다. 사전 학습 분포에서 추출된 작업에서는 각각 96%와 89%의 성공률을 보였습니다. 회사는 롤아웃 중 실패 복구를 위해 인간 개입을 사용했으며, 이는 주로 언어 프롬프트 기반 베이스라인에 적용되어 모든 단계가 누적적으로 평가될 수 있었다고 밝혔습니다.

8월 게시물은 또한 단일 인-컨텍스트 시연이 보지 못한 작업에서 약 380개의 사후 훈련 에피소드와 동등하다고 언급했으며, 이는 측정된 점들 사이를 보간하여 추정한 수치라고 회사는 말했습니다. 게시물에 따르면 380개의 장기 시연을 수집하는 데는 원격 조작으로 50~100시간이 소요됩니다. 사후 훈련에서 2,000개의 시연을 사용한 VLA 정책은 86% 성공률을 달성했습니다. 한 식물 심기 작업에서는 시연부터 자율 실행까지 11분이 기록되었으며: 8:54 PM에 자재가 도착하고, 9:22 PM에 단일 자가 중심 인간 시연이 기록되었으며, S1은 9:27 PM에 작업을 자율적으로 실행하기 시작했습니다.

데이터 품질에 관해 회사는: “데이터 수집에 1달러를 쓰면 품질 관리에 3달러를 쓴다.” 라고 적었습니다. 게시물에 따르면 사전 학습에 들어가는 모든 데이터 포인트는 저수준 정밀도, 작업 일관성, 주석 정확성을 검증받습니다.

9월 9일 게시물은 배치를 로봇 공학 연구의 숨겨진 기둥으로 설명하며, 데모 영상이 진행 상황을 측정하는 데 신뢰할 수 없다고 주장합니다. 이는 5%, 10% 또는 99% 정확도를 가진 로봇의 성공적인 클립이 동일하게 보일 수 있기 때문입니다. 회사는 모델에게 지난해 달걀을 만들도록 가르쳤다고 밝혔으며: 첫 번째 달걀은 일주일이 걸렸고, 다양한 달걀과 설정에서 프로세스를 신뢰성 있게 만들기 위해 두 달이 소요되었습니다. 성능의 마지막 5%를 끌어올리는 데는 처음 95%를 달성하는 것보다 훨씬 더 많은 노력이 필요하다고 게시물은 말합니다. 또한 99.9% 정확하지만 속도가 10배 느린 로봇은 배치할 수 없다고 주장하는데, 이는 공장 라인의 모든 작업장이 대략 동일한 사이클 타임 내에 작업을 마쳐야 하기 때문입니다.

게시물에 따르면, 배치에서 얻은 교훈이 회사의 연구를 S1으로 향하게 했으며, 이는 공급업체 변경, 작업대 재배치, 또는 조립 순서 수정마다 새로운 데이터셋과 사후 훈련이 필요하는 시스템은 확장성이 없기 때문입니다. 회사는 이 결과적인 루프를 물리적 재귀적 자기 개선: 특화된 배치에서 얻은 경험을 일반 기반 모델에 반영함으로써, 각 새로운 배치는 더 강력한 모델에서 시작된다고 설명했습니다.

8월 게시물은 2025년 9월에 발표된 LocoFormer(보행을 위한 인-컨텍스트 학습기)부터 2026년 2월 첫 도메인 내 인-컨텍스트 결과, 2026년 5월 첫 비분포 팬케이크 뒤집기, 그리고 2026년 8월 S1 출시까지의 개발 타임라인을 기록하고 있습니다. 해당 게시물은 S1이 이미 회사의 상업 파트너와 함께 작업 중이라고 밝혔습니다. 9월 9일 게시물은 다음과 같이 마무리합니다: “데모 시대는 끝났고, 배치 시대가 시작되었습니다.”