Skild AI krysser $100 millioner i årlig inntektsrate på ti måneder

Skild AI opplyste 9. september 2026 at de hadde krysset $100 millioner i årlig inntektsrate, ti måneder etter selskapets første kommersielle utrulling av robotikk-virksomheten.

Milepælen ble kunngjort i et bedriftsblogginnlegg med tittelen «The Hidden Pillar of Robotics». I innlegget sa selskapet at de har vokst til mer enn 60 betalende kunder innen transport av varer, levering, inspeksjon av steder, sikkerhet og matlaging, samt drift i lager, fabrikker og datasentre. Mobilitet står for 10 % av inntektene, og Fetch‑løsninger står for 4 %, opplyser selskapet.

Navngitte kommersielle utrullinger

Innlegget beskrev tre utrullinger sammen med teknologiske og industrielle partnere. Sammen med NVIDIA og Foxconn ruller Skild AI ut Skild Brain på to‑armede manipulatorer for høypresisjonsmontering av NVIDIA Blackwell‑systemer, et arbeid som selskapet sier endres med hver produktsyklus og tidligere krevde omprogrammering av hver robot på linjen.

Hos Sumitomo Wiring Systems opplyser Skild AI at de arbeider mot å rulle ut S1, deres nyeste grunnmodell, for å automatisere prosesser i produksjon av ledningsnett som innlegget beskriver som ansett som umulige å automatisere. Sammen med Mitsui & Co., hvis forsyningskjeder leverer 1,4 millioner måltider daglig over hele Japan, pilotere selskapet generelle roboter drevet av S1 i kommersielle kjøkken.

S1‑modellen og selskapets rapporterte resultater

Skild AI introduserte S1, som de kaller sin flaggskip‑robotikkgrunnmodell, i et innlegg 18. august 2026. Selskapet opplyser at de bygde S1 fra bunnen av som en in‑context‑lærer: en operatør tar opp én video‑demonstrasjon av en oppgave og gir den til roboten som en prompt, uten å oppdatere modellens vekter. S1 er bygget på NVIDIA AI‑infrastruktur, som selskapet sier gir det akselererte beregningsgrunnlaget som trengs for å trene i stor skala på deres blanding av robotikkdata. Ifølge august‑innlegget er S1 den første robotikkgrunnmodellen som viser in‑context‑læring på ekstremt langvarige oppgaver på opptil ti minutter som aldri ble sett under forhåndstrening.

I en kontrollert intern studie beskrevet i innlegget trente Skild AI in‑context‑læring og språk‑betingede VLA‑policyer på identiske data, arkitekturer og beregningsressurser over datasett som spenner fra 1 000 til 100 000 timer. Ved 100 000 timers forhåndstrening nådde in‑context‑policyen en suksessrate på 66 % på ukjente langvarige oppgaver på fire til åtte minutter, sammenlignet med 9 % for den språk‑promptede policyen, rapporterte selskapet. På oppgaver hentet fra forhåndstreningsfordelingen var de respektive tallene 96 % og 89 %. Selskapet opplyser at de brukte menneskelig inngripen for å hente seg fra feil under utrullinger, hovedsakelig for den språk‑promptede basismodellen, slik at hvert steg kunne vurderes kumulativt.

August‑innlegget oppga også at én enkelt in‑context‑demonstrasjon tilsvarte omtrent 380 etter‑trenings‑episoder på ukjente oppgaver, en grense som selskapet estimerte ved interpolasjon mellom målte punkter. Å samle 380 langvarige demonstrasjoner tar 50 til 100 timer med fjernstyring, ifølge innlegget, mens etter‑trening av VLA‑policyen på 2 000 demonstrasjoner nådde en suksessrate på 86 %. For en oppgave med planting av potteplanter logget selskapet 11 minutter fra demonstrasjon til autonom utførelse: materialer ankom kl. 20:54, en enkelt egosentrisk menneskelig demonstrasjon ble tatt opp kl. 21:22, og S1 begynte å utføre oppgaven autonomt kl. 21:27.

Om datakvalitet skrev selskapet: “For hver dollar vi bruker på å samle data, bruker vi tre på kvalitetskontroll.” Hvert datapunkt som går inn i forhåndstreningen blir sjekket for lavnivåpresisjon, oppgave‑koherens og annotasjonsnøyaktighet, ifølge innlegget.

Innlegget fra 9. september beskriver utrulling som den skjulte søylen i robotikkforskning og argumenterer for at demovideoer er en upålitelig målestokk for fremgang, fordi et vellykket klipp fra en robot med 5 %, 10 % eller 99 % nøyaktighet kan se likt ut. Selskapet sa at de lærte modellen sin å lage egg i fjor: det første egget tok en uke, og å gjøre prosessen pålitelig på tvers av ulike egg og oppsett tok to måneder. Å presse ut de siste 5 % av ytelsen krever langt mer innsats enn de første 95 %, skriver innlegget. Innlegget argumenterer også for at en robot som er 99,9 % nøyaktig, men ti ganger for treg, ikke er deployerbar, siden hver stasjon på en fabrikklinje må fullføre innen omtrent samme syklustid.

Ifølge innlegget førte lærdom fra utrullinger forskningen i selskapet mot S1, fordi et system som krever et nytt datasett og en ny etter‑trenings‑runde for hver leverandørendring, omorganisering av arbeidsstasjoner eller revidert monteringssekvens, ikke skalerer. Selskapet beskrev den resulterende sløyfen som fysisk rekursiv selvforbedring: erfaring fra spesialiserte utrullinger bringes tilbake inn i den generelle basismodellen, slik at hver ny utrulling starter fra en sterkere modell.

August‑innlegget dokumenterer en utviklingstidslinje som går fra LocoFormer, en in‑context‑lærer for lokomotjon, i september 2025, gjennom de første in‑domain‑in‑context‑resultatene i februar 2026 og den første uten‑for‑distribusjon‑pannekake‑flippen i mai 2026, til S1‑utgivelsen i august 2026. Det innlegget oppga at S1 allerede er i bruk hos selskapets kommersielle partnere. Innlegget fra 9. september avslutter: “Demo‑æraen er over; utrullings‑æraen har begynt.”