Skild AI sagt, sein S1-Modell lasse Roboter aus einem einzigen Video lernen

Skild AI stellt eine weitreichende Behauptung zum Roboterlernen auf

Skild AI hat S1 vorgestellt, sein Flaggschiff unter den Robotik-Grundlagenmodellen, und das Unternehmen präsentiert es als einen wichtigen Schritt hin zu vielseitigerer Robotik. Die zentrale Behauptung ist ambitioniert: Statt einen Roboter für jede neue Aufgabe neu zu trainieren, kann S1 ein einziges Video eines Menschen, der diese Aufgabe ausführt, als Teil des Prompts verwenden und das Verhalten dann auf einem Roboter nachbilden. Wenn das System wie beschrieben funktioniert, wäre das ein bemerkenswerter Bruch mit der langsamen, aufgabenweisen Anpassung, die den breiten Einsatz von Robotik bisher begrenzt hat.

Das 2023 gegründete Unternehmen hat fast 1,7 Milliarden US-Dollar eingesammelt, um das zu verfolgen, was es als universelles Robotergehirn beschreibt. Diese Größenordnung der Finanzierung zeigt, wie ernst Investoren die Möglichkeit nehmen, dass Robotik den Weg einschlagen könnte, den große Sprachmodelle in der Software gegangen sind: ein allgemeines Modell mit großen und vielfältigen Daten trainieren und es dann mithilfe von Prompting und Kontext an viele nachgelagerte Anwendungen anpassen. S1 ist Skild AIs bisher klarster Versuch zu zeigen, dass dieses Konzept auf physische Maschinen übertragbar ist.

Was S1 verändern soll

In aktuellen Robotik-Workflows erfordern neue Aufgaben oft ein Post-Training. Das bedeutet, Daten für eine bestimmte Handlung zu sammeln, das Modell abzustimmen, das Verhalten zu validieren und den Prozess zu wiederholen, wenn sich die Aufgabe ändert. Die Kosten sind nicht nur rechnerisch. Sie verlangsamen auch den Einsatz, verengen die Zahl praktikabler Anwendungsfälle und erschweren es, Roboter in weniger strukturierten Umgebungen zu skalieren.

Skild AI sagt, S1 behebe diesen Engpass durch In-Context Learning. CEO und Mitgründer Deepak Pathak beschrieb die Funktionsweise des Systems in einfachen Worten: Man gibt ein Video eines Menschen, der eine Aktion ausführt, als Teil des Prompts vor, und der Roboter kann diesem folgen. Nach Angaben des Unternehmens handelt es sich bei den Zielaufgaben nicht um kurze Demo-Schnipsel, sondern um komplexere, langfristige Verhaltensweisen.

Falls diese Fähigkeit trägt, wäre das bedeutsam, weil sich die Last vom expliziten Retraining hin zur Interpretation verschiebt. Der Roboter bräuchte nicht jedes Mal, wenn er eine neue Aufgabe erhält, einen maßgeschneiderten Fine-Tuning-Zyklus. Stattdessen würde er ein Grundlagenmodell nutzen, das bereits breite Vorannahmen über Handlung, Wahrnehmung und Steuerung verinnerlicht hat, und sich dann zur Laufzeit anhand des gezeigten Beispiels anpassen.

Warum Skild vier Datentypen kombiniert

Ein zentraler Teil von Skild AIs Argument ist, dass es in der Robotik keine einzelne beste Trainingsquelle gibt. Pathak führte vier Kategorien auf, die das Unternehmen für das Vortraining nutzt: Teleoperationsdaten, menschliche Videos, Simulation und Datenhandschuhe. Jede hat ihre Kompromisse. Teleoperation liefert hochrelevante Robotikdaten, ist aber langsam und teuer zu sammeln. Menschliche Videos sind reichlich vorhanden und vielfältig, passen aber nicht direkt zur Verkörperung eines Roboters. Simulation skaliert gut, kann aber von den Bedingungen der realen Welt abweichen. Die Handschuh-Erfassung liegt dazwischen und bietet skalierbarere menschliche Demonstrationen mit weniger direkter Übertragbarkeit als Teleoperation.

Skilds Position ist, dass sich das Feld oft jeweils zu stark auf einen dieser Wege verlassen hat. Durch die Kombination der Ansätze, so das Unternehmen, könne es die Stärken des einen nutzen, um die Schwächen eines anderen auszugleichen. Menschliche Videos liefern Breite. Teleoperation und Handschuh-Erfassung verbessern die physische Verankerung. Simulation erweitert den Abdeckungsbereich zu geringeren Kosten. Die Strategie zielt weniger darauf ab, eine makellose Datenquelle zu wählen, als vielmehr darauf, ein Modell zu bauen, das robust genug ist, um über unvollkommene Quellen hinweg zu generalisieren.

Dieser Ansatz spiegelt einen breiteren Trend in der KI wider, bei dem Umfang und Vielfalt der Trainingsdaten überraschende Generalisierung hervorbringen können. Robotik bringt jedoch eine härtere Einschränkung mit sich: Die Ausgaben des Modells müssen mit der physischen Welt interagieren. Ein Softwarefehler mag ärgerlich sein; ein Robotikfehler kann Eigentum beschädigen, eine Aufgabe scheitern lassen oder ein Sicherheitsrisiko erzeugen. Das macht die Datenstrategie zentral statt beiläufig.

Ein Modell für viele Roboter, nicht für einen Markt

Ein weiterer bemerkenswerter Aspekt von Skild AIs Start ist das, was das Unternehmen nicht tut. Es stellt S1 nicht für eine einzelne Branche oder eine eng definierte Roboteraufgabe in den Mittelpunkt. Stattdessen beschreibt es das Modell als domänenübergreifende Grundlage, die verschiedene Formfaktoren und Anwendungsfälle unterstützen kann. Das ist eine mutige Positionierung. Vertikale Robotikunternehmen sind oft erfolgreich, weil sie den Umfang eingrenzen, die Umgebung kontrollieren und auf einen einzigen Workflow optimieren. Skild setzt darauf, dass ein allgemeineres System über mehrere Kategorien hinweg nützlich werden kann.

Das Versprechen ist klar. Ein gemeinsames Grundlagenmodell könnte die Fragmentierung in der Robotikentwicklung verringern und Entwicklern sowie Herstellern ermöglichen, auf gemeinsamen Fähigkeiten aufzubauen, statt Wahrnehmungs- und Handlungsstacks für jedes Gerät neu zu erfinden. Es könnte auch den Weg von der Demonstration zur Einführung verkürzen, insbesondere in Umgebungen, in denen Aufgaben häufig wechseln oder nicht vollständig im Voraus skriptbar sind.

Das Risiko ist ebenso klar. Allgemeingültigkeit ist leicht zu versprechen und schwer zu beweisen. Der Artikel von The Robot Report stützt die Ankündigung auf Skilds Erklärung seines Trainingsdesigns und seines Inferenzverfahrens, liefert im bereitgestellten Text jedoch kein unabhängiges Benchmarking. Die wichtigste offene Frage ist daher die Leistung unter unterschiedlichen realen Bedingungen: verschiedene Roboterkörper, wechselnde Umgebungen, Grenzfälle und Fehlerbehebung.

Warum dieser Start jetzt wichtig ist

Auch mit diesen unbeantworteten Fragen ist S1 ein bedeutender Start, weil er zeigt, wohin sich die Robotikbranche bewegt. Das Feld verschiebt sich von enger Automatisierung hin zu modellzentrierten Systemen, die Lernen über Aufgaben und Maschinen hinweg übertragen wollen. Unternehmen möchten heute Roboter, die sich eher wie Software-Agenten anweisen lassen, wobei Demonstrationen und Kontext einen Großteil des manuellen Engineering-Aufwands ersetzen.

Skild AIs Start zeigt auch, wie stark die Robotik mit der allgemeinen KI-Entwicklung zusammenwächst. Grundlagenmodelle, Prompting, multimodale Daten und In-Context Learning sind nicht länger nur Software-Konzepte. Sie werden auch zu den ordnenden Ideen physischer Intelligenz. Ob S1 nun eine Durchbruchplattform oder ein Zwischenschritt wird, es spiegelt einen echten Wandel darin wider, wie führende Robotikunternehmen den Fortschritt erwarten.

Die unmittelbare Lehre ist nicht, dass Roboter allgemeines Lernen gelöst haben. Vielmehr treibt eines der bestfinanzierten Start-ups der Branche eine konkrete Antwort auf das Skalierungsproblem der Robotik voran: breit trainieren, mehrere Datenquellen kombinieren und Beispiele im Prompt den Großteil der Anpassung übernehmen lassen. Das ist eine folgenreiche Wette, und die Branche wird genau beobachten, ob S1 diese Theorie in verlässliches reales Verhalten umsetzen kann.

Dieser Artikel basiert auf einer Berichterstattung von The Robot Report. Zum Originalartikel.