Skild AI poinformowało 22 września, że jego model S1 rozwinął umiejętności gry w piłkę nożną dzięki metodzie treningowej zwanej samozabawą, przeprowadzonej w całości na platformie NVIDIA Isaac Sim. Trening koncentrował się na jednym celu — strzelaniu goli — bez dopasowanych nagród, bez demonstracji konkretnych zadań i bez bezpośredniego prowadzenia przez ludzi. Wyuczona polityka została przeniesiona bezpośrednio do świata fizycznego, gdzie robot może teraz grać w piłkę nożną zarówno z ludźmi, jak i z innymi robotami.

Jak 140 lat mieści się w kilka tygodni

Nowoczesne klastry GPU mogą uruchamiać jednocześnie tysiące równoległych środowisk symulacyjnych, kompresując ponad wiek doświadczenia w czasie rzeczywistym do ułamka tego czasu według zegara ściennego. Samozabawa, technika zastosowana przez Skild, ma ugruntowaną pozycję: DeepMind słynnie wykorzystał ją do stworzenia AlphaGo i AlphaZero — systemów, które opanowały gry planszowe, rywalizując z kopiami samych siebie. Metoda ta pozwala także ominąć jeden z najbardziej pracochłonnych etapów uczenia ze wzmocnieniem: ręczne definiowanie sygnałów nagrody określających sukces agenta.

Różnica polega na tym, że Skild zastosował tę metodę nie do gry planszowej o dyskretnych ruchach, lecz do złożonej fizyki dwunożnego robota na boisku — środowiska wymagającego ciągłej kontroli motorycznej, równowagi, śledzenia obiektów i podejmowania decyzji w czasie rzeczywistym. Bezpośredni transfer ma znaczenie, ponieważ sprawienie, by polityki wytrenowane w symulacji sprawdzały się na fizycznym sprzęcie — luka symulacja-rzeczywistość — od dawna należy do najtrudniejszych problemów robotyki.

Cel treningowy robota został zredukowany do istoty rzeczy: strzel gola. Wszystko pozostałe — praca nóg, ustawienie i kontrola piłki — wyłoniło się jako wyuczone zachowania, a nie zaprogramowane instrukcje.

Model S1 i szersze ambicje Skild

Pił nożna służy jako efektowna demonstracja, ale prawdziwa wartość komercyjna modelu S1 tkwi w jego wszechstronności. Zaprezentowany pod koniec sierpnia 2026 roku, S1 potrafi wykonywać złożone zadania manipulacyjne trwające do 10 minut po nauce z pojedynczej demonstracji wideo, bez dostrajania ani aktualizacji parametrów. Firma pokazała model wykonujący zadania od obracania naleśników po montaż zestawów. Konwencjonalne roboty przemysłowe, w przeciwieństwie do tego, zazwyczaj wymagają jawnego zaprogramowania każdego wykonywanego zadania.

Filozofia rozwoju Skild AI wprost nawiązuje do dużych modeli językowych: firma trenuje na obszernych danych pochodzących z filmów z udziałem ludzi oraz symulacji fizycznych, aby budować ogólną inteligencję motoryczną. Infrastruktura symulacyjna NVIDIA odgrywa kluczową rolę w tej strategii. Isaac Sim dostarcza silnik fizyczny i potok renderowania, które sprawiają, że trening robotiki o wysokiej wierności w dużej skali jest wykonalny, pomagając zawęzić lukę między symulacją a rzeczywistością.

Zakład o 14 miliardów dolarów na roboty ogólnego przeznaczenia

Skild osiągnął poziom 100 milionów dolarów rocznego przychodu powtarzalnego krótko po pierwszym komercyjnym wdrożeniu na początku 2026 roku, a jego roboty obecnie działają w ponad 60 firmach klientów. W styczniu 2026 roku firma pozyskała 1,4 miliarda dolarów w rundzie Series C, osiągając wycenę przekraczającą 14 miliardów dolarów, przy udziale SoftBanku i NVIDIA.

ABB Robotics oraz Teradyne — właściciel Universal Robots i MiR — współpracują ze Skild. Firma wdrożyła także roboty do montażu systemów GPU NVIDIA Blackwell w Foxconn. Co godne uwagi, NVIDIA występuje po obu stronach tej relacji: dostarcza infrastrukturę treningową Isaac Sim, a jednocześnie uczestniczyła w rundzie Series C. Wspólnie współpraca z ABB, Teradyne i Foxconn daje podejściu Skild, opartemu na treningu symulacyjnym, pola doświadczalne w rzeczywistym świecie — obejmujące automatyzację przemysłową, robotykę współpracującą i mobilną oraz produkcję elektroniki — środowiska, które wystawią jego podejście ogólnego przeznaczenia na próbę w skali komercyjnej.