Skild AI entrena a su robot S1 para jugar fútbol con 140 años de autojuego simulado
Puntos clave
- •El modelo S1 de Skild AI adquirió habilidades para jugar fútbol mediante autojuego en Isaac Sim de NVIDIA, usando solo un objetivo de marcar goles, sin recompensas personalizadas, demostraciones ni guía humana.
- •La política entrenada en simulación se transfirió directamente al hardware físico, permitiendo al robot jugar fútbol contra humanos y otros robots.
- •Clústeres de GPU que ejecutan miles de entornos simulados en paralelo comprimieron el equivalente a más de 140 años de experiencia en tiempo real en unas pocas semanas.
- •Lanzado a fines de agosto de 2026, el S1 puede realizar tareas complejas de manipulación de hasta 10 minutos tras aprender de una sola demostración en video, sin ajuste fino.
- •Skild alcanzó una tasa de ingresos recurrentes anuales de $100 millones en 2026, recaudó una Serie C de $1,400 millones con una valuación superior a $14,000 millones, y trabaja con ABB Robotics, Teradyne y Foxconn, donde sus robots ensamblan sistemas de GPU NVIDIA Blackwell.
Skild AI anunció el 22 de septiembre que su modelo S1 ha desarrollado capacidades para jugar fútbol mediante un método de entrenamiento de autojuego realizado por completo en la plataforma Isaac Sim de NVIDIA. El entrenamiento se centró en un único objetivo—marcar goles—sin recompensas personalizadas, sin demostraciones específicas de tareas y sin guía directa de entrenadores humanos. La política resultante se transfirió directamente al mundo físico, donde el robot ahora puede jugar fútbol tanto contra humanos como contra otros robots.
Cómo caben 140 años en unas pocas semanas
Los clústeres de GPU modernos pueden ejecutar miles de entornos simulados en paralelo simultáneamente, comprimiendo lo que equivaldría a más de un siglo de experiencia en tiempo real en una pequeña fracción de ese tiempo. El autojuego, la técnica que empleó Skild, tiene un historial comprobado: DeepMind la usó de manera célebre para crear AlphaGo y AlphaZero, sistemas que dominaron juegos de mesa compitiendo contra copias de sí mismos. El método también evita uno de los pasos más laboriosos del aprendizaje por refuerzo: diseñar manualmente las señales de recompensa que definen el éxito para un agente.
La diferencia aquí es que Skild aplicó el método no a un juego de mesa con movimientos discretos, sino a la física compleja de un robot bípedo en una cancha de fútbol—un entorno que exige control motor continuo, equilibrio, seguimiento de objetos y toma de decisiones en tiempo real. La transferencia directa importa porque lograr que las políticas entrenadas en simulación funcionen en hardware físico—la brecha simulación-realidad—ha sido históricamente uno de los problemas más difíciles de la robótica.
El objetivo de entrenamiento del robot se redujo a su esencia: marcar el gol. Todo lo demás—el juego de piernas, el posicionamiento y el control del balón—emergió como comportamientos aprendidos en lugar de instrucciones programadas.
El modelo S1 y las ambiciones más amplias de Skild
El fútbol sirve como demostración llamativa, pero el valor comercial del modelo S1 radica en su versatilidad. Lanzado a fines de agosto de 2026, el S1 puede realizar tareas complejas de manipulación de hasta 10 minutos tras aprender de una sola demostración en video, sin necesidad de ajuste fino ni actualizaciones de parámetros. La compañía ha mostrado al modelo realizando tareas que van desde voltear panqueques hasta ensamblar kits. Los robots industriales convencionales, en cambio, normalmente requieren programación explícita para cada tarea que realizan.
La filosofía de desarrollo de Skild AI establece paralelismos explícitos con los grandes modelos de lenguaje: la compañía entrena con datos extensos provenientes de videos humanos y simulaciones físicas para construir inteligencia motriz de propósito general. La infraestructura de simulación de NVIDIA desempeña un papel central en esa estrategia. Isaac Sim proporciona el motor de física y el pipeline de renderizado que hacen viable a gran escala el entrenamiento robótico de alta fidelidad, ayudando a reducir la brecha simulación-realidad.
Una apuesta de14,000 millones por los robots de propósito general
Skild alcanzó una tasa anual de ingresos recurrentes de $100 millones poco después de su primer despliegue comercial a principios de 2026, y sus robots ahora operan en más de 60 empresas cliente. En enero de 2026, la compañía recaudó $1,400 millones en una ronda de financiamiento Serie C, alcanzando una valuación superior a $14,000 millones, con la participación de SoftBank y NVIDIA.
ABB Robotics y Teradyne—que es propietaria de Universal Robots y MiR—trabajan ambas con Skild. La compañía también ha desplegado robots para ensamblar sistemas de GPU NVIDIA Blackwell en Foxconn. NVIDIA, notablemente, aparece en ambos lados de esa relación: suministra la infraestructura de entrenamiento Isaac Sim y también participó en la Serie C. En conjunto, las colaboraciones con ABB, Teradyne y Foxconn le brindan al enfoque entrenado en simulación de Skild campos de prueba reales que abarcan la automatización industrial, la robótica colaborativa y móvil, y la fabricación electrónica—entornos que pondrán a prueba su enfoque de propósito general a escala comercial.
