Skild AI、1本の動画からロボットに新作業を教える基盤モデルS1を発表

動画1本で新作業を学ぶ

米Skild AIは、これまで見たことのない長い手順の作業を、1本の動画デモンストレーションから学習するロボット基盤モデル「S1」を発表した。NVIDIAのブログが2026年9月10日に伝えたもので、同モデルはブログ公開の約1週間前にローンチされたという。SkildはS1の構築と研究をNVIDIAのAIインフラ上で行い、合成データ生成、モデル学習、シミュレーション、実機での物理AI展開にわたる協業を進めている。

S1は動画を入力として受け取り、タスクの内容を理解して実行する。このときモデルの重みは更新せず、タスク固有の追加学習(ポストトレーニング)も行わない。こうした方式はインコンテキスト学習と呼ばれ、事前学習データに含まれていない作業にも対応できる点が特徴とされる。

固定作業からの転換

多くの産業用ロボットは決まった作業向けに作られている。新しい製品や工程、レイアウトが入るたびに、より多くのデータと再学習、検証が必要になる。製造現場や倉庫、生産ラインは頻繁に変わるため、この制約が導入の壁になってきた。

S1では、オペレーターが目的の作業を撮影した動画をモデルにプロンプトとして与える。モデルは実演された意図や対象物、手順の並びを解釈し、目の前のロボットが実行する動作に変換する。再学習は不要で、事前学習データでカバーされていない作業でも動くことが多いという。

対応できるのは最長10分程度の未知の作業で、鉢植え、パンケーキ作り、ハンドドリップのコーヒー抽出、キット組み立てなどが例として挙げられている。数十の操作ステップにわたり、これまで経験したことのない順序でスキルを組み合わせる必要がある。鉢植えのテストでは、実演の録画から実機での自律実行まで11分で移行したとされる。

NVIDIAスタックの役割

Skildはシミュレーション、人間の動画、遠隔操作(テレオペレーション)、そして許諾が得られた範囲の実運用データを使い、共通の「ロボットの脳」を学習させている。NVIDIAのCosmosは学習データを多様化し、動画を構造化された記述に変換する。Cosmos Curatorは大規模なデータの注釈付け、フィルタリング、整理を支援する。

実機に投入する前の学習と検証には、OmniverseライブラリとIsaac Simが物理ベースの仮想環境を提供する。Isaac Labでは強化学習によってスキルを強化し、Newton物理エンジンを使って力、接触、衝突、圧力などの物理パラメータを精度よくモデル化し、シミュレーションと現実の差を縮める。エッジケースのテストや挙動の検証もこの環境で行われる。

両社はロボットが物体に触れ、把持し、操作する様子を高速かつ正確に模擬するGPU加速のシミュレーションソルバも共同開発しており、近くNewtonの一部として全開発者に提供される予定だ。学習時のボトルネック特定にはNVIDIA Nsight、推論の最適化にはTensorRTが使われる。これらの技術はデータ、シミュレーション、学習、展開の各段階をつなぐ役割を担う。

Foxconnでの実証

Skild、NVIDIA、Foxconnの3社は、NVIDIA Blackwellシステムの高精度組み立てに向けて、双腕マニピュレータ上でSkild Brainを展開している。公開されたワークフローでは、ロボットがバスバーとリミットブロックを取り付け、16本のネジを締め、多段タスクの途中で生じる外乱に適応する。正確な動作、接触を考慮した制御、手順の追跡、想定と異なる状況からの復帰が求められる作業だと説明されている。

事業面では、Skildは最初の商用展開から10か月で年間経常収益1億ドル規模に到達した。製造、物流、検査、警備、食品調理などの領域で60以上の展開パートナーシップを築いているという。顧客契約が許す範囲では、商用展開で得た経験をモデル全体に反映させ、次の展開を加速できるとしている。

66%という数字の読み方

Skildのテストでは、新規の多段タスクにおいてS1は各ステップで約66%成功した。類似のAIシステムでは9%で、7倍以上の改善になる。また、短い動画を1本見せることは、人手による実演データ約380件分に相当するとSkildは見積もっている。人がそれを手作業で集めると50〜100時間かかるという。

ただし66%は「各ステップの成功率」であり、タスク全体を最後まで完了できた割合ではない点には注意が必要だ。ステップ数が増えれば通しでの成功率は下がると考えられる。これらの数値はいずれもSkildのテストと試算に基づくもので、第三者による検証は原文に示されていない。