Skild AI heeft op 22 september aangekondigd dat zijn S1-model vaardigheden heeft ontwikkeld om te voetballen via een self-play-trainingsmethode die volledig werd uitgevoerd binnen NVIDIA's Isaac Sim-platform. De training draaide om één enkel doel — goals scoren — zonder op maat gemaakte beloningen, zonder taakspecifieke demonstraties en zonder directe begeleiding van menselijke trainers. Het resulterende beleid werd direct overgezet naar de fysieke wereld, waar de robot nu kan voetballen tegen zowel mensen als andere robots.

Hoe 140 jaar in enkele weken past

Moderne GPU-clusters kunnen duizenden parallelle gesimuleerde omgevingen tegelijkertijd draaien, waarmee meer dan een eeuw aan real-time ervaring wordt gecomprimeerd tot een kleine fractie daarvan in kloktijd. Self-play, de techniek die Skild gebruikte, heeft een gevestigde staat van dienst: DeepMind gebruikte de methode beroemd genoeg om AlphaGo en AlphaZero te bouwen, systemen die bordspellen beheersten door tegen kopieën van zichzelf te spelen. De methode omzeilt bovendien een van de meest arbeidsintensieve stappen van reinforcement learning: het met de hand ontwerpen van de beloningssignalen die succes voor een agent definiëren.

Het verschil hier is dat Skild de methode niet toepaste op een bordspel met discrete zetten, maar op de complexe fysica van een bipedale robot op een voetbalveld — een omgeving continue motorische controle, balans, het volgen van objecten en real-time besluitvorming vereist. De directe overdracht is belangrijk, omdat het laten standhouden van in simulatie getraind beleid op fysieke hardware — de sim-to-real-kloof — al lang een van de lastigste problemen in de robotica is.

Het trainingsdoel van de robot werd teruggebracht tot zijn kern: scoor de goal. Al het andere — het beenwerk, de positionering en de balcontrole — ontstond als aangeleerd gedrag in plaats van geprogrammeerde instructies.

Het S1-model en Skild's bredere ambities

Voetbal dient als de opvallende demo, maar de commerciële waarde van het S1-model ligt in de veelzijdigheid. S1, gelanceerd eind augustus 2026, kan complexe manipulatietaken tot wel 10 minuten uitvoeren na het leren van één enkele videodemonstratie, zonder fine-tuning of parameter-updates. Het bedrijf heeft laten zien dat het model taken aankan die variëren van het omdraaien van pannenkoeken tot het monteren van kits. Conventionele industriële robots vereisen daarentegen doorgaans expliciete programmering voor elke taak die ze uitvoeren.

De ontwikkelingsfilosofie van Skild AI vertoont expliciete parallellen met grote taalmodellen: het bedrijf traint op uitgebreide data afkomstig van menselijke video's en fysische simulaties om algemene motorische intelligentie op te bouwen. NVIDIA's simulatie-infrastructuur speelt een centrale rol in die strategie. Isaac Sim levert de fysica-engine en rendering-pijplijn die hoogwaardige robottraining op schaal mogelijk maken, wat helpt de sim-to-real-kloof te verkleinen.

Een inzet van $14 miljard op algemeen inzetbare robots

Skild behaalde kort na zijn eerste commerciële inzet eerder in 2026 een jaarlijkse terugkerende omzet run rate van $100 miljoen, en zijn robots opereren nu bij meer dan 60 klantbedrijven. In januari 2026 haalde het bedrijf $1,4 miljard op in een Series C-financieringsronde, wat resulteerde in een waardering van meer dan $14 miljard, met deelname van SoftBank en NVIDIA.

ABB Robotics en Teradyne — eigenaar van Universal Robots en MiR — werken beide samen met Skild. Het bedrijf heeft ook robots ingezet voor het assembleren van NVIDIA Blackwell GPU-systemen bij Foxconn. NVIDIA speelt opvallend genoeg een rol aan beide kanten van die relatie: het levert de Isaac Sim-trainingsinfrastructuur en nam tegelijk deel aan de Series C. Samen geven de samenwerkingen met ABB Teradyne en Foxconn Skild's in simulatie getrainde aanpak praktijktestlocaties die variëren van industriële automatisering en collaboratieve en mobiele robotica tot elektronicafabricage — omgevingen die zijn algemene aanpak op commerciële schaal op de proef zullen stellen.