Skild AI ha annunciato il 22 settembre che il suo modello S1 ha sviluppato capacità calcistiche attraverso un metodo di addestramento self-play condotto interamente sulla piattaforma Isaac Sim di NVIDIA. L'addestramento si è concentrato su un unico obiettivo—segnare gol—senza ricompense personalizzate, senza dimostrazioni specifiche per il compito e senza una guida diretta da parte di addestratori umani. La policy risultante è stata trasferita direttamente al mondo fisico, dove il robot ora può giocare a calcio contro sia esseri umani che altri robot.

Come 140 anni entrano in poche settimane

I cluster GPU moderni possono eseguire migliaia di ambienti simulati in parallelo contemporaneamente, comprimendo l'equivalente di più di un secolo di esperienza in tempo reale in una piccola frazione di tempo effettivo. Il self-play, la tecnica impiegata da Skild, ha una comprovata tradizione: DeepMind l'ha utilizzata in modo celebre per creare AlphaGo e AlphaZero, sistemi che hanno padroneggiato i giochi da tavolo competendo contro copie di se stessi. Il metodo aggira inoltre una delle fasi più laboriose dell'apprendimento per rinforzo: la creazione manuale dei segnali di ricompensa che definiscono il successo per un agente.

La differenza in questo caso è che Skild ha applicato il metodo non a un gioco da tavolo con mosse discrete, ma alla fisica complessa di un robot bipede su un campo da calcio—an ambiente che richiede controllo motorio continuo, equilibrio, tracciamento dell'oggetto e processi decisionali in tempo reale. Il trasferimento diretto è importante perché far sì che le policy addestrate in simulazione reggano su hardware fisico—il divario simulazione-realtà—è da sempre uno dei problemi più difficili della robotica.

L'obiettivo di addestramento del robot è stato ridotto all'essenziale: segnare il gol. Tutto il resto—the movimenti dei piedi, il posizionamento e il controllo della palla—è emerso come comportamento appreso piuttosto che istruzioni programmate.

Il modello S1 e le ambizioni più ampie di Skild

Il calcio funge da dimostrazione di richiamo, ma il valore commerciale del modello S1 risiede nella sua versatilità. Lanciato alla fine di agosto 2026, l'S1 può eseguire complessi compiti di manipolazione della durata fino a 10 minuti dopo l'apprendimento da una singola dimostrazione video, senza richiedere fine-tuning o aggiornamenti dei parametri. L'azienda haato il modello nell'esecuzione di compiti che vanno dal girare pancake al montaggio di kit. I robot industriali convenzionali, al contrario, richiedono in genere una programmazione esplicita per ogni compito che eseguono.

La filosofia di sviluppo di Skild AI traccia paralleli espliciti con i grandi modelli linguistici: l'azienda si addestra su dati estesi provenienti da video umani e simulazioni fisiche per costruire un'intelligenza motoria di uso generale. L'infrastruttura di simulazione di NVIDIA svolge un ruolo centrale in questa strategia. Isaac Sim fornisce il motore fisico e la pipeline di rendering che rendono feasible su larga scala l'addestramento robotico ad alta fedeltà, contribuendo a ridurre il divario simulazione-realtà.

Una scommessa da 14 miliardi di dollari sui robot di uso generale

Skild ha raggiunto un tasso di ricavi ricorrenti annuali di 100 milioni di dollari poco dopo il suo primo deployment commerciale all'inizio del 2026, e i suoi robot ora operano presso più di 60 aziende clienti. A gennaio 2026, l'azienda ha raccolto 1,4 miliardi di dollari in un round di finanziamento di Serie C, raggiungendo una valutazione superiore a 14 miliardi di dollari, con la partecipazione di SoftBank e NVIDIA.

ABB Robotics e Teradyne—che possiede Universal Robots e MiR—collaborano entrambe con Skild. L'azienda ha inoltre schierato robot per assemblare sistemi GPU NVIDIA Blackwell presso Foxconn. NVIDIA, in particolare, appare su entrambi i fronti di questa relazione: fornisce l'infrastruttura di addestramento Isaac Sim e ha anche partecipato alla Serie C. Insieme, le collaborazioni con ABB, Teradyne e Foxconn offrono all'approccio di Skild addestrato in simulazione terreni di prova nel mondo reale che spaziano dall'automazione industriale alla robotica collaborativa e mobile, fino alla produzione elettronica—contesti che metteranno alla prova il suo approccio di uso generale su scala commerciale.