Skild AI S1: o robô que aprende uma tarefa vendo apenas um vídeo

O S1, da Skild AI, é um modelo de base para robótica criado para aprender em contexto. Em vez de ser treinado novamente para cada tarefa, o robô assiste a um vídeo de demonstração e usa aquela sequência como instrução do que deve fazer. A Skild afirma que o S1 consegue executar tarefas inéditas de até 10 minutos sem ajuste fino específico nem alteração dos pesos do modelo. 15

A proposta é um passo interessante rumo a uma inteligência artificial mais adaptável no mundo físico. Ainda assim, ela não prova que robôs de uso geral estejam prontos para realizar qualquer trabalho em casas ou fábricas. Até o momento, os resultados mais fortes vêm de demonstrações e benchmarks divulgados pela própria Skild, o que torna avaliações independentes especialmente importantes.

O que o S1 faz de diferente

Muitos sistemas de aprendizado robótico são desenvolvidos para uma tarefa, um corpo robótico ou determinadas condições de operação. O S1 adota outra abordagem: trata o vídeo de demonstração como um comando executável. O modelo precisa inferir o objetivo, a ordem das ações, a relação entre os objetos e os ajustes físicos necessários para reproduzir a tarefa. 13

Isso é diferente de simplesmente dizer ao robô “prepare um café” ou “mova a planta”. A linguagem pode indicar o objetivo, mas um vídeo mostra a ordem das etapas, a forma de segurar um objeto, o uso de ferramentas e a evolução de uma atividade com dezenas de ações. A principal alegação da Skild é que esse contexto mais rico permite ao S1 generalizar para tarefas longas que não estavam presentes no pré-treinamento. 15

A empresa descreve a abordagem como um equivalente, na robótica, ao ato de dar um prompt a um modelo de linguagem: as capacidades básicas permanecem fixas, enquanto a demonstração fornece o contexto específico da tarefa.

Café, plantas, panquecas e montagem

A Skild mostrou o S1 realizando diferentes fluxos de manipulação, entre eles:

• Preparar café filtrado pelo método pour-over;
• Plantar uma muda em um vaso;
• Montar um kit;
• Virar uma panqueca.

Algumas demonstrações duram até 10 minutos e envolvem dezenas de ações sequenciais. 135

A empresa também relata testes qualitativos para indicar que o S1 não está apenas repetindo movimentos memorizados. Nesses testes, o modelo teria reagido a mudanças no cenário, tentado novamente depois de alguns erros, substituído um regador por um copo quando o objeto demonstrado não estava disponível e corrigido o manuseio desajeitado de um ovo feito pela pessoa que serviu de modelo, em vez de copiá-lo literalmente. Esses sinais apontam para alguma flexibilidade comportamental, mas vídeos de demonstração, sozinhos, não comprovam confiabilidade em uma ampla variedade de ambientes. 5

Comparação com modelos VLA comandados por linguagem

A comparação mais específica divulgada pela Skild vem de uma avaliação interna com tarefas inéditas. Com 100 mil horas de dados de treinamento, a empresa registrou uma taxa média de sucesso de 66% por etapa para sua política de aprendizado em contexto guiada por vídeo, contra 9% de uma linha de base VLA — sigla em inglês para modelo de visão, linguagem e ação — comandada por linguagem. 14

A Skild também diz que o VLA orientado por linguagem sofreu uma degradação de desempenho de até três vezes maior que a do S1 quando as condições de implantação mudaram significativamente. Entre os exemplos estão objetos diferentes dos usados na demonstração ou um plano de execução que exigia usar o braço oposto. 1

Outra comparação divulgada pela empresa estimou que um único prompt em vídeo produziu desempenho equivalente a aproximadamente 380 episódios de pós-treinamento específico da tarefa em uma política pré-treinada. 1

Esses números ajudam a explicar por que o vídeo pode ser importante: ele comunica não apenas o resultado desejado, mas também sequência, tempo, disposição dos objetos, uso de ferramentas e estratégia física. Ainda assim, os dados devem ser entendidos como evidência interna da Skild, e não como um benchmark independente reproduzido por terceiros. O material disponível não inclui um artigo público, os pesos do modelo ou uma avaliação externa padronizada. 415

Em quanto tempo o S1 começa a tarefa?

A Skild descreve o S1 como um sistema que opera em tempo real depois de assistir à demonstração. Notícias sobre o lançamento também disseram que o robô poderia executar a tarefa imediatamente após visualizar o vídeo. 25

Não há, porém, evidência suficiente para estabelecer um intervalo verificado — como “em poucos segundos” ou “em 11 minutos” — para o sistema em geral. As fontes fornecidas não comprovam um tempo específico entre o fim do vídeo e o início da execução. Essa diferença é relevante em ambientes industriais, nos quais tempo de preparação, latência de inferência, verificações de segurança e capacidade de recuperação podem ser tão importantes quanto a taxa bruta de sucesso.

A estratégia de dados da Skild

A Skild atribui parte do desenvolvimento de seu modelo de robótica de uso geral a uma ampla infraestrutura de dados. A empresa afirma utilizar simulações em larga escala, vídeos de ações humanas disponíveis na internet, dados de robôs, teleoperação e informações coletadas em implantações reais. Os materiais da Série C também descrevem um ciclo de dados em que as implantações geram novas experiências, capazes de melhorar o modelo em diferentes robôs e ambientes. 37

No SMARTCLOUD SHOW, o cofundador Abhinav Gupta teria dito que a Skild usa “todo tipo” de método de coleta de dados robóticos e acumulou 100 a 1.000 vezes mais dados que os concorrentes. Esse multiplicador é uma afirmação da empresa, não uma comparação setorial auditada publicamente. 6

Na prática, a estratégia combina fontes que ensinam partes diferentes do problema: vídeos de pessoas oferecem exemplos de objetos e ações; a simulação amplia a variedade de corpos robóticos e ambientes; e os dados de robôs reais conectam essas abstrações ao controle físico.

O que significa “omnicorporal”

O S1 faz parte da estratégia mais ampla da Skild para criar um “cérebro omnicorporal” para robôs. O termo não significa que um robô bípede, um quadrúpede, uma plataforma com rodas e um braço robótico se movimentem da mesma maneira. Juntas, sensores, rodas, pernas, braços e articulações diferentes permitem ações distintas. 45

A ideia é que a arquitetura aprenda regularidades físicas transferíveis entre plataformas e depois traduza essas expectativas para as capacidades de cada robô. Assim, um único modelo pode compartilhar conhecimento entre diferentes configurações e adaptar suas saídas aos atuadores e sensores disponíveis. 45

A abordagem busca reduzir a necessidade de criar e manter um modelo completamente separado para cada configuração de hardware. A Skild também afirma treinar em grandes quantidades de corpos robóticos simulados para aprender comportamentos físicos mais gerais. 4245

Onde a tecnologia está sendo implantada

A Skild anunciou parcerias com a ABB Robotics e a Universal Robots para integrar seu software a sistemas industriais. A Reuters também informou que a Skild e a Nvidia estavam implantando o cérebro robótico em linhas de montagem associadas aos sistemas Nvidia Blackwell. 3444

Esses anúncios indicam um caminho para testes comerciais, mas não oferecem um histórico público completo de desempenho. As evidências disponíveis não estabelecem números auditados de produtividade fabril, disponibilidade, taxa de erros, incidentes de segurança ou retorno sobre o investimento. Uma implantação mostra que a tecnologia está sendo testada ou integrada — não que ela já tenha substituído a automação convencional em larga escala.

O que a avaliação de mercado indica — e o que não indica

O interesse dos investidores na Skild é expressivo. A Bloomberg informou que uma rodada Série C de US$ 1,4 bilhão, liderada pelo SoftBank, avaliou a empresa em mais de US$ 14 bilhões, mais que triplicando seu valor em aproximadamente sete meses. 17

Outros relatos colocam o financiamento acumulado da Skild acima de US$ 1,8 bilhão, mas os números variam conforme a fonte e não devem ser tratados como um total auditado definitivo. 182122

A comparação com um “momento ChatGPT dos robôs” deve ser vista como uma analogia, não como uma conclusão consolidada. O S1 aponta para uma possível mudança na forma como robôs adquirem habilidades: do retreinamento tarefa por tarefa para o aprendizado a partir de demonstrações. O investidor Ravi Mhatre chamou o lançamento de um “momento GPT-3” para tarefas de trabalho humano de longo horizonte, mas essa é uma avaliação de investidor, não uma validação científica independente. 10

Em resumo

A ideia mais importante do S1 não é simplesmente fazer um robô imitar um vídeo. É mostrar que um modelo de base pode usar uma única demonstração para combinar habilidades, adaptar-se a mudanças no ambiente e executar uma sequência longa sem atualizar seus pesos para aquela tarefa específica.

O resultado divulgado de 66% contra 9% e as demonstrações de tarefas longas tornam a proposta tecnicamente relevante. 14 A ressalva é igualmente importante: as evidências públicas ainda são dominadas por materiais da própria empresa, demonstrações selecionadas e anúncios iniciais de implantação. Até que pesquisadores externos reproduzam os resultados em condições padronizadas — e clientes industriais divulguem dados de confiabilidade e segurança — o S1 deve ser visto como uma direção promissora para a inteligência artificial física, não como prova definitiva de que chegou o cérebro robótico de uso geral.