Skild AI S1: jeden film ma wystarczyć, by robot nauczył się nowej pracy

Skild AI S1 to model bazowy dla robotyki, zaprojektowany z myślą o tzw. uczeniu kontekstowym. Zamiast trenować robota od nowa przy każdym zadaniu, operator pokazuje mu film z demonstracją, a model traktuje nagranie jak instrukcję wykonania pracy. Skild twierdzi, że S1 potrafi realizować wcześniej niewidziane zadania trwające nawet 10 minut — bez dostrajania pod konkretne zadanie i bez zmiany wag modelu. 15

To interesujący krok w stronę bardziej elastycznej sztucznej inteligencji fizycznej. Nie oznacza jednak, że roboty ogólnego przeznaczenia są już gotowe do swobodnej pracy w domach czy fabrykach. Najmocniejsze wyniki pochodzą obecnie z demonstracji i testów przedstawionych przez samą firmę, dlatego niezależna weryfikacja pozostaje kluczowa.

Co S1 robi inaczej?

Wiele systemów uczących roboty jest budowanych wokół konkretnego zadania, typu robota albo określonych warunków pracy. S1 zamiast tego traktuje film demonstracyjny jak wykonywalny prompt. Musi odczytać cel, kolejność czynności, relacje między przedmiotami oraz fizyczne korekty potrzebne do odtworzenia zadania na danym robocie. 13

To więcej niż polecenie w rodzaju „zrób kawę” albo „przesuń roślinę”. Język może wskazać cel, ale nagranie pokazuje również kolejność działań, sposób chwytania przedmiotów, użycie narzędzi i przebieg wieloetapowej pracy. Według Skild właśnie ten bogatszy kontekst pozwala S1 generalizować na długie zadania, których nie było w danych treningowych. 15

Firma opisuje to jako robotyczny odpowiednik promptowania modelu językowego: podstawowe możliwości modelu pozostają bez zmian, a demonstracja dostarcza informacji potrzebnych do wykonania konkretnego zadania.

Kawa, rośliny, naleśniki i montaż

Skild pokazywał S1 podczas wykonywania kilku złożonych zadań manipulacyjnych, w tym:

• przygotowywania kawy metodą przelewową,
• przesadzania rośliny,
• składania zestawu,
• przewracania naleśnika.

Niektóre demonstracje trwały do 10 minut i obejmowały dziesiątki kolejnych czynności. 135

Skild przedstawia również testy jakościowe mające pokazać, że S1 nie odtwarza jedynie zapamiętanego ruchu. Według firmy model reagował na zmiany w scenie, ponawiał próbę po części błędów, zastępował konewkę kubkiem, gdy pierwotny przedmiot był niedostępny, a także korygował niezgrabne obchodzenie się demonstratora z jajkiem zamiast kopiować je jeden do jednego. To obiecujące sygnały elastyczności, ale same nagrania nie dowodzą jeszcze niezawodności w szerokim zakresie środowisk. 5

Wynik 66 proc. kontra 9 proc. — ale to test firmy

Najbardziej konkretnym porównaniem przedstawionym przez Skild jest wewnętrzna ewaluacja nieznanych zadań. Przy 100 tys. godzin danych treningowych firma podała średnią skuteczność na poziomie 66 proc. dla pojedynczych kroków w polityce sterowanej filmem, wobec 9 proc. dla porównywalnego modelu VLA sterowanego językiem. VLA, czyli vision-language-action, łączy obraz, język i działanie robota. 14

Skild twierdzi również, że w warunkach znacznie różniących się od demonstracji — na przykład przy innych przedmiotach albo konieczności użycia przeciwnej ręki — model VLA tracił nawet trzy razy więcej niż S1. 1

Według kolejnego porównania firmy jeden prompt wideo dawał wyniki zbliżone do około 380 epizodów dalszego treningu pod konkretne zadanie dla wcześniej wytrenowanej polityki. 1

To pokazuje, dlaczego demonstracje wideo mogą być ważne. Nagranie przekazuje nie tylko oczekiwany rezultat, lecz także kolejność czynności, tempo, układ przedmiotów, użycie narzędzi i strategię fizycznego działania. Trzeba jednak podkreślić, że są to wewnętrzne dane Skild, a nie niezależnie powtórzony benchmark. Dostępne materiały nie obejmują publicznej pracy naukowej, wag modelu ani ustandaryzowanego testu przeprowadzonego przez zewnętrznych badaczy. 415

Jak szybko robot zaczyna wykonywać zadanie?

Skild opisuje S1 jako system działający w czasie rzeczywistym po obejrzeniu demonstracji. Doniesienia z momentu premiery mówiły, że robot może rozpocząć realizację zadania bezpośrednio po obejrzeniu filmu. 25

Nie ma jednak wystarczających dowodów, by podać zweryfikowany czas przejścia od końca nagrania do rozpoczęcia pracy — na przykład „kilka sekund” czy „11 minut” dla całego systemu. Źródła nie ustalają jednej, ogólnej wartości opóźnienia. W zastosowaniach przemysłowych ma to znaczenie: czas przygotowania, opóźnienie wnioskowania, kontrole bezpieczeństwa i sposób odzyskiwania po błędach mogą być równie ważne jak sam odsetek udanych zadań.

Skąd Skild bierze dane?

Skild przypisuje szerokiemu procesowi gromadzenia danych rolę w budowie modelu ogólnego przeznaczenia. Firma wymienia wielkoskalowe symulacje, internetowe nagrania ludzkich działań, dane z robotów, teleoperację oraz informacje z rzeczywistych wdrożeń. W materiałach dotyczących rundy Series C opisano także pętlę danych: wdrożenia dostarczają nowych doświadczeń, które mogą poprawiać model działający na różnych robotach i w różnych środowiskach. 37

Podczas SMARTCLOUD SHOW współzałożyciel Skild, Abhinav Gupta, miał powiedzieć, że firma korzysta z „każdego rodzaju” zbierania danych robotycznych i zgromadziła od 100 do 1000 razy więcej danych niż konkurenci. To twierdzenie firmy, a nie publicznie audytowane porównanie branżowe. 6

W praktyce poszczególne źródła uczą różnych elementów problemu: filmy z ludźmi pokazują przedmioty i czynności, symulacje zwiększają różnorodność robotów oraz środowisk, a dane z prawdziwych maszyn łączą te abstrakcje z fizycznym sterowaniem.

Co znaczy „omni-bodied”?

S1 jest częścią szerszej koncepcji Skild dotyczącej „mózgu” robota działającego na różnych platformach. Określenie omni-bodied nie oznacza, że robot kroczący, czworonożny, kołowy i ramię przemysłowe poruszają się w identyczny sposób. Mają różne stawy, czujniki, kończyny, koła i zakres możliwych działań. 45

Chodzi raczej o to, by jeden model uczył się wspólnych prawidłowości świata fizycznego, a następnie przekładał je na możliwości konkretnego robota. Jego wyjście może więc uwzględniać dostępne siłowniki, czujniki i konstrukcję danej maszyny. 45

Taki model ma ograniczyć konieczność tworzenia i utrzymywania osobnego systemu dla każdej konfiguracji sprzętowej. Skild opisywał również trening na dużej liczbie symulowanych ciał robotów jako sposób na uczenie bardziej ogólnych zachowań fizycznych. 4245

Gdzie technologia jest wdrażana?

Skild ogłosił współpracę z ABB Robotics i Universal Robots przy integracji oprogramowania z systemami przemysłowymi. Reuters informował także o wdrażaniu rozwiązania Skild i Nvidii na liniach montażowych związanych z systemami Nvidia Blackwell. 3444

Te zapowiedzi pokazują drogę do komercyjnych testów, ale nie tworzą jeszcze pełnego, publicznego bilansu działania. Dostępne materiały nie potwierdzają niezależnie audytowanych danych dotyczących przepustowości fabryk, dostępności systemu, liczby błędów, incydentów bezpieczeństwa ani zwrotu z inwestycji. Samo wdrożenie oznacza, że technologia jest testowana lub integrowana — nie że na dużą skalę zastąpiła już konwencjonalną automatyzację.

Wycena przekracza 14 mld dolarów. Co to właściwie oznacza?

Zainteresowanie inwestorów Skild AI jest bardzo duże. Bloomberg informował o rundzie Series C o wartości 1,4 mld dolarów, prowadzonej przez SoftBank, która wyceniła firmę na ponad 14 mld dolarów. Wycena miała wzrosnąć ponad trzykrotnie w ciągu około siedmiu miesięcy. 17

Inne doniesienia szacują łączne finansowanie Skild na ponad 1,8 mld dolarów, ale dostępne kwoty różnią się w zależności od źródła i nie powinny być traktowane jako ostateczna, audytowana suma. 182122

Porównanie z „momentem ChatGPT dla robotów” najlepiej traktować jako analogię, a nie rozstrzygnięty fakt. S1 wskazuje na możliwą zmianę sposobu nabywania umiejętności przez roboty: od ponownego trenowania pod każde zadanie w stronę uczenia się z demonstracji. Inwestor Ravi Mhatre nazwał premierę „momentem GPT-3” dla długich zadań związanych z pracą fizyczną, ale jest to ocena inwestora, a nie niezależne potwierdzenie naukowe. 10

Wniosek

Najważniejszy pomysł stojący za S1 nie polega wyłącznie na tym, że robot potrafi naśladować film. Chodzi o to, że model bazowy może wykorzystać jedną demonstrację do połączenia różnych umiejętności, dostosowania się do zmienionej sceny i wykonania długiej sekwencji bez aktualizowania wag pod konkretne zadanie.

Raportowany przez Skild wynik 66 proc. wobec 9 proc. oraz demonstracje wieloetapowych zadań czynią tę koncepcję technicznie istotną. 14 Równie ważne jest jednak zastrzeżenie: publiczne dowody wciąż opierają się głównie na materiałach firmy, wybranych nagraniach i wczesnych zapowiedziach wdrożeń. Dopóki zewnętrzni badacze nie powtórzą wyników w ustandaryzowanych warunkach, a klienci przemysłowi nie opublikują danych o niezawodności i bezpieczeństwie, S1 należy traktować jako obiecujący kierunek dla fizycznej AI, a nie ostateczny dowód na pojawienie się uniwersalnego „mózgu” robota.