Skild AI ultrapassa US$ 100 milhões de taxa de receita anual em dez meses

Skild AI afirmou em 9 de setembro de 2026 que ultrapassou US$ 100 milhões na taxa de receita anual, dez meses após a primeira implantação comercial da empresa de robótica.

O marco foi divulgado em um post do blog da empresa intitulado “The Hidden Pillar of Robotics”. No post, a empresa afirmou que expandiu para mais de 60 clientes pagantes em áreas como movimentação de mercadorias, entregas, inspeção de locais, fornecimento de segurança e preparação de alimentos, além de operar dentro de armazéns, fábricas e centros de dados. A mobilidade representa 10% da receita e as soluções Fetch representam 4%, segundo a empresa.

Implantações Comerciais Nomeadas

O post descreveu três implantações com parceiros tecnológicos e industriais. Em conjunto com a NVIDIA e a Foxconn, a Skild AI está implantando o Skild Brain em manipuladores de dois braços para montagem de alta precisão dos sistemas NVIDIA Blackwell, trabalho que a empresa disse mudar a cada ciclo de produto e que anteriormente exigia reprogramar cada robô da linha.

Na Sumitomo Wiring Systems, a Skild AI afirmou que está trabalhando para implantar o S1, seu modelo de base mais recente, a fim de automatizar processos na fabricação de chicotes de fios que, segundo o post, eram considerados impossíveis de automatizar. Com a Mitsui & Co., cujas cadeias de suprimento atendem 1,4 milhão de refeições por dia em todo o Japão, a empresa está testando robôs de uso geral alimentados pelo S1 em cozinhas comerciais.

Modelo S1 e Resultados Reportados pela Empresa

A Skild AI apresentou o S1, que chama de seu modelo de base robótico principal, em um post de 18 de agosto de 2026. A empresa afirmou que construiu o S1 do zero como um aprendiz em contexto: um operador grava uma única demonstração em vídeo de uma tarefa e a fornece ao robô como prompt, sem atualizar os pesos do modelo. O S1 foi desenvolvido sobre a infraestrutura de IA da NVIDIA, que, segundo a empresa, fornece a base de computação acelerada necessária para treinar em escala com sua variedade de dados de robótica. De acordo com o post de agosto, o S1 é o primeiro modelo de base de robótica a demonstrar aprendizado em contexto em tarefas de horizonte extremamente longo de até dez minutos que nunca foram vistas durante o pré‑treinamento.

Em um estudo interno controlado descrito nesse post, a Skild AI treinou aprendizado em contexto e políticas VLA condicionadas por linguagem em dados, arquiteturas e poder computacional idênticos, usando conjuntos de dados que variavam de 1.000 a 100.000 horas. Com 100.000 horas de pré‑treinamento, a política em contexto alcançou uma taxa de sucesso de 66% em tarefas de longo horizonte não vistas, de quatro a oito minutos, comparada a 9% para a política condicionada por linguagem, informou a empresa. Em tarefas provenientes da distribuição de pré‑treinamento, os respectivos valores foram 96% e 89%. A empresa afirmou que utilizou intervenção humana para recuperar falhas durante as execuções, principalmente para a linha de base condicionada por linguagem, de modo que cada passo pudesse ser avaliado cumulativamente.

O post de agosto também afirmou que uma única demonstração em contexto equivale a aproximadamente 380 episódios pós‑treinamento em tarefas não vistas, uma estimativa que a empresa calculou interpolando entre pontos medidos. Coletar 380 demonstrações de longo horizonte leva de 50 a 100 horas de teleoperação, segundo o post, enquanto o pós‑treinamento da política VLA em 2.000 demonstrações atingiu uma taxa de sucesso de 86%. Para uma tarefa de plantio de vasos, a empresa registrou 11 minutos desde a demonstração até a execução autônoma: os suprimentos chegaram às 8:54 PM, uma única demonstração humana egocêntrica foi gravada às 9:22 PM, e o S1 começou a executar a tarefa autonomamente às 9:27 PM.

Sobre a qualidade dos dados, a empresa escreveu: “Para cada dólar que gastamos coletando dados, gastamos três em controle de qualidade.” Cada ponto de dado que entra no pré‑treinamento é verificado quanto à precisão de baixo nível, coerência da tarefa e fidelidade da anotação, segundo o post.

O post de 9 de setembro descreve a implantação como o pilar oculto da pesquisa em robótica e argumenta que vídeos de demonstração são uma medida pouco confiável de progresso, pois um clipe bem‑sucedido de um robô com 5%, 10% ou 99% de precisão pode parecer o mesmo. A empresa afirmou que ensinou seu modelo a fazer ovos no ano passado: o primeiro ovo levou uma semana, e tornar o processo confiável em diferentes ovos e configurações levou dois meses. Aperfeiçoar os últimos 5% de desempenho exige muito mais esforço que os primeiros 95%, diz o post. O post também argumenta que um robô com 99.9% de precisão, mas dez vezes mais lento, não é implantável, já que cada estação em uma linha de fábrica deve concluir a tarefa dentro de um tempo de ciclo aproximadamente igual.

De acordo com o post, as lições das implantações direcionaram a pesquisa da empresa para o S1, porque um sistema que exige um novo conjunto de dados e outra execução pós‑treinamento para cada mudança de fornecedor, reorganização de estação de trabalho ou sequência de montagem revisada não escala. A empresa descreveu o ciclo resultante como auto‑melhoria recursiva física: a experiência das implantações especializadas é reintegrada ao modelo de base geral, de modo que cada nova implantação parte de um modelo mais robusto.

O post de agosto documenta uma linha do tempo de desenvolvimento que vai do LocoFormer, um aprendiz em contexto para locomoção, em setembro de 2025, passando pelos primeiros resultados em‑contexto dentro do domínio em fevereiro de 2026 e a primeira virada de panqueca fora da distribuição em maio de 2026, até o lançamento do S1 em agosto de 2026. Esse post afirmou que o S1 já está em operação com os parceiros comerciais da empresa. O post de 9 de setembro encerra: “A era das demonstrações acabou; a era da implantação começou.”