AnswersPublished27 sources
Skild AI S1: Én video kan endre hvordan roboter lærer
Skild AI sier at S1 kan se én video av en ukjent oppgave på opptil ti minutter og utføre den uten å endre modellens vekter eller samle inn oppgavespesifikke data. Demonstrasjonene omfatter blant annet håndbrygget kaffe, omplanting av en plante, montering av et sett og steking av pannekaker.
Publisert avRedigert med GPT-5.6 LunaBilder generert med GPT Image 1.5
Research answer
Key takeaways
- Skild AI sier at S1 kan se én video av en ukjent oppgave på opptil ti minutter og utføre den uten å endre modellens vekter eller samle inn oppgavespesifikke data.
- Demonstrasjonene omfatter blant annet håndbrygget kaffe, omplanting av en plante, montering av et sett og steking av pannekaker.
- Teknologien testes mot industrielle roboter, men de offentlige kildene dokumenterer ennå ikke produksjonsmål som oppetid, gjennomstrømming, feilrate, sikkerhet eller lønnsomhet.
AI Prompt
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 omtaler S1 som en grunnmodell for robotikk bygget rundt læring i kontekst. I stedet for å trenes på nytt for hver oppgave skal roboten se en video av en person som utfører oppgaven, og bruke videoen som en praktisk instruksjon. Skild hevder at S1 kan håndtere tidligere ukjente oppgaver som varer i opptil ti minutter – uten oppgavespesifikk finjustering eller endringer i modellens vekter. 1
5
Det gjør S1 til et interessant steg mot mer tilpasningsdyktig fysisk kunstig intelligens. Det er likevel for tidlig å konkludere med at allsidige roboter nå er klare for fritt arbeid i hjem eller fabrikker. De sterkeste resultatene kommer foreløpig fra Skilds egne demonstrasjoner og tester, og uavhengig etterprøving blir derfor avgjørende.
Videoen blir selve instruksjonen
Mange systemer for robotlæring trenes for én bestemt oppgave, robotkropp eller driftsforhold. S1 skal i stedet behandle en demonstrasjonsvideo som en utførbar instruksjon. Modellen må tolke målet, rekkefølgen på handlingene, forholdet mellom objektene og de fysiske justeringene som trengs for å gjennomføre oppgaven på en robot. 1
3
Det er noe annet enn å si «lag kaffe» eller «flytt planten». En tekstkommando kan beskrive målet, men en video viser også rekkefølgen, hvordan et objekt gripes, hvordan verktøy brukes og hvordan oppgaven utvikler seg over mange trinn. Skilds hovedpåstand er at denne rikere instruksjonen gjør det mulig for S1 å generalisere til lange oppgaver som ikke fantes i forhåndstreningen. 1
5
Selskapet beskriver metoden som en robotikkvariant av å gi en språkmodell et eksempel: Modellens grunnleggende evner forblir de samme, mens demonstrasjonen gir den oppgavespesifikk kontekst.
Kaffe, planter, pannekaker og montering
Skild har vist S1 utføre flere oppgaver som krever finmotorikk og mange sammenhengende handlinger, blant annet:
- håndbrygging av kaffe
- omplanting av en plante
- montering av et sett
- steking og vending av en pannekake
Noen av demonstrasjonene varer i opptil ti minutter og består av flere titalls etterfølgende handlinger. 1
3
5
Skild viser også til kvalitative tester som skal indikere at S1 ikke bare gjentar en innøvd bevegelse. I disse testene skal modellen ha reagert på endringer i omgivelsene, prøvd på nytt etter enkelte feil, brukt en kopp da vannkannen fra demonstrasjonen ikke var tilgjengelig, og korrigert en klønete håndtering av et egg i stedet for å kopiere den nøyaktig. Dette peker mot en viss atferdsmessig fleksibilitet, men videodemonstrasjoner alene beviser ikke at systemet er pålitelig i et bredt spekter av miljøer. 5
Slik sammenlignes S1 med språkstyrte VLA-modeller
Den mest konkrete sammenligningen Skild har lagt frem, er en intern evaluering av ukjente oppgaver. Med 100 000 timer treningsdata rapporterte selskapet en gjennomsnittlig suksessrate på 66 prosent per trinn for sin videostyrte modell, mot 9 prosent for en tilsvarende språkstyrt VLA-modell. VLA står for «vision-language-action» – modeller som kobler syn, språk og robotbevegelser. 1
4
Skild sier også at den språkstyrte VLA-modellen ble svekket opptil tre ganger mer enn S1 da forholdene under gjennomføringen endret seg betydelig. Eksemplene omfattet andre objekter enn dem i demonstrasjonen og oppgaver der roboten måtte bruke motsatt arm. 1
En annen sammenligning fra selskapet anslår at én videoinstruksjon ga omtrent samme ytelse som rundt 380 oppgavespesifikke ettertreningsøkter på en forhåndstrent modell. 1
Tallene illustrerer hvorfor videoinstruksjoner kan være viktige: En demonstrasjon kommuniserer ikke bare ønsket resultat, men også rekkefølge, timing, plassering av objekter, verktøybruk og fysisk strategi. Samtidig må resultatene leses som Skilds interne dokumentasjon, ikke som en uavhengig, standardisert sammenligning. Det foreligger ikke offentlig forskningsartikkel, modellvekter eller ekstern benchmark i materialet som er tilgjengelig her. 4
15
Hvor raskt begynner roboten å arbeide?
Skild beskriver S1 som et sanntidssystem etter at roboten har sett demonstrasjonen. Omtaler rundt lanseringen sa at roboten kunne utføre oppgaven umiddelbart etter visningen. 2
5
Det finnes likevel ikke nok dokumentasjon til å fastslå en generell tid som «i løpet av sekunder» eller «etter elleve minutter». Kildene etablerer ikke en verifisert overgangstid fra videoen er ferdig til roboten begynner å utføre oppgaven. Dette skillet er viktig i industrien, der oppsettstid, beregningsforsinkelse, sikkerhetskontroller og evnen til å håndtere feil kan være like avgjørende som selve suksessraten.
Datamengden er en sentral del av strategien
Skild knytter utviklingen av en mer generell robotmodell til en bred datainfrastruktur. Selskapet har beskrevet bruk av storskala simulering, nettvideoer av menneskelige handlinger, robotdata, fjernstyring og informasjon fra roboter i reelle miljøer. I materialet om Series C beskriver Skild også en «dataflywheel»: Flere utplasserte roboter genererer mer erfaring, som igjen kan forbedre modellen på tvers av roboter og omgivelser. 37
På SMARTCLOUD SHOW skal medgründer Abhinav Gupta ha sagt at Skild bruker «alle typer» metoder for å samle inn robotdata, og at selskapet har samlet inn 100 til 1 000 ganger mer data enn konkurrentene. Dette er en påstand fra selskapet, ikke en offentlig revidert bransjesammenligning. 6
I praksis kombinerer strategien datakilder som lærer modellen ulike deler av problemet: Menneskevideoer viser objekter og handlinger, simulering kan utvide variasjonen av roboter og miljøer, mens data fra fysiske roboter knytter dette til faktisk motorstyring og kontakt med verden.
Hva betyr «omni-bodied»?
S1 inngår i Skilds bredere visjon om en «omni-bodied» robotintelligens – en felles robot hjerne som kan brukes på flere typer maskiner. Begrepet betyr ikke at en tobeint robot, en firbeint robot, en robot med hjul og en robotarm skal bevege seg likt. Ledd, sensorer, lemmer, hjul og fysisk mulige handlinger varierer. 45
Tanken er i stedet at én modell lærer felles fysiske sammenhenger på tvers av plattformer, og deretter oversetter dem til handlinger som er mulige for den aktuelle roboten. Slik kan kunnskap deles mellom ulike robotkropper, samtidig som modellen tilpasser resultatet til robotens tilgjengelige motorer og sensorer. 45
Målet er å redusere behovet for å utvikle og vedlikeholde en helt separat modell for hver robotkonfigurasjon. Skild har også beskrevet trening på et stort antall simulerte robotkropper som en del av arbeidet med å lære mer generell fysisk atferd. 42
45
Hvor testes teknologien industrielt?
Skild har kunngjort samarbeid med ABB Robotics og Universal Robots om å integrere programvaren i industrielle robotsystemer. Reuters har også rapportert at Skild og Nvidia distribuerer robotmodellen på samlebånd knyttet til Nvidia Blackwell-systemer. 34
44
Kunngjøringene viser en vei mot kommersiell utprøving, men gir ikke et komplett, offentlig resultatregnskap. Kildene som foreligger, dokumenterer ikke uavhengig reviderte tall for fabrikkapasitet, oppetid, feilrate, sikkerhetshendelser eller avkastning på investeringen. At teknologien er under integrasjon, er derfor et tegn på testing og utrulling – ikke et bevis på at den allerede har erstattet konvensjonell automatisering i stor skala.
Verdsettelsen viser interesse – ikke ferdig teknologi
Investorinteressen rundt Skild har vært betydelig. Bloomberg rapporterte en Series C-runde på 1,4 milliarder dollar ledet av SoftBank, som verdsatte selskapet til mer enn 14 milliarder dollar. Verdsettelsen var mer enn tredoblet på omtrent sju måneder. 17
Andre rapporter anslår Skilds samlede finansiering til over 1,8 milliarder dollar, men tallene varierer mellom kildene og bør ikke behandles som et endelig, revidert totalbeløp. 18
21
22
Sammenligningen med et «ChatGPT-øyeblikk for roboter» bør derfor forstås som en analogi, ikke som en etablert konklusjon. S1 peker mot en mulig endring i hvordan roboter tilegner seg nye ferdigheter: fra oppgavevis omskolering til læring gjennom demonstrasjoner. Investor Ravi Mhatre omtalte lanseringen som et «GPT-3-øyeblikk» for lange oppgaver knyttet til menneskelig arbeid, men dette er en investors vurdering – ikke uavhengig vitenskapelig validering. 10
Konklusjonen
Det mest interessante ved S1 er ikke bare at en robot kan etterligne en video. Det er påstanden om at en grunnmodell kan bruke én demonstrasjon til å sette sammen ferdigheter, tilpasse seg en endret situasjon og gjennomføre en lang sekvens uten å oppdatere vektene for akkurat denne oppgaven.
Skilds rapporterte resultat på 66 mot 9 prosent og demonstrasjonene av oppgaver med lang tidshorisont gjør påstanden teknisk betydningsfull. 1
4 Forbeholdet er like viktig: Den offentlige dokumentasjonen domineres fortsatt av selskapsmateriale, utvalgte demonstrasjoner og tidlige meldinger om utrulling. Før eksterne forskere kan gjenskape resultatene under standardiserte forhold, og industrikunder publiserer data om pålitelighet og sikkerhet, bør S1 ses som en lovende retning for fysisk kunstig intelligens – ikke som det endelige beviset på at en generell robot hjerne allerede er her.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Skild AI S1: Én video kan endre hvordan roboter lærer"?
Skild AI sier at S1 kan se én video av en ukjent oppgave på opptil ti minutter og utføre den uten å endre modellens vekter eller samle inn oppgavespesifikke data.
What are the key points to validate first?
Skild AI sier at S1 kan se én video av en ukjent oppgave på opptil ti minutter og utføre den uten å endre modellens vekter eller samle inn oppgavespesifikke data. Demonstrasjonene omfatter blant annet håndbrygget kaffe, omplanting av en plante, montering av et sett og steking av pannekaker.
What should I do next in practice?
Teknologien testes mot industrielle roboter, men de offentlige kildene dokumenterer ennå ikke produksjonsmål som oppetid, gjennomstrømming, feilrate, sikkerhet eller lønnsomhet.
Sources
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 ...