Skild AI于9月22日宣布，其S1模型通过一种完全在NVIDIA Isaac Sim平台内进行的自我对弈训练方法，发展出了踢足球的能力。训练仅围绕一个目标——进球——没有定制奖励，没有针对特定任务的演示，也没有人类训练师的直接指导。训练得到的策略直接迁移到了物理世界，该机器人现在可以与人类和其他机器人进行足球对抗。

140年如何压缩进几周之内

现代GPU集群可以同时运行数千个并行模拟环境，将相当于一个多世纪的实时经验压缩为实际时间中的一小部分。自我对弈——Skild采用的这项技术——有着成熟的履历：DeepMind曾用它构建了AlphaGo和AlphaZero，这些系统通过与自身副本对弈掌握了棋盘游戏。该方法还规避了强化学习中最耗费人力的步骤之一：为智能体手工设计定义成功的奖励信号。

此次的不同之处在于，Skild将这一方法不是应用于具有离散走子的棋盘游戏，而是应用于双足机器人在足球场上面临的复杂物理环境——这一环境要求连续的电机控制、平衡、目标追踪和实时决策。直接迁移之所以重要，是因为让模拟训练的策略在实体硬件上依然有效——即模拟到现实的差距——长期以来一直是机器人领域最困难的问题之一。

机器人的训练目标被精简到最本质：进球。其余的一切——步法、站位和控球——都是作为学习到的行为而非编程指令而涌现的。

S1模型与Skild的更大雄心

足球只是展示性演示，但S1模型的商业价值在于其多功能性。S1于2026年8月下旬发布，仅需从单个视频演示中学习，即可执行持续长达10分钟的复杂操作任务，无需微调或参数更新。公司已展示该模型处理从煎饼翻转到套件组装等各类任务。相比之下，传统工业机器人通常需要为它们执行的每个任务进行显式编程。

Skild AI的开发理念与大语言模型有明显相似之处：公司基于从人类视频和物理模拟中提取的大量数据进行训练，以构建通用运动智能。NVIDIA的模拟基础设施在这一战略中扮演核心角色。Isaac Sim提供物理引擎和渲染管线，使高保真机器人训练能够大规模进行，有助于缩小模拟到现实的差距。

对通用机器人140亿美元的押注

Skild在2026年初完成首次商业部署后不久，年经常性收入即达到1亿美元的运行率，其机器人目前服务于60多家客户公司。2026年1月，公司在C轮融资中筹集了14亿美元，估值超过140亿美元，SoftBank和NVIDIA参与了该轮融资。

ABB Robotics和拥有Universal Robots与MiR的Teradyne都在与Skild合作。公司还部署了机器人在富士康组装NVIDIA Blackwell GPU系统。值得注意的是，NVIDIA在这段关系中同时出现在两端：它既提供Isaac Sim训练基础设施，又参与了C轮融资。ABBTeradyne和富士康的合作共同为Skild基于模拟训练的方法提供了现实世界的验证场，涵盖工业自动化、协作与移动机器人以及电子制造——这些场景将在商业规模上检验其通用化方法。