机器人AI初创公司Skild AI表示，其机器人基础模型实现商用落地仅10个月，年化经常性收入（ARR）已突破1亿美元。

Skild AI首席执行官Deepak Pathak近日在社交平台X（前Twitter）透露了这一进展，并介绍了公司在商业化推进过程中的阶段性成果与思路。

据Deepak Pathak介绍，过去10个月，Skild AI已在物流搬运、配送、巡检、安防、烹饪，以及仓储、工厂和数据中心运营等场景获得超过60家付费客户。其中，移动出行业务约贡献公司10%的营收。

在具体合作方面，Skild AI与NVIDIA、Foxconn合作，将自研基础模型“Skild Brain”应用于双臂机器人，用于NVIDIA Blackwell系统相关的精密装配任务；与Sumitomo Wiring Systems推进线束制造流程自动化，该流程此前一直被视为较难实现自动化；与Mitsui & Co.则在日供餐量达140万份的供应链场景中，试点导入搭载最新模型S1的通用机器人。

Deepak Pathak表示，公司从一开始就将“部署”视为机器人技术的核心环节，而不仅仅是最终交付的一部分。在他看来，机器人AI能否成立，关键不在演示效果，而在于机器人能否真正进入客户现场完成安装、集成并稳定运行。

他指出，业内长期存在一种普遍认知，即只要做出足够强的智能模型，再配合接近人类水平的硬件，机器人终有一天会大规模普及。但现实并非如此。

Deepak Pathak称，机器人领域无法将部署问题后置。供应链如何设计、由谁负责安装、谁来完成系统集成、设备故障后由谁维护、流程发生变化后如何更新，这些问题都必须在实际现场中逐一解决。

他还表示，仅凭演示视频很难判断机器人系统的真实能力。“准确率是5%还是99%，如果只截取一个成功片段，画面看起来可能没有太大区别。”他举例称，团队去年训练机器人制作鸡蛋料理时，让机器人完成第一个煎蛋用了约一周时间，但要在不同鸡蛋和不同环境下实现稳定运行，又额外花了两个月。相比做出“最初95%”的能力，补齐“最后5%”往往需要投入更多资源。

在他看来，速度同样是商业部署的重要门槛。即使准确率达到99.9%，如果执行速度慢上10倍，仍然无法真正落地。以产线为例，若10个工位中有一半由机器人承担，只要其中一个工位速度偏慢，整条产线的吞吐能力就会被拖累。

他进一步指出，供应商更换零部件、工厂调整工位等变化会持续发生。如果每次变化都需要重新采集数据并再次训练模型，相关方案就难以具备可持续性。

基于上述判断，Skild AI推出了基于NVIDIA AI基础设施开发的最新模型S1。Deepak Pathak表示，操作员只需展示包含示范动作的视频，模型无需重新训练，即可立即执行新任务。

他同时提到，以演示为中心的文化，与以部署为导向的文化，在同一家公司内部很难长期并存。

Deepak Pathak表示，即便一台机器人的准确率只有50%，也可以从中截取一段看上去不错的演示视频；但要真正完成部署，剩余那50%的问题同样必须解决，而这往往更难。“我们选择为部署本身创造回报。”

此外，他还介绍了利用部署数据持续改进模型的“Physical Recursive Self-Improvement”概念：先将通过多机器人、多任务训练得到的基础模型部署到各类现场，再由模型通过in-context learning适应新任务，并把过程中积累的数据回流至基础模型，使下一轮部署能够从更优起点开始。Deepak Pathak再次强调：“演示时代已经结束，部署时代已经开始。”