從 Demo 到 1 億美元只花十個月：Skild AI 宣告機器人部署時代來臨

只花了十個月。2026 年 9 月 9 日，總部位於匹茲堡的 Skild AI 宣布跨過1 億美元年營收跑速率（ARR）里程碑——距離它的第一次商業部署僅十個月。這套軟體如今運行在超過 60 家公司的數百台機器人上（年初時只有 8 家），涵蓋製造、物流、巡檢、保全與餐飲備製。對一家賣的不是「單一任務自動化程式」、而是通用機器人大腦的公司來說，這個數字是目前最明確的訊號：實體 AI 正從研究 demo 轉入經常性收入的商業階段。

里程碑背後的數字

這些數據來自 Skild 自己的公告，並由 Bloomberg 證實：1 億美元經常性收入跑速率、超過 60 家付費客戶、數百台部署機器人，遍布倉庫、工廠與資料中心。Skild 總裁上個月向 The Next Web 透露，2025 年營收約 3,000 萬美元——這代表公司一年內把營收規模放了約三倍。其中移動類應用占營收約 10%，「Fetch」取放方案占 4%，其餘以操作類工作為主。

商業進展也回頭驗證了該公司今年 1 月那輪 14 億美元、估值超過 140 億美元的融資——據報是機器人 AI 領域史上最大單筆，由 SoftBank 領投，Amazon 參投，Nvidia 據報也在投資人之列。當時不少觀察者質疑：一家還沒有規模營收的機器人實驗室，憑什麼值這個價？十個月的部署之後，這個問號已經淡了。

客戶到底在買什麼

Skild 賣的東西只有一樣：Skild Brain——一個設計來控制多種機器人身體的基礎模型。最新版本 S1 能從單支影片示範學會一項從未見過的任務：不需要微調、不需要蒐集新資料集、不需要重新訓練。操作員錄下一個人做這項工作的影片，機器人會解讀其中的意圖、物件與步驟順序，然後執行——包括長達十分鐘、數十個操作步驟的任務。

幾個旗艦部署案例說明了這個「通用」主張在實務上有多寬：

• NVIDIA 與 Foxconn——Skild Brain 部署在雙臂機械手臂上，執行 NVIDIA Blackwell 系統的高精度組裝。在一個展示流程中，機器人安裝匯流排與限位塊、鎖上 16 根螺絲，並在任務中途適應干擾。這類工作隨每個產品週期改變——正是過去必須重新編程產線上每台機器人的那種變動性。
• 住友電氣工業（Sumitomo Wiring Systems）——部署 S1 自動化線束製造中長年被視為「不可能」自動化的製程，因為這種工作本質上無法用固定程式描述。
• 三井物產（Mitsui & Co.）——在日本每天供應 140 萬份餐點的供應鏈中，試營運由 S1 驅動的通用機器人於商業廚房。

這個跨度——GPU 組裝、線束製造、餐飲服務——正是重點。傳統自動化供應商需要三條產品線；Skild 出貨的是同一個模型。

為什麼情境內學習改變了經濟學

這件事的商業意義（而不只是學術意義）在於機器人部署的成本結構。傳統工業機器人為固定工作而生：每個新產品、每次產線調整、每個製程變更，都意味著重新蒐集資料、重新訓練、重新驗證。Skild 給出了鮮明的對比數字——在全新的多步驟任務測試中，S1 每一步的成功率約 66%，而可比的 AI 系統只有 9%，差距超過七倍。該公司估計，單支示範影片的效果約等同於 380 次人工訓練範例——若由人工蒐集，需要 50 到 100 小時的遙操作。

在一項盆栽換盆測試中，團隊從錄製示範到硬體上自主執行，只花了11 分鐘。這就是「機器人是資本支出專案」與「機器人是工具」之間的差別。

底層的 NVIDIA 技術棧

S1 是在 NVIDIA AI 基礎設施上建置與訓練的，這項合作（NVIDIA 於 9 月 10 日在官方部落格詳述）貫穿整個開發週期。NVIDIA Cosmos 世界基礎模型用來多樣化訓練資料、把影片轉成結構化描述；Cosmos Curator 負責大規模標註與篩選。訓練與驗證在 NVIDIA Omniverse 與 Isaac Sim 中進行，並透過 Isaac Lab（由 Newton 物理引擎驅動）做強化學習，精確模擬力量、接觸與碰撞——縮小模擬到現實的落差。部署端，TensorRT 優化推論延遲，讓機器人的反應快到足以應付物理世界。

尤其值得注意的是，兩家公司正在共同開發新的 GPU 加速模擬求解器，專攻接觸豐富的操作——精確建模機器人如何觸碰、抓取與操作固體物件——未來將開放給所有開發者，成為 Newton 的一部分。這是嵌在商業合作裡的開源貢獻，也說明了實體 AI 的未來工具鏈有多少正在公開建造中。

部署飛輪

Skild 公告中最有意思的論點不是財務，而是文化。「Demo 的時代結束了；部署的時代開始了，」共同創辦人 Deepak Pathak 與 Abhinav Gupta 寫道。他們把 demo 文化描述為有害的：一台成功率 10% 的機器人和一台 99% 的機器人，可以拍出看起來一模一樣的精華片段；如果公司表揚的是 demo，工程師就會去做 demo。

他們的替代方案是他們所稱的 physical RSI——透過部署實現的遞迴自我改進：部署通用模型；讓每個部署將它特化；把特化資料帶回通用基礎模型；再用更強的通用模型去部署。對一個已精通單一任務的專家模型毫無價值的經驗，對一個正在學習多種任務的通才仍然珍貴。他們的比喻是：想像讓高中時的自己，在平行宇宙裡分別念完化學、物理、數學博士，再把所有專業知識蒸餾回同一個學生身上。每一次部署，都讓下一次部署需要的特化更少。

歐洲的伏筆

還有一個值得關注的細節：歐洲《機械法規》（Machinery Regulation）將於 2027 年 1 月 20 日取代機械指令，首次明文涵蓋具有「自我演化行為」的機械——出貨後會改變自身行為的機器。這類系統將需要公證機構（notified body）評估，而非製造商自我宣告。一個以「執行訓練資料中不存在的任務」為賣點的模型，正好落在這個定義的核心附近。目前還沒有任何此類系統被評估過（因為制度尚未生效），Skild 也未透露是否銷售到歐洲——它點名的客戶都在日本和美國。但隨著實體 AI 商業化，十六個月後上路的這套監管制度，將是第一個直接面對「邊工作邊學習的機器人」的法規。

接下來看什麼

Skild 的軌跡如今有三個懸念。S1 在未見任務上 66% 的步驟成功率，能否推向部署級可靠度？速度會有多快？部署飛輪真的會複利成長嗎——特化資料確實能強化通用模型，還是會稀釋它？以及，Physical Intelligence、Generalist AI 這些追逐同一「通用大腦」命題的對手，會追上 Skild 的商業速度，還是在模型能力上反超？此刻，這家承諾為機器人帶來「BERT 到 GPT-3 時刻」的公司，手上有比基準分數更具體的東西：一個九位數字的營收跑速率，而且是一次一個部署掙來的。