Skild AI:n S1 opettaa robotille uusia tehtäviä yhdellä videolla

Skild AI:n S1 pyrkii tekemään robotin ohjelmoinnista enemmän opettamista kuin koodaamista. Ihminen näyttää tehtävän videolla, ja malli käyttää näkemäänsä visuaalisena kehotteena sen sijaan, että jokaista uutta tehtävää varten käynnistettäisiin erillinen koulutus- tai hienosäätökierros. Skildin mukaan S1 pystyy käsittelemään aiemmin näkemättömiä, monivaiheisia käsittelytehtäviä, jotka kestävät jopa kymmenen minuuttia. 1

Tämä on olennainen ero perinteiseen robotiikkaan verrattuna. Uuden tehtävän opettaminen on usein vaatinut runsaasti tehtäväkohtaista dataa, etäohjausta, insinöörityötä tai mallin uudelleenkoulutusta. S1:n idea ei ole videon liikkeiden mekaaninen toistaminen, vaan tavoitteen tulkitseminen ja aiemmin opittujen taitojen yhdistäminen uudeksi toimintaketjuksi.

Näin yksi video muuttuu robotin toiminnaksi

S1 käyttää visuaalista kontekstissa oppimista. Ihmisen tekemä esittely toimii tehtäväkehotteena mallin käytön aikana. S1 havainnoi videon, päättelee tavoitteen ja toimintojen järjestyksen sekä muuntaa tiedon robotin toiminnaksi senhetkisessä ympäristössä. Skildin kuvauksen mukaan mallin painoja ei muuteta jokaisen uuden videon jälkeen. 1

Käytännössä tämä muistuttaa enemmän tehtävän näyttämistä tekoälylle kuin robotin perinteistä kouluttamista. Mallin on yhdistettävä näköhavaintoja aiemmin oppimiinsa taitoihin, kuten tarttumiseen, siirtämiseen, asettamiseen ja esineiden käsittelyyn, ja järjestettävä ne pidemmäksi työvaiheiden sarjaksi. Skildin julkisissa esimerkeissä robotti valmistaa pour-over-kahvia, istuttaa kasvin ruukkuun, kokoaa pakkauksen sisältöä ja kääntää pannukakkuja. 135

Vaikein osa on niin sanottu pitkä toimintahorisontti. Yksittäinen liike voidaan usein ohjelmoida tai opettaa erikseen, mutta kymmenen minuutin tehtävään voi sisältyä kymmeniä päätöksiä, muuttuvia esineiden sijainteja ja useita mahdollisuuksia epäonnistua. S1:n tarkoitus on säilyttää tehtävän tavoite koko suorituksen ajan ja mukauttaa liikkeitään ympäristöön sen sijaan, että se vain toistaisi ihmisen täsmälliset liikeradat.

Video päihitti kielikehotteen yhtiön testissä

Skild raportoi huomattavan eron video- ja kielikehotteiden välillä aiemmin näkemättömien tehtävien arvioinnissa. Yhtiön ilmoittamalla 100 000 harjoittelutunnin mittakaavalla videota käyttävä politiikka saavutti 66 prosentin keskimääräisen askelkohtaisen onnistumisasteen, kun vertailukelpoinen kieleen perustuva vision-language-action-malli ylsi 9 prosenttiin. 32

Tulos viittaa siihen, että video välittää fyysisen tehtävän yksityiskohtia, jotka sanat voivat jättää epäselviksi: mistä esineestä tartutaan, miten se suunnataan, missä järjestyksessä toimet tehdään ja miten ihminen reagoi ympäristön muutoksiin.

Lukua on kuitenkin syytä tulkita varoen. Kyse on Skildin raportoimasta kokeesta, ei tässä yhteydessä itsenäisesti toistetusta toimialan vertailumittauksesta. Lisäksi askelkohtainen 66 prosentin onnistumisaste ei tarkoita, että robotti suorittaisi jokaisen kymmenen minuutin tehtävän alusta loppuun 66 prosentin varmuudella.

Millaisia tehtäviä S1 on esitellyt?

Julkisissa esimerkeissä on muun muassa:

• pour-over-kahvin valmistaminen
• kasvin istuttaminen ruukkuun
• pakkauksen tai työkalusarjan kokoaminen
• pannukakkujen kääntäminen

Tehtävät ovat kiinnostavia, koska niissä yhdistyvät havainnointi, esineiden käsittely, oikea työjärjestys ja pitkäkestoinen hallinta. Ne eivät ole vain yhden liikkeen testejä. Skild kuvaa tehtäviä harjoittelussa näkemättömiksi, mutta saatavilla oleva näyttö perustuu pääosin yhtiön omiin tietoihin ja niitä referoiviin julkaisuihin. 133

Esittelyt osoittavat, millaiseksi käyttöliittymä on suunniteltu: ihminen tekee tehtävän kerran, minkä jälkeen robotti yrittää yleistää menettelyn. Ne eivät vielä osoita, että S1 osaisi luotettavasti hoitaa mitä tahansa kotityötä, toimia ilman valvontaa tai selviytyä kaikista tuotantoympäristön fyysisistä vaihteluista.

Kuinka nopeasti robotti aloittaa?

S1:n mainostettu etu on, että robotti voi ryhtyä toimimaan nähtyään esittelyn ilman erillistä videon jälkeistä koulutusvaihetta. Skild ja mallin julkaisua käsittelevät lähteet kuvaavat toimintaa reaaliaikaiseksi kontekstissa oppimiseksi. 130

Lähteet eivät kuitenkaan anna luotettavaa tarkkaa viivemittausta, kuten sekuntimäärää videon päättymisestä robotin ensimmäiseen liikkeeseen. Ilmaus ”ei hienosäätöä” tarkoittaa, ettei mallin painoille tehdä uutta tehtäväkohtaista päivityskierrosta. Se ei välttämättä tarkoita, että jokainen video käsitellään välittömästi tai että kalibrointia, asetuksia ja turvallisuustarkistuksia ei tarvittaisi.

Skild Brainin data- ja simulaatiostrategia

S1 on osa Skildin laajempaa Skild Brain -strategiaa. Tavoitteena on kouluttaa yksi yleiskäyttöinen malli eri tehtävien, robottityyppien, simulaatioiden ja ihmisten tuottaman visuaalisen datan avulla sen sijaan, että jokaiselle robotille ja tehtävälle rakennettaisiin oma toimintapolitiikka. Skild kertoo luoneensa simuloidun universumin, jossa on 100 000 robottimuunnelmaa, ja testanneensa mallin yleistymistä myös harjoitteludatan ulkopuolisiin robotteihin. 6

Eri kehoilla harjoittelun tarkoitus on opettaa mallille yleisiä hallinnan periaatteita. Skildin materiaalien mukaan järjestelmä on tarkoitettu toimimaan humanoidien, nelijalkaisten robottien, pöytävarsien ja liikkuvien manipulaattorien kanssa. 310

Väitteeseen, jonka mukaan Skildillä olisi 100–1 000 kertaa enemmän dataa kuin kilpailijoilla, kannattaa suhtautua varauksella. Saatavilla olevat lähteet eivät tarjoa standardoitua ja riippumattomasti tarkastettavaa vertailua datan määrästä, laadusta tai hyödyllisestä robottikokemuksesta eri yhtiöiden välillä. Varmempi johtopäätös on, että Skild hakee mittakaavaa eri robottikehojen yhteisestä harjoittelusta ja simulaatiosta sen sijaan, että se tukeutuisi vain yhden laitealustan omiin esittelyihin.

Mitä ”omnikehoinen” robottiäly tarkoittaa?

Skild käyttää termiä omnikehoinen (omni-bodied) kuvaamaan mallia, jonka pitäisi siirtyä robottikehosta toiseen. Periaatteessa yhteinen malli voi oppia tehtävän tason käsitteitä erillään yhden koneen tarkasta geometriasta ja mukautua erilaisiin raajoihin, pyöriin, tarttujiin ja toimilaitteisiin. Skild kertoo simulaatiotesteistä, joissa harjoittelusta pois jätettyjä robottimuotoja ohjattiin nollanäytteisesti eli ilman juuri kyseisellä muodolla harjoittelua. 6

Laitteisto ei silti muutu merkityksettömäksi. Roboteilla on edelleen erilaiset sensorit, tarttujat, nivelrajat, ohjausrajapinnat, viiveet, hyötykuormat ja turvallisuusrajoitteet. Eri kehoihin yleistyvä malli voi vähentää sopeutustyötä, mutta käyttöönotto edellyttää edelleen yhteensopivaa laitteistoa, järjestelmäintegraatiota ja testausta todellisessa ympäristössä.

Missä Skildin teknologiaa käytetään?

Julkisten raporttien mukaan Skildin ohjelmisto toimii sadoissa roboteissa tehtaissa, datakeskuksissa ja logistiikkaympäristöissä. Esimerkkeinä on mainittu NVIDIAn tehdas Houstonissa, LaGuardian lentoasemalla tehty kokeilu sekä yhteistyö kaapelointi- ja rakennusalan yritysten kanssa. Yhtiö on kertonut suhteista myös ABB Roboticsin, Universal Robotsin ja NVIDIAn kanssa. 174

Tiedot kertovat kaupallisesta kiinnostuksesta ja tosielämän kokeiluista, mutta julkinen aineisto ei riitä laskemaan tuotannon valmistumisasteita, käyttöaikaa, kustannussäästöjä tai sijoitetun pääoman tuottoa. Laboratorio- tai kontrolloidun testin tulosta ei pidä tulkita tuotantoympäristön mittariksi. Erään raportin mukaan Skild suunnittelee käyttöönottoa Foxconnin kokoonpanolinjoilla, joilla valmistetaan NVIDIAn Blackwell-grafiikkasuorittimien palvelinjärjestelmiä. Tämä kertoo testi- tai käyttöönottoponnistuksesta, ei vielä laajamittaisen autonomisen tehdastoiminnan toteutumisesta. 43

Rahoitus ja fyysisen tekoälyn ”ChatGPT-hetki”

Skildin rahoitus on nostanut yhtiön fyysisen tekoälyn seuratuimpien hankkeiden joukkoon. Bloombergin mukaan yhtiö keräsi SoftBankin johtamassa C-sarjan rahoituskierroksessa noin 1,4 miljardia dollaria tammikuussa 2026. Yhtiön arvoksi muodostui yli 14 miljardia dollaria. 13 Skildin aiemmin ilmoittama A-sarjan kierros oli 300 miljoonaa dollaria heinäkuussa 2024, jolloin yhtiön arvoksi kerrottiin 1,5 miljardia dollaria. 9

”ChatGPT-hetken” vertaus kuvaa toivottua muutosta käyttökokemuksessa: robotin käyttäjän ei tarvitsisi ohjelmoida tai uudelleenkouluttaa konetta jokaista tehtävää varten, vaan hän voisi näyttää halutun toiminnan ja antaa yleismallin muuntaa sen liikkeiksi. S1 on kiinnostava askel kohti tällaista käyttöliittymää.

Se ei kuitenkaan vielä todista yleiskäyttöisten robottien saapuneen. Vahvimmat julkiset tulokset ovat yhtiön itsensä raportoimia, tehtävävalikoima on rajallinen, eikä toimitetuissa lähteissä ole riippumattomasti varmennettuja teollisia suorituskykymittareita. Maltillisempi johtopäätös on, että S1 esittelee lupaavan keinon vähentää tehtäväkohtaista robottikoulutusta: video toimii ohjeena, laaja esikoulutus tarjoaa uudelleenkäytettäviä taitoja ja malli yrittää yhdistää ne uudeksi, pitkäkestoiseksi tehtäväksi.