Skild AI trainiert S1-Roboter mit 140 Jahren simuliertem Self-Play Fußball
Wichtige Erkenntnisse
- •Skild AIs S1-Modell erwarb Fußballfähigkeiten durch Self-Play-Training in NVIDIAs Isaac Sim – mit nur dem Ziel, Tore zu schießen, ohne maßgeschneiderte Belohnungen, Demonstrationen oder menschliche Anleitung.
- •Die trainierte Policy wurde direkt auf physische Hardware übertragen, sodass der Roboter nun gegen Menschen und andere Roboter Fußball spielen kann.
- •GPU-Cluster mit Tausenden parallelen simulierten Umgebungen komprimierten das Äquivalent von mehr als 140 Jahren Echtzeiterfahrung in wenige Wochen.
- •Das Ende August 2026 vorgestellte S1 kann komplexe Manipulationsaufgaben von bis zu 10 Minuten nach dem Lernen aus einer einzigen Video-Demonstration ausführen – ohne Feinabstimmung.
- •Skild erreichte 2026 einen annualisierten wiederkehrenden Umsatz von 100 Millionen US-Dollar, sammelte 1,4 Milliarden US-Dollar in einer Series C bei einer Bewertung von über 14 Milliarden US-Dollar ein und arbeitet mit ABB Robotics, Teradyne und Foxconn zusammen, wo seine Roboter NVIDIA-Blackwell-GPU-Systeme montieren.
Skild AI gab am 22. September bekannt, dass sein S1-Modell Fußballspielfähigkeiten durch eine Self-Play-Trainingsmethode entwickelt hat, die vollständig auf NVIDIAs Isaac-Sim-Plattform durchgeführt wurde. Das Training konzentrierte sich auf ein einziges Ziel – Tore schießen – ohne maßgeschneiderte Belohnungen, ohne aufgabenspezifische Demonstrationen und ohne direkte Anleitung durch menschliche Trainer. Die resultierende Policy wurde direkt auf die physische Welt übertragen, wo der Roboter nun sowohl gegen Menschen als auch gegen andere Roboter Fußball spielen kann.
Wie 140 Jahre in wenige Wochen passen
Moderne GPU-Cluster können Tausende paralleler simulierter Umgebungen gleichzeitig betreiben und komprimieren so mehr als ein Jahrhundert Echtzeiterfahrung in einen Bruchteil der Zeit. Self-Play, die von Skild eingesetzte Technik, hat eine nachgewiesene Erfolgsbilanz: DeepMind nutzte sie berühmterweise zur Entwicklung von AlphaGo und AlphaZero, Systemen, die Brettspiele meisterten, indem sie gegen Kopien ihrer selbst antraten. Die Methode umgeht zudem einen der arbeitsintensivsten Schritte des bestärkenden Lernens: das manuelle Erstellen der Belohnungssignale, die den Erfolg eines Agenten definieren.
Der Unterschied hier besteht darin, dass Skild die Methode nicht auf ein Brettspiel mit diskreten Zügen anwandte, sondern auf die komplexe Physik eines zweibeinigen Roboters auf einem Fußballplatz – eine Umgebung, die kontinuierliche Motorik, Balance, Objektverfolgung und Echtzeitentscheidungen erfordert. Die direkte Übertragung ist wichtig, denn simulierte Policen auf physischer Hardware stabil zu halten – die Sim-to-Real-Lücke – galt lange als eines der schwierigsten Probleme der Robotik.
Das Trainingsziel des Roboters wurde auf sein Wesen reduziert: Schieße das Tor. Alles andere – die Fußarbeit, die Positionierung und die Ballkontrolle – ergab sich als erlerntes Verhalten statt als programmierte Anweisungen.
Das S1-Modell und Skilds weitergehende Ambitionen
Fußball dient als Schaufenster-Demo, doch der kommerzielle Wert des S1-Modells liegt in seiner Vielseitigkeit. Ende August 2026 eingeführt, kann das S1 komplexe Manipulationsaufgaben von bis zu 10 Minuten Dauer ausführen, nachdem es aus einer einzigen Video-Demonstration gelernt hat – ohne Feinabstimmung oder Parameteraktualisierungen. Das Unternehmen hat das Modell bei Aufgaben gezeigt, die vom Wenden von Pfannkuchen bis zur Montage von Baus reichen. Konventionelle Industriegerote hingegen erfordern typischerweise eine explizite Programmierung für jede Aufgabe.
Skild AIs Entwicklungsphilosophie zieht explizite Parallelen zu großen Sprachmodellen: Das Unternehmen trainiert auf umfangreichen Daten aus menschlichen Videos und Physiksimulationen, um eine Allzweck-Motorikintelligenz aufzubauen. NVIDIAs Simulationsinfrastruktur spielt in dieser Strategie eine zentrale Rolle. Isaac Sim liefert die Physik-Engine und die Rendering-Pipeline, die hochauflösendes Robotik-Training im großen Maßstab ermöglichen und so die Sim-to-Real-Lücke verengen.
Eine 14-Milliarden-Dollar-Wette auf Allzweckroboter
Skild erreichte kurz nach seiner ersten kommerziellen Bereitstellung Anfang 2026 einen annualisierten wiederkehrenden Umsatz von 100 Millionen US-Dollar, und seine Roboter sind nun bei mehr als 60 Kundenunternehmen im Einsatz. Im Januar 2026 sammelte das Unternehmen in einer Series-C-Runde 1,4 Milliarden US-Dollar ein und erreichte eine Bewertung von über 14 Milliarden US-Dollar; SoftBank und NVIDIA beteiligten sich an der Runde.
ABB Robotics und Teradyne – dem Universal Robots und MiR gehören – arbeiten beide mit Skild zusammen. Das Unternehmen hat zudem Roboter zur Montage von NVIDIA-Blackwell-GPU-Systemen bei Foxconn eingesetzt. NVIDIA tritt dabei bemerkenswerterweise auf beiden Seiten dieser Beziehung auf: Es liefert die Isaac-Sim-Trainingsinfrastruktur und beteiligte sich zugleich an der Series C. Zusammen bieten die Kooperationen mit ABB, Teradyne und Foxconn Skilds simulationsbasiertem Ansatz reale Erprobungsfelder in der industriellen Automatisierung, der kollaborativen und mobilen Robotik sowie der Elektronikfertigung – Umgebungen, die seinen Allzweckansatz im kommerziellen Maßstab auf die Probe stellen werden.
