2026年8月25日、Skild AIはロボット向け基盤モデル「S1」を正式に発表した。同社の公式ブログによると、S1は人間が操作する1本の動画から最大10分間にわたる多段階の物理タスクを学習でき、ファインチューニング（fine-tuning）や後訓練（post-training）を一切行わず、実機のロボット上でリアルタイム実行が可能だ。コーヒーのハンドドリップ、植物の植え替え、薄焼きパンケーキのフリップといった、訓練データに一度も登場しなかったタスクも含まれる。
ある具体的なエピソードが事態を端的に示している。S1がパンケーキのフリップに初めて挑戦した際、Skildチームは学習済みデータセット全体を検索したが、「パンケーキをひっくり返す」サンプルは一件も存在しなかった。それでもS1は1本のデモ動画から、分布外となるこの動作を推論し、実行に成功した。これはエンジニアリング的な調整の結果ではなく、真の汎化能力である。
66% vs 9%：数字が示すパラダイムの断絶
Skildの公式ブログが公開したコア性能データによると、同一の10万時間の事前学習データを使用した条件下で、S1は未知のタスクに対して66%の成功率を達成した。一方、同等規模の言語プロンプト型視覚-言語-行動モデル（VLA）の成功率はわずか9%であり、7倍以上の差がある。
もう一つの数字はさらに直接的だ。1本の動画プロンプトの効果は、タスク専用の後訓練サンプル約380件分に相当する。ロボット産業にとって、これは極めて大きな実用的意味を持つ。ロボット訓練データの収集コストは非常に高く、1時間分の遠隔操作データには専門スタッフによる長時間の協力が必要であり、Skild自身が公開している品質管理コストはデータ収集費用の3倍に上る。1本の動画プロンプトが数百件の専用デモを代替できるなら、新タスクの展開コストはオーダーが変わることになる。
なお、この66%という成功率はSkild社内のベンチマークによるものであり、独立した第三者評価機関による検証はまだ行われていない。ロボットベンチマークではタスク設定や環境条件が結果に大きく影響するため、この数字の普遍性はさらなる実環境データによる裏付けが必要だ。
技術的アプローチ：なぜ言語よりも動画がロボット訓練に適しているのか
現在主流のロボット基盤モデル（π0、RT-2、OpenVLAなど）の多くは、言語モデルのプロンプト手法を踏襲している。自然言語でタスクを記述し、モデルが行動シーケンスを生成する。しかしこのアプローチには本質的な限界がある。言語は本来曖昧だからだ。「カップをテーブルに置いて」という一文には、把持角度をどう調整するか、どの瞬間に指を離すかといった物理的な詳細は含まれていない。
S1は異なる技術的アプローチを選んだ。Skildの公式ブログはこれを「動画をプログラムとして扱う（treating video as the program）」と表現している。モデルは事前学習の段階からエピソードデータ（episodic data）を中核に据え、タスクの指定を常に言語ラベルではなくコンテキストデモンストレーションを通じて行う。これによりモデルは、言語と行動の統計的マッピングを記憶するのではなく、「デモンストレーターの意図」「機能的対応関係」「タスクの進捗状況」を推論することを根本的なレベルで学ぶよう強制される。
さらに重要なのは、スケールアップ後の性能差異だ。Skildの社内テストによると、事前学習データが少ない場合（1000時間）は言語プロンプト型戦略がコンテキスト学習をわずかに上回る（53% vs 43%）。しかしデータ量が10万時間に拡大すると、コンテキスト学習の優位性が爆発的に拡大し、分布シフト（distribution shift）が大きいL5条件下での言語プロンプト型モデルの性能低下速度はS1の3倍に達する。このスケールアップ優位性は、大規模言語モデルがパラメータ数増加に伴って創発能力を示す論理と極めて類似している。
会社の背景：140億ドル評価額、CMU研究室からの大きな賭け
Skild AIはカーネギーメロン大学（CMU）のDeepak Pathak教授とAbhinav Gupta教授が2023年に共同創業した。両者はロボット学習分野における学術的重鎮だ。The Robot Reportの報道によると、同社は2024年7月にLightspeed Venture Partners、Coatue、SoftBank、ベゾス率いるBezos Expeditionsが主導するシリーズAラウンドで3億ドルを調達し、評価額は15億ドルに達した。
2026年1月、SkildはSoftBank主導の14億ドルのシリーズCラウンドを完了した。参加者にはNvidiaのNVentures、サムスン、LG、シュナイダーエレクトリック、Salesforce Venturesが含まれ、評価額は140億ドルを超えた。2023年の創業から評価額140億ドルまで、3年に満たない。
この資金調達の軌跡自体が、ロボット基盤モデル分野に対する資本の判断を示している。ソフトウェア層の基盤モデルが次世代ロボット産業の主導権争いの焦点になるということだ。Skildの戦略的ポジションはロボット本体の製造ではなく、「他社のロボットに知能を提供するプラットフォーム」になることであり、これはAndroidがスマートフォンに果たした役割に類似する。同時に、競合はFigure AIやBoston Dynamicsといった完成品メーカーだけでなく、訓練基盤インフラを握るNvidiaやGoogle DeepMindといった巨人も含まれることを意味する。
真に注目すべき異常シグナル：汎化能力の源泉はどこにあるか
S1において最も深く掘り下げるべき技術的ポイントは、何ができるかではなく、汎化能力の源泉だ。
従来のロボット学習のボトルネックはアルゴリズムではなく、データ分布の脆弱性にあった。実験室で訓練されたモデルは、テーブルや照明が変わるだけで機能しなくなる。S1が示した「シーン変化に対するロバスト性」と「物体置換に対するロバスト性」（Skildブログ原文：robustness to scene perturbations and object substitutions）、さらには「欠陥のあるデモを改善できる」場合もあることは、単純なパターンマッチングではなく、より深い環境モデリング能力を示唆している。
Skildの事前学習データには、遠隔操作データ、UMIロボットデータ、一人称視点映像、シミュレーションデータが含まれる。シミュレーションデータの規模は「数兆件の物理シミュレーションエピソード」と表現されており、これが鍵だ。シミュレーションデータは本質的に多様性とランダム化特性を持っており、大規模シミュレーション事前学習こそがS1が単一の実映像から汎化できる根本的な理由の一つだ。この技術的アプローチはDeepMindのシミュレーション訓練加速の思想と一脈通じるが、S1はそれをリアルタイムコンテキスト学習の応用層まで推し進めた。
残る不確実性
S1の発表デモで選択されたタスクの種類は注目に値する。コーヒー、パンケーキ、植物——いずれも手指の巧みさ（dexterity）を重視した卓上操作シナリオであり、高速生産ライン、危険環境、長距離移動計画が必要なタスクではない。現在公開されているテスト範囲は、産業レベルの実環境におけるS1の性能を評価するには依然として限定的だ。
また、S1の66%成功率はSkildの社内テストデータだ。ロボットベンチマーク分野では、タスク設計、成功基準の定義、テスト環境の選択が結果に決定的な影響を与える。この数字の信頼性を検証するには、独立した再現実験と第三者評価が不可欠だ。
総合判断
S1の意義は既存のロボット訓練プロセスを代替することではなく、具体的な数字によって初めて明確に示された事実にある。十分な規模のシミュレーション事前学習を基盤として、ロボットのコンテキスト学習能力は言語時代のVLAから真の飛躍を遂げることができる。
言語プロンプト型ロボット戦略の根本的な問題は、言語そのものが物理世界の精細な制約をエンコードできないことだ。「タスクのプログラム」としての動画デモという発想は、この損失の大きい中間層としての言語を回避する。S1のコアとなる技術的賭けは、大規模シミュレーションデータとコンテキスト学習の組み合わせにより、言語型VLAよりも効率的な実環境（in-the-wild）汎化を実現できるというものだ。この点について、S1は社内ベンチマーク上で説得力のある初期証拠をすでに示している。
ロボット産業にとって次に答えるべき問いは「コンテキスト学習がロボットに使えるか否か」ではなく、「66%の成功率はどのような条件下で達成され、いつ90%以上の生産レベルの信頼性に到達できるか」だ。これはSkildが今後、実際の顧客環境において果たさなければならない約束であり、140億ドルの評価額が真に成立するかを問う核心的な試練でもある。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接