Skild AI S1: il robot che impara guardando un solo video

Skild AI presenta S1 come un modello di fondazione per la robotica basato sull’apprendimento in contesto (in-context learning). L’idea è semplice da capire, ma ambiziosa: invece di riaddestrare un robot per ogni nuovo incarico, gli si mostra un video di una persona che svolge il compito. Il robot dovrebbe ricavare dal video obiettivo, sequenza di azioni, uso degli oggetti e aggiustamenti fisici necessari, per poi eseguire l’attività senza modificare i pesi del modello o svolgere un fine-tuning specifico. Skild AI afferma che S1 può affrontare compiti mai incontrati in precedenza, della durata massima di 10 minuti. 15

È un passo interessante verso un’intelligenza artificiale più adatta al mondo fisico. Non è però la prova che i robot generalisti siano già pronti a lavorare senza supervisione in casa o in fabbrica: i risultati più rilevanti provengono ancora dalle dimostrazioni e dai benchmark pubblicati o descritti dalla stessa azienda.

Perché un video può essere più utile di un comando vocale

Molti sistemi di apprendimento robotico sono costruiti attorno a un compito preciso, a un determinato corpo robotico o a condizioni operative limitate. S1 tratta invece il video dimostrativo come una sorta di programma eseguibile. Il modello deve capire non soltanto che cosa ottenere, ma anche come arrivarci: in quale ordine muovere gli oggetti, come afferrarli, quali strumenti usare e come reagire ai cambiamenti dell’ambiente. 13

Dire a un robot «prepara il caffè» identifica un obiettivo, ma non specifica necessariamente la sequenza delle operazioni, la posizione degli oggetti o il modo corretto di usare gli strumenti. Un video può trasmettere tutte queste informazioni in modo più ricco. Secondo Skild, questo permette a S1 di generalizzare a compiti lunghi e assenti dai dati di pre-addestramento. 15

L’azienda descrive il meccanismo come l’equivalente, nella robotica, di un prompt per un modello linguistico: le capacità di base restano nel modello, mentre la dimostrazione fornisce il contesto necessario per il compito specifico.

Dal caffè ai pancake: che cosa ha mostrato S1

Le dimostrazioni pubblicate da Skild AI includono:

• preparare un caffè con il metodo pour-over;
• rinvasare una pianta;
• assemblare un kit;
• girare un pancake in padella.

Alcune sequenze durano fino a 10 minuti e comprendono decine di azioni consecutive. 135

In altri test qualitativi, Skild afferma che S1 ha reagito a variazioni della scena, ha ritentato dopo alcuni errori, ha sostituito un annaffiatoio con una tazza quando l’oggetto originale non era disponibile e ha corretto una manipolazione poco efficace di un uovo invece di copiarla alla lettera. Sono segnali di flessibilità comportamentale, ma i video dimostrativi non bastano da soli a dimostrare l’affidabilità del sistema in un’ampia varietà di ambienti. 5

Il confronto con i modelli VLA guidati dal linguaggio

Il confronto più dettagliato fornito da Skild riguarda una valutazione interna su compiti inediti. Con 100.000 ore di dati di addestramento, l’azienda ha riportato un tasso medio di successo del 66% per singolo passaggio per la politica video-prompted in-context, contro il 9% di una linea di base VLA — vision-language-action, cioè visione-linguaggio-azione — guidata dal linguaggio. 14

Skild sostiene inoltre che, quando le condizioni di esecuzione cambiavano molto — per esempio con oggetti diversi da quelli della dimostrazione o con un piano che richiedeva l’uso del braccio opposto — il modello VLA basato sul linguaggio peggiorava fino a tre volte più di S1. 1

Un’altra stima dell’azienda indica che un singolo video-prompt poteva produrre prestazioni paragonabili a circa 380 episodi di post-addestramento specifico su un modello pre-addestrato. 1

Questi numeri chiariscono il possibile vantaggio del video: non comunica soltanto il risultato finale, ma anche sequenza, tempi, disposizione degli oggetti, uso degli strumenti e strategia fisica. Vanno però letti per quello che sono: risultati interni riportati da Skild AI, non un benchmark indipendente replicato da ricercatori esterni. Il materiale disponibile non include un articolo scientifico pubblico, i pesi del modello o una valutazione esterna standardizzata. 415

Quanto tempo serve prima che il robot inizi?

Skild descrive S1 come un sistema capace di operare in tempo reale dopo aver osservato la dimostrazione; alcuni resoconti sul lancio affermano che il robot possa iniziare il compito subito dopo la visione. 25

Non ci sono però elementi sufficienti per indicare un tempo verificato e generalizzabile, come «pochi secondi» o «11 minuti», tra la fine del video e l’avvio dell’esecuzione. Questa distinzione è importante in un contesto industriale: latenza dell’inferenza, preparazione, controlli di sicurezza e capacità di recupero possono contare quanto il successo nell’esecuzione del compito.

La strategia dei dati: simulazione, video e robot reali

Skild attribuisce parte dei progressi a una pipeline di dati composta da simulazioni su larga scala, video online di azioni umane, dati raccolti dai robot, teleoperazione e informazioni provenienti dalle installazioni reali. Nei materiali relativi alla Serie C, l’azienda descrive anche un “volano dei dati”: più robot vengono utilizzati sul campo, più esperienza viene raccolta e più il modello può migliorare tra robot e ambienti diversi. 37

Durante lo SMARTCLOUD SHOW, il cofondatore Abhinav Gupta avrebbe dichiarato che Skild utilizza «ogni tipo» di raccolta dati per la robotica e dispone di una quantità di dati da 100 a 1.000 volte superiore a quella dei concorrenti. Si tratta di un’affermazione dell’azienda, non di un confronto di settore sottoposto a revisione o audit pubblico. 6

La logica è combinare fonti con funzioni diverse: i video umani mostrano oggetti e azioni, la simulazione amplia il numero di corpi robotici e scenari possibili, mentre i dati raccolti da robot reali collegano queste conoscenze al controllo fisico.

Che cosa significa “omni-bodied”

S1 rientra nella strategia più ampia di Skild per un cervello robotico definito “omni-bodied”, cioè capace di operare su corpi diversi. Il termine non significa che un robot bipede, uno quadrupede, un veicolo su ruote e un braccio robotico compiano gli stessi movimenti: articolazioni, sensori, arti, ruote e azioni possibili cambiano da una piattaforma all’altra. 45

L’obiettivo è invece imparare regolarità fisiche condivise e tradurle nelle capacità del robot specifico. Un unico modello può quindi trasferire parte delle proprie conoscenze, adattando i comandi agli attuatori e ai sensori disponibili su ciascun sistema. 45

Secondo Skild, questo approccio dovrebbe ridurre la necessità di sviluppare e mantenere un modello completamente separato per ogni configurazione hardware. L’azienda ha inoltre descritto addestramenti su un grande numero di corpi robotici simulati per insegnare comportamenti fisici più generali. 4245

Dove viene utilizzato industrialmente

Skild AI ha annunciato collaborazioni con ABB Robotics e Universal Robots per integrare il proprio software in sistemi industriali. Reuters ha inoltre riferito di una collaborazione tra Skild e Nvidia per utilizzare il “cervello” robotico su linee di assemblaggio associate ai sistemi Nvidia Blackwell. 3444

Questi annunci indicano una fase di integrazione e sperimentazione commerciale, ma non offrono ancora un quadro completo delle prestazioni. Le fonti disponibili non stabiliscono valori verificati in modo indipendente per produttività di fabbrica, disponibilità operativa, tassi di errore, incidenti di sicurezza o ritorno sull’investimento. Essere installato o testato in un impianto non equivale quindi a dimostrare che il sistema abbia già sostituito l’automazione tradizionale su larga scala.

La valutazione da oltre 14 miliardi di dollari

L’interesse degli investitori verso Skild AI è notevole. Bloomberg ha riferito di una Serie C da 1,4 miliardi di dollari, guidata da SoftBank, che avrebbe portato la valutazione dell’azienda oltre i 14 miliardi di dollari, più che triplicandola in circa sette mesi. 17

Altri resoconti collocano la raccolta complessiva sopra 1,8 miliardi di dollari, ma le cifre variano a seconda della fonte e non costituiscono un totale definitivo verificato. 182122

Il paragone con un «momento ChatGPT per i robot» va quindi interpretato come un’analogia, non come una conclusione già dimostrata. S1 indica una possibile svolta: passare dal riaddestramento attività per attività all’apprendimento da dimostrazioni. L’investitore Ravi Mhatre ha definito il lancio un «momento GPT-3» per i compiti di lavoro umano a lungo orizzonte, ma si tratta di una valutazione di un investitore, non di una validazione scientifica indipendente. 10

Il punto decisivo

L’idea più importante di S1 non è soltanto che un robot possa imitare un video. È che un modello di fondazione possa usare una singola dimostrazione per combinare competenze, adattarsi a una scena modificata ed eseguire una lunga catena di azioni senza aggiornare i propri pesi per quel compito specifico.

Il risultato dichiarato del 66% contro il 9% e le dimostrazioni su attività della durata di diversi minuti rendono la proposta tecnicamente significativa. 14 Il limite è altrettanto importante: le prove pubbliche dipendono ancora in larga parte da materiali dell’azienda, dimostrazioni selezionate e primi annunci di implementazione.

Prima che S1 possa essere considerato la prova dell’arrivo di un vero cervello robotico generalista, serviranno riproduzioni da parte di ricercatori indipendenti, test standardizzati e dati pubblici su affidabilità e sicurezza nelle fabbriche. Per ora, S1 è soprattutto una direzione promettente per l’intelligenza artificiale fisica.