Skild AI сообщила 22 сентября, что её модель S1 освоила навыки игры в футбол методом самоигры, обучение полностью проходило на платформе NVIDIA Isaac Sim. Обучение сводилось к единственной цели — забивать голы — без специально подобранных вознаграждений, без демонстраций конкретных задач и без прямых указаний со стороны тренеров-людей. Полученная политика была напрямую перенесена в физический мир, где робот теперь может играть в футбол как против людей, так и против других роботов.

Как 140 лет умещаются в несколько недель

Современные GPU-кластеры могут одновременно запускать тысячи параллельных симулируемых сред, сжимая более века опыта в реальном времени в малую долю этого срока по астрономическому времени. Самоигра — метод, который применила Skild, — имеет подтверждённую репутацию: DeepMind знаменито использовала его для создания AlphaGo и AlphaZero — систем, освоивших настольные игры через состязания с собственными копиями. Этот метод также позволяет обойти один из самых трудоёмких этапов обучения с подкреплением: ручное создание сигналов вознаграждения, определяющих успех агента.

Разница в том, что Skild применила подход не к настольной игре с дискретными ходами, а к сложной физике двуногого робота на футбольном поле — среде, требующей непрерывного управления моторикой, равновесия, отслеживания объектов и принятия решений в реальном времени. Прямой перенос имеет значение, потому что добиться работоспособности политик, обученных в симуляции, на физическом оборудовании — разрыв между симуляцией и реальностью — давно считается одной из самых сложных проблем робототехники.

Цель обучения робота была сведена к самой сути: забить гол. Всё остальное — работа ног, позиционирование, контроль мяча — возникло как усвоенное поведение, а не запрограммированные инструкции.

Модель S1 и более широкие амбиции Skild

Футбол служит эффектной демонстрацией, однако коммерческая ценность модели S1 заключается в её универсальности. Запущенная в конце августа 2026 года, S1 способна выполнять сложные задачи манипуляции длительностью до 10 минут после обучения на одном видеодемонстрации, без дообучения или обновления параметров. Компания показала выполнение моделью задач — от переворачивания блинов до сборки комплектующих. Обычные промышленные роботы, напротив, как правило, требуют явного программирования для каждой задачи.

Философия разработки Skild AI проводит прямые параллели с большими языковыми моделями: компания обучается на обширных данных из человеческих видеозаписей и физических симуляций, чтобы построить универсальный моторный интеллект. Симуляционная инфраструктура NVIDIA играет центральную роль в этой стратегии. Isaac Sim предоставляет физический движок и конвейер рендеринга, которые делают высокоточное обучение роботов масштабируемым и помогают сократить разрыв между симуляцией и реальностью.\n## Ставка на $14 млрд в роботов общего назначения

Skild вышла на годовой регулярный доход (ARR) в размере $100 млн вскоре после первого коммерческого развёртывания в начале 2026 года, и её роботы сейчас работают более чем в 60 компаниях-клиентах. В январе 2026 года компания привлекла $1,4 млрд в раунде Series C при оценке свыше $14 млрд; в раунде участвовали SoftBank и NVIDIA.

ABB Robotics и Teradyne — которой принадлежат Universal Robots и MiR — обе сотрудничают со Skild. Компания также развернула роботов для сборки GPU-систем NVIDIA Blackwell на Foxconn. Показательно, что NVIDIA оказывается по обе стороны этих отношений: она поставляет тренировочную инфраструктуру Isaac Sim и одновременно участвовала в Series C. Вместе партнёрства с ABB, Teradyne и Foxconn дают подходу Skild, обученному в симуляции, реальные полигонные условия в промышленной автоматизации, коллаборативной и мобильной робототехнике и производстве электроники — среды, где универсальный подход компании пройдёт проверку в коммерческом масштабе.