RespuestasPublicado27 fuentes
Skild AI S1 quiere enseñar a los robots como se enseña a una persona: mirando
Skild AI asegura que S1 puede observar un vídeo de una tarea inédita de hasta 10 minutos y ejecutarla sin modificar los pesos del modelo ni recopilar datos específicos para esa tarea. Las demostraciones incluyen preparar café de filtro, trasplantar una planta, montar un kit y dar la vuelta a una tortita; la empresa...
Publicado porEditado con GPT-5.6 LunaImágenes generadas con GPT Image 1.5
Respuesta de investigación
Conclusiones clave
- Skild AI asegura que S1 puede observar un vídeo de una tarea inédita de hasta 10 minutos y ejecutarla sin modificar los pesos del modelo ni recopilar datos específicos para esa tarea.
- Las demostraciones incluyen preparar café de filtro, trasplantar una planta, montar un kit y dar la vuelta a una tortita; la empresa también afirma que el sistema se adapta a cambios de objetos y recupera algunos erro...
- En una evaluación interna, Skild informó de una tasa media de éxito por paso del 66%, frente al 9% de un modelo VLA guiado por lenguaje, pero todavía no hay una comparación pública independiente.
- La tecnología se está orientando a robots industriales y a distintas plataformas físicas, aunque no existen aún métricas auditadas públicamente sobre disponibilidad, productividad, seguridad o retorno de la inversión.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Skild AI’s S1 robotics foundation model, unveiled by co-founder Abhinav Gupta at SMARTCLOUD SHOW 2026 in Seoul on August 25, 2026, a. Article summary: S1 is Skild AI’s flagship robotics foundation model for in-context learning: a robot watches one video demonstration—including an unseen task lasting up to 10 minutes—and then executes it without collecting task-specific. Topic tags: general, general web, user generated, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
Skild AI quiere cambiar una de las reglas más incómodas de la robótica: que cada tarea nueva suele exigir datos nuevos, ajustes específicos y bastante trabajo de ingeniería. Su modelo S1 propone otra vía: mostrar al robot un vídeo de demostración y dejar que lo use como una instrucción ejecutable.
La empresa afirma que S1 puede realizar tareas que no aparecían en su entrenamiento, con secuencias de hasta 10 minutos, sin reajustar los pesos del modelo ni hacer un ajuste específico para cada tarea. 1
5
Es una idea relevante para la llamada IA física: sistemas de inteligencia artificial capaces de percibir y actuar en el mundo real. Pero conviene mantener los pies en el suelo. Las pruebas públicas proceden sobre todo de Skild AI, sus demostraciones y sus propios benchmarks; todavía falta una evaluación externa y estandarizada que confirme hasta dónde llega la promesa.
La idea clave: el vídeo como “prompt”
Muchos sistemas de aprendizaje robótico se entrenan para una tarea concreta, un tipo de robot o unas condiciones muy determinadas. S1 intenta ser más flexible: interpreta una demostración en vídeo como si fuera un programa.
Para ello debe inferir el objetivo, el orden de las acciones, la relación entre los objetos, la forma de sujetarlos y los ajustes físicos necesarios para completar una secuencia larga. 1
3
No es lo mismo decirle a un robot “prepara café” que mostrarle cómo hacerlo. El lenguaje puede expresar el objetivo, pero el vídeo también revela la secuencia, el ritmo, el uso de las herramientas, la posición de los objetos y la estrategia corporal. La tesis de Skild es que ese contexto más rico permite generalizar a tareas largas que el modelo no había visto durante el entrenamiento. 1
5
La compañía presenta el método como un equivalente robótico de escribir un prompt para un modelo de lenguaje: las capacidades generales permanecen en el modelo y la demostración aporta el contexto específico de cada tarea.
Café, plantas, tortitas y montaje: qué ha mostrado S1
Skild AI ha presentado demostraciones en las que S1 realiza distintos flujos de manipulación, entre ellos:
- Preparar café de filtro (pour-over).
- Trasplantar una planta.
- Montar un kit.
- Dar la vuelta a una tortita.
Algunas secuencias duran hasta 10 minutos e incluyen decenas de acciones consecutivas. 1
3
5
La empresa también describe pruebas cualitativas destinadas a comprobar que el modelo no se limita a reproducir una trayectoria memorizada. Según Skild, S1 reaccionó a cambios en la escena, volvió a intentarlo después de ciertos errores, utilizó un vaso cuando no estaba disponible la regadera de la demostración y corrigió una manipulación poco cuidadosa de un huevo en vez de copiarla literalmente. 5
Son señales interesantes de flexibilidad conductual, pero un vídeo de demostración no basta para probar que el robot sea fiable en una gran variedad de entornos. También es importante saber cuántos intentos fallan, cuánta intervención humana se necesita y cómo responde el sistema ante situaciones que no aparecen en los ejemplos publicados.
Frente a los modelos VLA guiados por lenguaje
Los modelos VLA —siglas en inglés de vision-language-action, o visión-lenguaje-acción— combinan imágenes, instrucciones lingüísticas y acciones robóticas. En la comparación más concreta difundida por Skild, S1 utilizó un vídeo como instrucción y se enfrentó a tareas inéditas.
Con 100.000 horas de datos de entrenamiento, la compañía informó de una tasa media de éxito por paso del 66% para su política de aprendizaje contextual guiada por vídeo, frente al 9% de un modelo VLA equivalente guiado por lenguaje. 1
4
Skild también afirma que el VLA guiado por lenguaje se deterioró hasta tres veces más que S1 cuando cambiaban de forma importante las condiciones de despliegue: por ejemplo, si los objetos no eran los mismos que aparecían en la demostración o si el plan exigía utilizar el brazo contrario. 1
Otra comparación interna de la empresa estimó que un único vídeo de S1 podía ofrecer un rendimiento similar al de aproximadamente 380 episodios de posentrenamiento específicos de una tarea sobre una política previamente entrenada. 1
Los resultados ayudan a entender por qué el vídeo puede ser una señal de entrenamiento tan potente: comunica el objetivo, pero también el orden, los tiempos, la disposición de los objetos, el uso de las herramientas y la estrategia física. Aun así, son datos internos de Skild AI, no un benchmark independiente reproducido por terceros. El material disponible no incluye un artículo científico público, los pesos del modelo ni una evaluación externa estandarizada. 4
15
¿Cuánto tarda en empezar a actuar?
Skild describe S1 como un sistema que funciona en tiempo real después de observar la demostración. Las informaciones publicadas con motivo del lanzamiento señalan que el robot puede ejecutar la tarea inmediatamente después de verla. 2
5
Sin embargo, las fuentes disponibles no permiten confirmar una cifra general como “en unos segundos” o “en 11 minutos”. No está establecido de forma verificable cuánto tiempo transcurre entre el final del vídeo y el comienzo de la ejecución en el sistema general.
La diferencia es importante en una fábrica: la latencia de inferencia, la preparación del puesto, las comprobaciones de seguridad y la recuperación ante errores pueden ser tan determinantes como la tasa bruta de éxito.
De dónde salen los datos de Skild
Skild atribuye parte de su estrategia a una combinación de fuentes de datos: simulación a gran escala, vídeos de acciones humanas en internet, datos de robots, teleoperación y experiencia obtenida en despliegues reales. En sus materiales de la Serie C, la empresa describe además un ciclo de datos en el que cada despliegue genera nuevas experiencias que pueden mejorar el modelo para otros robots y entornos. 37
En SMARTCLOUD SHOW, el cofundador Abhinav Gupta habría dicho que Skild utiliza “todo tipo” de métodos de recopilación de datos robóticos y que ha acumulado entre 100 y 1.000 veces más datos que sus competidores. Ese multiplicador es una afirmación de la empresa, no una comparación sectorial auditada públicamente. 6
La lógica práctica consiste en asignar a cada fuente un papel distinto: los vídeos humanos muestran objetos y acciones; la simulación amplía la variedad de robots y escenarios; y los datos obtenidos con robots reales conectan ese conocimiento con el control físico.
Qué significa el “cerebro omnibody”
S1 forma parte de una estrategia más amplia de Skild AI basada en un cerebro robótico “omnicorporal” u omni-bodied. El término no significa que un robot bípedo, uno cuadrúpedo, uno con ruedas y un brazo robótico se muevan igual. Sus articulaciones, sensores, extremidades, ruedas y acciones posibles son diferentes. 45
La idea es que un mismo modelo aprenda regularidades físicas comunes y después traduzca ese conocimiento a las capacidades de cada plataforma. Así, podría compartir lo aprendido entre distintos cuerpos robóticos y adaptar sus órdenes a los actuadores y sensores disponibles en cada caso. 45
El objetivo es evitar la construcción y el mantenimiento de un modelo completamente distinto para cada configuración de hardware. Skild también ha descrito entrenamientos con un gran número de cuerpos robóticos simulados para aprender comportamientos físicos más generales. 42
45
Dónde se está probando
Skild ha anunciado colaboraciones con ABB Robotics y Universal Robots para integrar su software en sistemas industriales. Reuters informó además de un despliegue conjunto de Skild y Nvidia en líneas de ensamblaje relacionadas con los sistemas Nvidia Blackwell. 34
44
Estos anuncios muestran una vía de integración y pruebas comerciales, pero no constituyen por sí solos un historial completo de rendimiento. La evidencia disponible no ofrece cifras auditadas de productividad de fábrica, disponibilidad, tasas de error, incidentes de seguridad ni retorno de la inversión.
En otras palabras, que un sistema se despliegue o se integre significa que está siendo probado o incorporado a una operación; no demuestra que ya haya sustituido a la automatización convencional a gran escala.
La valoración de Skild y el “momento ChatGPT”
El interés de los inversores ha sido considerable. Bloomberg informó de una Serie C de 1.400 millones de dólares, liderada por SoftBank, que valoró la compañía en más de 14.000 millones de dólares, más del triple de su valoración aproximadamente siete meses antes. 17
Otros informes sitúan la financiación acumulada de Skild por encima de los 1.800 millones de dólares, aunque las cifras varían según la fuente y no deben interpretarse como un total auditado definitivo. 18
21
22
La financiación refleja la confianza en que el software de robótica pueda convertirse en una capa de plataforma escalable para muchos tipos de hardware. No demuestra, por sí sola, que los robots de propósito general estén preparados para trabajar sin restricciones en hogares o fábricas.
La comparación con un “momento ChatGPT para los robots” debe entenderse como una analogía, no como una conclusión cerrada. S1 apunta a un posible cambio en la forma de adquirir habilidades: pasar del reajuste tarea por tarea a aprender a partir de demostraciones. El inversor Ravi Mhatre lo describió como un “momento GPT-3” para tareas laborales humanas de horizonte largo, pero se trata de una valoración de un inversor, no de una validación científica independiente. 10
La conclusión: un paso prometedor, no la llegada del robot universal
La idea más importante de S1 no es simplemente que un robot pueda imitar un vídeo. Es que un modelo fundacional podría utilizar una sola demostración para combinar habilidades, adaptarse a una escena modificada y ejecutar una secuencia larga sin actualizar sus pesos para esa tarea concreta.
El resultado comunicado de 66% frente a 9% y las demostraciones de hasta 10 minutos hacen que la propuesta sea técnicamente relevante. 1
4 Pero el matiz es igual de importante: la evidencia pública sigue dominada por materiales de la propia empresa, demostraciones seleccionadas y anuncios iniciales de despliegue.
Hasta que investigadores externos reproduzcan los resultados en condiciones estandarizadas y los clientes industriales publiquen datos de fiabilidad y seguridad, S1 debe verse como una dirección prometedora para la IA física, no como la prueba definitiva de que ya ha llegado un cerebro robótico de propósito general.
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Skild AI S1 quiere enseñar a los robots como se enseña a una persona: mirando"?
Skild AI asegura que S1 puede observar un vídeo de una tarea inédita de hasta 10 minutos y ejecutarla sin modificar los pesos del modelo ni recopilar datos específicos para esa tarea.
¿Cuáles son los puntos clave a validar primero?
Skild AI asegura que S1 puede observar un vídeo de una tarea inédita de hasta 10 minutos y ejecutarla sin modificar los pesos del modelo ni recopilar datos específicos para esa tarea. Las demostraciones incluyen preparar café de filtro, trasplantar una planta, montar un kit y dar la vuelta a una tortita; la empresa también afirma que el sistema se adapta a cambios de objetos y recupera algunos erro...
¿Qué debo hacer a continuación en la práctica?
En una evaluación interna, Skild informó de una tasa media de éxito por paso del 66%, frente al 9% de un modelo VLA guiado por lenguaje, pero todavía no hay una comparación pública independiente.
Fuentes
skild.aiIntroducing S1: In-Context Learning for Robotics - Skild AI
runtimewire.comSkild AI ships S1, a robot model prompted by one video
zerogantry.comSkild AI S1 Achieves 10-Minute Tasks from One Video Prompt
datanorth.aiSkild AI S1: Robot Model Learns Tasks From One Video - DataNorth AI
x.com"Scaling laws for in-context learning for robotics, perhaps ...