Skild AI 於 9 月 22 日宣布，其 S1 模型已透過完全在 NVIDIA Isaac Sim 平台上進行的自我對弈訓練，發展出踢足球的能力。訓練僅圍繞單一目標——進球——沒有客製化獎勵、沒有特定任務示範、也沒有人類訓練員的直接指導。訓練出的策略直接轉移到實體世界，機器人如今可與人類及其他機器人對賽。

140 年經驗如何濃縮於數週之內

現代 GPU 叢集可同時執行數千個平行模擬環境，將相當於超過一個世紀的即時經驗，在實際時間上壓縮成其中一小部分。自我對弈這項 Skild 所採用的技術已有成熟紀錄：DeepMind 即以這種方式打造了 AlphaGo 和 AlphaZero，這些系統透過與自身副本對弈來精通棋盤遊戲。這種方法也避開了強化學習中最耗費人力的步驟之一：為智能體手工設計定義成功的獎勵訊號。

這次的不同之處在於，Skild 將此方法應用於的不是離散步驟的棋盤遊戲，而是雙足機器人在足球場上的複雜物理環境——需要連續的馬達控制、平衡、物件追蹤與即時決策。直接轉移之所以重要，是因為讓模擬訓練出的策略在實體硬體上站得住腳——即模擬到現實的差距——長久以來一直是機器人學最困難的問題之一。

機器人的訓練目標被精簡至核心：進球。其餘一切——步法、站位與控球——都是作為習得的行為而非編程指令而浮現。

S1 模型與 Skild 的更大抱負

足球是吸睛的示範，但 S1 模型的商業價值在於其多功能性。於 2026 年 8 月底推出的 S1，在僅從單一影片示範學習後，即可執行長達 10 分鐘的複雜操作任務，無需微調或參數更新。該公司已展示模型處理從煎鬆餅到套件組裝等各種任務。相較之下，傳統工業機器人通常需要為其執行的每項任務進行明確編程。

Skild AI 的開發理念明確類比大型語言模型：該公司以大量取自人類影片與物理模擬的資料進行訓練，以建立通用型運動智能。NVIDIA 的模擬基礎設施在這項策略中扮演核心角色。Isaac Sim 提供物理引擎與渲染管線，使高擬真機器人訓練得以規模進行，協助縮小模擬到現實的差距。

對通用機器人的 140 億美元押注

Skild 在 2026 年初首次商業部署後不久，即達到 1 億美元的年化經常性收入運行率，其機器人目前在超過 60 家客戶公司中運作。2026 年 1 月，該公司在 C 輪融資中募得 14 億美元，估值超過 140 億美元，SoftBank 與 NVIDIA 均有參與。

ABB Robotics 與擁有 Universal Robots 和 MiR 的 Teradyne 均與 Skild 合作。該公司也在 Foxconn 部署機器人組裝 NVIDIA Blackwell GPU 系統。值得注意的是，NVIDIA 在這段關係中同時扮演兩個角色：既提供 Isaac Sim 訓練基礎設施，也參與了 C 輪融資。ABB、Teradyne 與 Foxconn 的合作共同為 Skild 以模擬訓練為基礎的方法提供了涵蓋工業自動化、協作型與移動機器人以及電子製造的實戰驗證場域——這些環境將在商業規模上考驗其通用型方法。