Skild AIの「S1」は、ロボット向けの基盤モデルです。最大の特徴は、ロボットに毎回データを追加学習させるのではなく、人間が作業する様子を撮影した1本の動画を、そのままタスクの指示として使う点にあります。

Skild AIによれば、S1は事前学習で見ていなかった作業でも、最長10分に及ぶ長い手順を、タスク専用の微調整やモデルの重みの変更なしで実行できます。15

これは、ロボットが作業ごとに再プログラムされる現在の方式から、実演を見せて新しい技能を引き出す方式へ移行する可能性を示します。ただし、現時点で公表されている成果の多くはSkild AI自身のデモや社内評価に基づくもので、家庭や工場でどんな作業でも安定してこなせることを証明したわけではありません。

S1は何を変えようとしているのか

従来のロボット学習システムは、特定の作業、ロボットの機体、環境条件に合わせて訓練されることが一般的でした。新しい作業を追加するには、データを集め、微調整し、場合によっては制御プログラムを書き換える必要があります。

S1は、この前提を変えようとしています。動画から、単なる目的だけでなく、次のような情報を読み取ることを目指します。

• 作業の最終目標
• 動作の順序
• 物体同士の位置関係
• つかみ方や道具の使い方
• 複数の手順をつなぐタイミング
• 状況の変化に応じた物理的な調整

たとえば「コーヒーを入れて」と言葉で指示するだけでは、湯を注ぐ順番や器具の扱い方までは明確になりません。一方、実演動画なら、作業の流れや手の動かし方、道具の配置まで一度に伝えられます。13

Skild AIは、この仕組みを大規模言語モデルへのプロンプト入力になぞらえています。基盤モデル自体を作業ごとに更新するのではなく、動画がその場で必要な文脈を与えるという考え方です。

実演された作業：コーヒー、植え替え、組み立て、パンケーキ

Skild AIが公開したS1の実演には、次のような作業が含まれています。

• 手注ぎコーヒーを入れる
• 植物を植木鉢に植え替える
• キットを組み立てる
• パンケーキを裏返す

一部の実演は最長10分に及び、数十の連続した動作で構成されています。135

同社は、S1が動画の動きを単純に再生しているだけではないことを示す定性的なテストも紹介しています。報告によれば、S1は周囲の状況が変わった場合に対応し、一部の失敗後にやり直し、実演で使われたじょうろがないときにはカップを代わりに使いました。また、卵を扱う実演者の不自然な動きをそのまままねるのではなく、より適切な扱いに修正したとされています。5

こうした事例は柔軟性を示す材料になります。しかし、選ばれた動画デモだけで、環境や対象物が大きく異なる現場での長期的な信頼性まで判断することはできません。

言語で指示するVLAモデルとの違い

VLAは「Vision-Language-Action」の略で、画像や動画などの視覚情報と言語指示を受け取り、ロボットの動作に変換するモデルを指します。現在のロボットAIでは、言語で「植物を動かして」と指示するタイプのVLAも研究されています。

Skild AIが示した最も具体的な比較は、未経験タスクを対象にした社内評価です。学習データが10万時間の時点で、動画をプロンプトとして使うS1の方策は、**平均ステップ成功率66％を記録したとされています。これに対し、条件をそろえた言語プロンプト型VLAのベースラインは9％**でした。14

また、実演動画と異なる物体を使う場合や、反対側の腕で作業する必要がある場合など、配備時の条件が大きく変わると、言語プロンプト型VLAの性能低下はS1の最大3倍に達したとSkild AIは説明しています。1

同社はさらに、S1への1回の動画入力が、事前学習済み方策に対する約380回分のタスク専用の追加学習エピソードに相当する性能を示したとも報告しています。1

動画が有利になり得る理由は、目標だけでなく、順序、タイミング、物体の配置、道具の使い方、動作の戦略まで伝えられることです。

ただし、これらはあくまでSkild AIの社内データです。提供された資料には、公開論文、モデルの重み、標準化された第三者評価は含まれていません。415 したがって、66％対9％という数字を、業界全体で確立した優位性と解釈するのは早計です。

動画を見てから、どれほど早く動き始めるのか

Skild AIは、S1が実演動画を見た後、リアルタイムで作業を実行すると説明しています。発売時の報道でも、動画を見終えた直後にロボットが作業へ移れるという趣旨の説明が紹介されました。25

一方で、一般的なシステムについて「数秒以内」や「11分以内」といった、動画終了から実行開始までの検証済み時間を示す十分な根拠はありません。実際の工場では、推論の遅延だけでなく、位置合わせ、安全確認、初期設定、失敗からの復旧にかかる時間も重要になります。

Skild AIが重視するデータ戦略

Skild AIは、複数のデータ源を組み合わせることが汎用的なロボットモデルの構築に役立つと説明しています。具体的には、次のようなデータです。37

• 大規模シミュレーション
• 人間の行動を撮影したインターネット動画
• ロボットの実データ
• 遠隔操作によるデータ
• 実際の導入現場から得られるデータ

同社のシリーズC関連資料では、ロボットが現場に導入されるほど新たな経験が蓄積され、そのデータが複数のロボットや環境でモデルを改善する「データフライホイール」も説明されています。37

2026年8月のSMARTCLOUD SHOWでは、共同創業者のアビナブ・グプタ氏が、Skild AIは「あらゆる種類」のロボットデータ収集を使い、競合他社の100〜1,000倍のデータを蓄積したと述べたと報じられました。6 ただし、この倍率は同社側の主張であり、公開監査された業界比較ではありません。

人間の動画は物体や行動の例を広げ、シミュレーションはさまざまな機体や環境を試す場になります。実機データは、それらの抽象的な学習を現実の物理制御へ結びつけます。Skild AIの戦略は、これらを一つの学習基盤に統合するものです。

「オムニボディ型の脳」とは

S1は、Skild AIが掲げる「オムニボディ型」のロボット脳という構想の一部です。これは、二足歩行ロボット、四足歩行ロボット、車輪型ロボット、ロボットアームが、すべて同じ動きをするという意味ではありません。関節、センサー、手足、車輪、実行可能な動作は機体ごとに異なります。45

狙いは、複数の機体を通じて物理世界に共通する規則性を学習し、その知識を各ロボットのセンサーやアクチュエーター、つまり実際に動かせる機構に合わせて変換することです。45

Skild AIは、異なる体型や構造を持つ10万種類の仮想ロボットを作り、同じAIで制御する訓練を行ったと説明しています。42 この方式が実用化すれば、ロボットの構成が変わるたびに完全に別のモデルを用意する必要を減らせる可能性があります。

産業分野での導入状況

Skild AIは、ABB RoboticsおよびUniversal Robotsとの連携を発表し、工場などの産業用ロボットへソフトウェアを組み込む計画を示しています。34 Reutersは、Skild AIとNVIDIAが、NVIDIA Blackwellシステムに関連する組立ラインへロボット脳を導入していると報じました。44

これらは商用環境でのテストや統合が進んでいることを示します。しかし、公開資料からは、工場の処理量、稼働率、エラー率、安全上の事故、投資対効果といった第三者監査済みの指標は確認できません。

つまり、「導入された」ことは、技術が実際の現場で試されている証拠ではありますが、従来型の自動化を大規模に置き換えた証明ではありません。

140億ドル超の評価額は何を意味するのか

投資家の関心は非常に高まっています。Bloombergによれば、SoftBankが主導した14億ドルのシリーズCで、Skild AIの企業価値は140億ドル超となり、約7カ月で3倍以上に膨らみました。17

累計調達額については、報道や資料によって18億ドル超から22億ドル規模まで幅があります。したがって、公開情報だけから監査済みの確定額を断定することはできません。182122

こうした評価額は、ロボットそのものではなく、複数のハードウェアに搭載できるソフトウェア基盤が、物理AIの大きなプラットフォーム層になり得るという投資家の期待を反映しています。

S1を「ロボット版ChatGPTの瞬間」と呼ぶ表現は、現段階では確定した結論ではなく、将来への比喩として捉えるのが適切です。投資家のラビ・マトレ氏は、長時間にわたる人間の労働タスクに関してS1を「GPT-3の瞬間」と評価しましたが、これは投資家の見解であり、独立した科学的検証ではありません。10

結論：重要なのは動画のまねではなく、文脈からの行動生成

S1の意義は、ロボットが動画を見て同じ動きをまねることだけではありません。1回の実演から、作業の目的と手順を組み立て、周囲の変化に対応し、特定タスクのためにモデルの重みを更新せず長い作業を進められる可能性にあります。

Skild AIが報告した66％対9％の比較や、最長10分の実演は、ロボットの学習方法を考えるうえで注目すべき結果です。14 ただし、現在の公開証拠は企業資料、選択されたデモ、初期段階の導入発表が中心です。

外部研究者が標準化された条件で結果を再現し、工場側が信頼性や安全性のデータを公開するまでは、S1は「汎用ロボットの脳が完成した証拠」ではなく、物理AIの有望な方向性として評価するのが妥当でしょう。

Skild AIの「S1」は、ロボット向けの基盤モデルです。最大の特徴は、ロボットに毎回データを追加学習させるのではなく、人間が作業する様子を撮影した1本の動画を、そのままタスクの指示として使う点にあります。

Skild AIによれば、S1は事前学習で見ていなかった作業でも、最長10分に及ぶ長い手順を、タスク専用の微調整やモデルの重みの変更なしで実行できます。15

これは、ロボットが作業ごとに再プログラムされる現在の方式から、実演を見せて新しい技能を引き出す方式へ移行する可能性を示します。ただし、現時点で公表されている成果の多くはSkild AI自身のデモや社内評価に基づくもので、家庭や工場でどんな作業でも安定してこなせることを証明したわけではありません。

S1は何を変えようとしているのか

従来のロボット学習システムは、特定の作業、ロボットの機体、環境条件に合わせて訓練されることが一般的でした。新しい作業を追加するには、データを集め、微調整し、場合によっては制御プログラムを書き換える必要があります。

S1は、この前提を変えようとしています。動画から、単なる目的だけでなく、次のような情報を読み取ることを目指します。

• 作業の最終目標
• 動作の順序
• 物体同士の位置関係
• つかみ方や道具の使い方
• 複数の手順をつなぐタイミング
• 状況の変化に応じた物理的な調整

たとえば「コーヒーを入れて」と言葉で指示するだけでは、湯を注ぐ順番や器具の扱い方までは明確になりません。一方、実演動画なら、作業の流れや手の動かし方、道具の配置まで一度に伝えられます。13

Skild AIは、この仕組みを大規模言語モデルへのプロンプト入力になぞらえています。基盤モデル自体を作業ごとに更新するのではなく、動画がその場で必要な文脈を与えるという考え方です。

実演された作業：コーヒー、植え替え、組み立て、パンケーキ

Skild AIが公開したS1の実演には、次のような作業が含まれています。

• 手注ぎコーヒーを入れる
• 植物を植木鉢に植え替える
• キットを組み立てる
• パンケーキを裏返す

一部の実演は最長10分に及び、数十の連続した動作で構成されています。135

同社は、S1が動画の動きを単純に再生しているだけではないことを示す定性的なテストも紹介しています。報告によれば、S1は周囲の状況が変わった場合に対応し、一部の失敗後にやり直し、実演で使われたじょうろがないときにはカップを代わりに使いました。また、卵を扱う実演者の不自然な動きをそのまままねるのではなく、より適切な扱いに修正したとされています。5

こうした事例は柔軟性を示す材料になります。しかし、選ばれた動画デモだけで、環境や対象物が大きく異なる現場での長期的な信頼性まで判断することはできません。

言語で指示するVLAモデルとの違い

VLAは「Vision-Language-Action」の略で、画像や動画などの視覚情報と言語指示を受け取り、ロボットの動作に変換するモデルを指します。現在のロボットAIでは、言語で「植物を動かして」と指示するタイプのVLAも研究されています。

Skild AIが示した最も具体的な比較は、未経験タスクを対象にした社内評価です。学習データが10万時間の時点で、動画をプロンプトとして使うS1の方策は、**平均ステップ成功率66％を記録したとされています。これに対し、条件をそろえた言語プロンプト型VLAのベースラインは9％**でした。14

また、実演動画と異なる物体を使う場合や、反対側の腕で作業する必要がある場合など、配備時の条件が大きく変わると、言語プロンプト型VLAの性能低下はS1の最大3倍に達したとSkild AIは説明しています。1

同社はさらに、S1への1回の動画入力が、事前学習済み方策に対する約380回分のタスク専用の追加学習エピソードに相当する性能を示したとも報告しています。1

動画が有利になり得る理由は、目標だけでなく、順序、タイミング、物体の配置、道具の使い方、動作の戦略まで伝えられることです。

ただし、これらはあくまでSkild AIの社内データです。提供された資料には、公開論文、モデルの重み、標準化された第三者評価は含まれていません。415 したがって、66％対9％という数字を、業界全体で確立した優位性と解釈するのは早計です。

動画を見てから、どれほど早く動き始めるのか

Skild AIは、S1が実演動画を見た後、リアルタイムで作業を実行すると説明しています。発売時の報道でも、動画を見終えた直後にロボットが作業へ移れるという趣旨の説明が紹介されました。25

一方で、一般的なシステムについて「数秒以内」や「11分以内」といった、動画終了から実行開始までの検証済み時間を示す十分な根拠はありません。実際の工場では、推論の遅延だけでなく、位置合わせ、安全確認、初期設定、失敗からの復旧にかかる時間も重要になります。

Skild AIが重視するデータ戦略

Skild AIは、複数のデータ源を組み合わせることが汎用的なロボットモデルの構築に役立つと説明しています。具体的には、次のようなデータです。37

• 大規模シミュレーション
• 人間の行動を撮影したインターネット動画
• ロボットの実データ
• 遠隔操作によるデータ
• 実際の導入現場から得られるデータ

同社のシリーズC関連資料では、ロボットが現場に導入されるほど新たな経験が蓄積され、そのデータが複数のロボットや環境でモデルを改善する「データフライホイール」も説明されています。37

2026年8月のSMARTCLOUD SHOWでは、共同創業者のアビナブ・グプタ氏が、Skild AIは「あらゆる種類」のロボットデータ収集を使い、競合他社の100〜1,000倍のデータを蓄積したと述べたと報じられました。6 ただし、この倍率は同社側の主張であり、公開監査された業界比較ではありません。

人間の動画は物体や行動の例を広げ、シミュレーションはさまざまな機体や環境を試す場になります。実機データは、それらの抽象的な学習を現実の物理制御へ結びつけます。Skild AIの戦略は、これらを一つの学習基盤に統合するものです。

「オムニボディ型の脳」とは

S1は、Skild AIが掲げる「オムニボディ型」のロボット脳という構想の一部です。これは、二足歩行ロボット、四足歩行ロボット、車輪型ロボット、ロボットアームが、すべて同じ動きをするという意味ではありません。関節、センサー、手足、車輪、実行可能な動作は機体ごとに異なります。45

狙いは、複数の機体を通じて物理世界に共通する規則性を学習し、その知識を各ロボットのセンサーやアクチュエーター、つまり実際に動かせる機構に合わせて変換することです。45

Skild AIは、異なる体型や構造を持つ10万種類の仮想ロボットを作り、同じAIで制御する訓練を行ったと説明しています。42 この方式が実用化すれば、ロボットの構成が変わるたびに完全に別のモデルを用意する必要を減らせる可能性があります。

産業分野での導入状況

Skild AIは、ABB RoboticsおよびUniversal Robotsとの連携を発表し、工場などの産業用ロボットへソフトウェアを組み込む計画を示しています。34 Reutersは、Skild AIとNVIDIAが、NVIDIA Blackwellシステムに関連する組立ラインへロボット脳を導入していると報じました。44

これらは商用環境でのテストや統合が進んでいることを示します。しかし、公開資料からは、工場の処理量、稼働率、エラー率、安全上の事故、投資対効果といった第三者監査済みの指標は確認できません。

つまり、「導入された」ことは、技術が実際の現場で試されている証拠ではありますが、従来型の自動化を大規模に置き換えた証明ではありません。

140億ドル超の評価額は何を意味するのか

投資家の関心は非常に高まっています。Bloombergによれば、SoftBankが主導した14億ドルのシリーズCで、Skild AIの企業価値は140億ドル超となり、約7カ月で3倍以上に膨らみました。17

累計調達額については、報道や資料によって18億ドル超から22億ドル規模まで幅があります。したがって、公開情報だけから監査済みの確定額を断定することはできません。182122

こうした評価額は、ロボットそのものではなく、複数のハードウェアに搭載できるソフトウェア基盤が、物理AIの大きなプラットフォーム層になり得るという投資家の期待を反映しています。

S1を「ロボット版ChatGPTの瞬間」と呼ぶ表現は、現段階では確定した結論ではなく、将来への比喩として捉えるのが適切です。投資家のラビ・マトレ氏は、長時間にわたる人間の労働タスクに関してS1を「GPT-3の瞬間」と評価しましたが、これは投資家の見解であり、独立した科学的検証ではありません。10

結論：重要なのは動画のまねではなく、文脈からの行動生成

S1の意義は、ロボットが動画を見て同じ動きをまねることだけではありません。1回の実演から、作業の目的と手順を組み立て、周囲の変化に対応し、特定タスクのためにモデルの重みを更新せず長い作業を進められる可能性にあります。

Skild AIが報告した66％対9％の比較や、最長10分の実演は、ロボットの学習方法を考えるうえで注目すべき結果です。14 ただし、現在の公開証拠は企業資料、選択されたデモ、初期段階の導入発表が中心です。

外部研究者が標準化された条件で結果を再現し、工場側が信頼性や安全性のデータを公開するまでは、S1は「汎用ロボットの脳が完成した証拠」ではなく、物理AIの有望な方向性として評価するのが妥当でしょう。