从技术领先到商业成功。
2023年，全球机器人行业正陷入双重困境。
一方面，垂直领域专用机器人竞争白热化，企业陷入“精度内卷”与“成本大战”的红海；
另一方面，行业普遍受制于“专用模型桎梏”，多数产品需针对单一硬件、单一任务定制开发，跨场景、跨硬件适配性极差，且物理世界数据收集缓慢昂贵，难以形成规模化价值。
与此同时，来自卡内基梅隆大学的迪帕克·帕塔克（Deepak Pathak）与阿比纳夫·古普塔（Abhinav Gupta）正式成立Skild AI。
其中，帕塔克曾任职Meta FAIR（元宇宙基础AI研究），是MIT“35岁以下科技创新35人”入选者，深耕机器人自主学习领域多年；古普塔作为卡内基梅隆大学机器人研究所终身教授，是Meta FAIR Robotics创始成员，在计算机视觉与物理常识整合领域造诣深厚。
基于这种创始团队的背景，Skild AI在成立之初便锚定“具身智能基础设施”的定位，而非局限于单一机器人产品，致力于推动通用具身智能（AGI）普及，让智能机器人像智能手机一样渗透至各场景。
Skild AI的价值在于“跨硬件泛化能力”与“自主学习能力”，其核心产品Skild Brain机器人基础模型，以Transformer架构为核心，无需针对特定硬件或任务重新训练、编程，即可适配四足机器人、人形机器人、移动机械臂等多种硬件形态。
更具颠覆性的是，该模型融合“人类视频学习”技术，整合合成数据生成、情境学习、好奇心驱动自主学习等核心技术，能从数万亿人类行为视频中提取物体操控逻辑，结合“合成数据生成”与SIM2REAL（虚拟到现实训练）技术，通过海量人类视频、模拟数据与现实操作数据构建训练闭环，实现通过观察人类行为完成自主进化，这种“数据驱动+跨载体适配”的差异化定位，既解决了物理世界数据稀缺的行业痛点，又能以低成本实现技术突破。
为了能够验证技术商业化的可行性，Skild AI在极短时间内完成了MVP的落地测试：依托英伟达的计算基础设施与仿真库，基于现有机械臂硬件，成功实现Skild Brain模型的部署与测试。
测试中，机械臂在未经过针对性训练的前提下，不仅完成了基础的物料搬运任务，还展现出“涌现行为”——能自主接住滑落物体、调整物体摆放方向，甚至通过情境学习分析行动效果并动态修正动作，这种类似人类直觉的自适应能力，正是Skild Brain模型差异化优势的直观体现。
MVP只需要通过数小时数据收集即可达成60%-80%的任务性能，部署成本较传统定制化机器人系统降低90%以上，精准解决了传统机器人行业“落地成本高、适配性差”的痛点。
同时，Skild AI也构建了初步的商业模式，明确以“Skild Brain通用基础模型技术”与“顶尖研发团队”为核心，聚焦于模型迭代训练、跨硬件适配测试、合成数据生成三大板块。
另外，初期精准锁定“半导体晶圆厂、第三方物流、危险环境巡检等科技巨头与硬件厂商”，这些潜在客户普遍存在招工难、 场景变化快和传统方案部署周期长的问题。如果上线时间能够小于两周，正确率能够高于95%且无需改造现有设备，那么他们就会愿意购买。既规避了初创企业自建硬件产能、渠道的高成本风险，又能借助合作方的硬件资源与场景优势，快速验证技术在不同场景的适配性。
而收入来源则对标 Universal Robots 软件包的方式，暂定为按机器人台数订阅2000美元/月/台，后续规划迭代为“API开放+定制化服务”的混合模式，效仿OpenAI的开放策略，通过接口开放实现规模化扩张，同时以定制化服务提升客户粘性。通过对10家潜在客户的6类不同类型机器人的实际运行，达标率达到95%，其中3家付费试点，平均19天完成签约。
从整体上来看，区别于依赖视觉-语言模型（VLM）的竞品，Skild AI直接整合动作信息，强调物理常识与实时适应性，更贴合工业、仓储等真实场景的需求；其数据训练体系更是行业领先，整合在线视频、人类远程操控、现实环境数据及大规模模拟训练数据，数据规模比行业竞品多至少1000倍。而Skild AI提出的“机器人领域GPT-3时刻”，Skild Brain有望打破专用模型的局限，重构物理世界的机器人智能体系。
2023年8月，成立仅两个半月的Skild AI顺利完成由Lightspeed Venture Partners与Sequoia Capital联合领投的1450万美元种子轮融资。
二、A轮：早期客户开拓（2023-2024）
完成MVP之后，Skild AI加快推进研发工作，并进一步验证商业化可行性。
2024年2月，Skild AI与LG CNS正式签署首个120万美元的商业合作协议，这一里程碑事件标志着其从“实验室技术研发”向“商业化落地”的关键跨越，
LG CNS作为LG集团的核心技术子公司，深耕工业自动化、智能家居与企业数字化解决方案领域数十年，不仅拥有成熟的硬件制造体系、全球供应链整合能力，更手握大量工业、家庭场景的落地资源，其对机器人技术的商业化判断力远超普通终端客户。
LG CNS为Skild AI开放了其全球范围内的工厂、物流中心与家庭场景测试基地，Skild Brain模型得以接入真实物理环境中的操作数据——包括不同材质物体的抓取逻辑、复杂空间的移动避障、动态场景下的行为预判等，这些真实数据补充了此前仿真训练的短板，大幅提升了模型的鲁棒性与适应性。
双方第一个合作场景选择在首尔半导体仓库巡检。Skild AI通过使用5台Unitree B1 和1台Skild Edge，完成在夜间关灯场景下对8米高货架的盘点，通过不到5天的部署，成功率达到93%，节省了两名夜班工人，年省人工成本8.4万美元。
通过与LG CNS的合作，Skild AI从“通用机器人大脑技术”具象化为“场景化机器人解决方案”，让技术价值更易被市场感知。更为关键的是，该合同验证了“API开放+定制化服务”混合商业模式的可行性——后续可向LG及其他客户开放Skild Brain API接口，同时针对不同场景提供适配服务，兼顾规模化扩张与高附加值收益。
同时，在LG合作的基础上，Skild AI快速拓展了工业自动化、医疗辅助、智能零售三大目标行业，与2家汽车零部件制造商、1家美国区域医疗机构达成试点合作，形成了可复制的“巨头标杆+中小试点”客户结构。
其中，与汽车零部件厂商的试点合作，将Skild Brain模型部署于工厂机械臂，实现了零部件装配、检测、分拣全流程的自适应操作，较传统定制化机器人系统部署成本降低85%，生产效率提升20%，这一成果进一步验证了技术在工业场景的商业化价值。
到了2024年中，Skild Brain模型已实现三大核心突破。
在硬件适配方面，涵盖人形机器人、四足机器人、工业机械臂、移动分拣机器人等8种不同的主流形态，适配效率较行业平均水平提升3倍，无需客户进行二次开发即可快速部署；
在训练数据规模方面，数据量已经达到了10TB，其中真实场景数据占比提升至30%（其余为合成数据与人类视频数据），是同期同类竞品数据规模的1000倍以上，未训练任务完成率提升至82%，可实现物体旋转定位、细微动作修正等人类下意识行为，技术指标远超行业平均水平；
在知识产权布局方面，累计申请35项发明专利，覆盖自监督学习、SIM2REAL迁移、人类行为视频解析等核心技术，构建了完整的知识产权护城河，从法律层面阻止竞争对手的技术模仿。
2024年7月，Skild AI完成由SoftBank Vision Fund 2领投，种子轮投资方Lightspeed、红杉资本持续加注，软银愿景基金、Coatue Management、贝佐斯家族办公室Bezos Expeditions等跟投的3亿美元A轮融资，公司估值飙升至15亿美元。
三、B轮：初步生态建设（2024-2025）
2025年，具身智能赛道竞争日趋激烈，特斯拉、亚马逊、谷歌等巨头纷纷加码通用机器人模型研发，但多数玩家仍停留在单一场景或单一硬件适配阶段，尚未形成完整生态。
而Skild AI已经跳出单一技术输出的局限，以Skild Brain通用模型为中枢，通过“技术授权+API开放+定制化解决方案”三重路径实现价值变现，同时与上下游伙伴建立深度协同关系。
在上游，依托英伟达AI计算基础设施与仿真平台，解决模型训练的算力与数据稀缺痛点；在中游，适配LG、三星等头部硬件厂商的产品矩阵，快速扩大模型覆盖的硬件形态与场景范围；在下游，联合CommonSpirit等行业标杆客户，探索医疗、高端制造等垂直场景的规模化落地，形成生态内的价值循环。
在技术层面，Skild AI在2025年初完成Skild Brain 2.0版本迭代，进一步强化生态核心壁垒。
在硬件适配方面，新增了工业巡检机器人、医疗辅助机械臂、智能仓储移动机器人等细分品类，适配效率再提升50%，可实现“模型一键部署+硬件自适应调试”，大幅降低客户使用门槛；
在自主学习能力方面，融合多模态数据融合技术，人类视频学习效率提升3倍，能快速复制人类在复杂场景中的应急处理逻辑，未训练任务完成率提升至87%，在高精度装配、医疗护理等复杂场景的表现远超行业竞品；
在算力优化方面，通过与英伟达的深度协同，基于Hopper架构GPU实现训练效率提升2倍，模型部署成本再降30%，进一步强化“低成本+高适配”的竞争优势。
同时，Skild AI累计申请发明专利达68项，覆盖自监督学习、跨模态迁移、生态适配接口等核心领域，构建起完整的知识产权护城河，阻止竞争对手对生态模式的模仿。
2025年2月，软银向Skild AI追加5亿美元B轮投资，公司估值升至40亿美元，英伟达、三星电子也参与本轮投资。
2025年10月，Skild AI在英伟达GTC全球大会上正式宣布，其Skild Brain 2.0软件将独家适配英伟达休斯顿GPU超级工厂的自动化升级项目。
该工厂作为全球顶尖的GPU制造基地，对生产流程的精度、安全性、协同性要求极高，传统自动化设备仅能完成单一固定流程，难以适配芯片制造中多环节、动态调整的复杂需求。
Skild Brain 2.0通过整合机械臂、移动检测机器人、智能物流车等多类硬件，实现全流程智能协同：机械臂根据芯片制程动态调整装配精度，检测机器人实时反馈产品缺陷并触发修正指令，物流车根据生产进度自动调配物料，整体生产效率较传统模式提升40%，不良率降低25%。
这一合作不仅为Skild AI带来超千万美元的单笔订单，更以高端制造业的标杆案例，验证了其技术在核心工业场景的商用价值，彻底打开工业自动化的广阔市场，成为生态模式成功的关键佐证。
四、C轮：初步生态建设（2025-2026）
2025年底，Skild AI完成Skild Brain 3.0版本迭代，实现四大核心突破。
在硬件适配能力方面，新增了外骨骼机器人、农业植保机器人、水下探测机器人等细分品类，适配效率较行业平均水平提升4倍，可实现“模型一键部署+硬件自适应调试+动态故障修复”全流程自动化，大幅降低中小客户的使用门槛；
在自主学习能力方面，融合因果推理与强化学习技术，人类视频学习效率再提升2倍，能精准复刻人类在复杂场景中的决策逻辑与应急处理能力，未训练任务完成率跃升至90%，在高精度芯片装配、微创医疗辅助等复杂场景的表现已超越人类熟练操作者的平均水平；
在数据与算力体系优化方面，训练数据规模突破1000TB，其中真实场景数据占比提升至45%，依托英伟达H100 GPU集群实现训练效率再提升3倍，模型部署成本降低了60%，进一步强化“低成本+高适配+高精度”的竞争优势；
在知识产权布局方面，累计申请发明专利达100项，授权专利62项，覆盖跨硬件适配接口、人类行为解析算法、生态协同协议等核心领域，牵头制定通用机器人大脑的行业技术标准，从根源上抬高行业进入壁垒。
基于三年积累的技术与场景经验，公司形成三大标准化行业解决方案，实现商业价值的批量释放。
其中，医疗辅助机器人解决方案，与CommonSpirit医疗集团、韩国延世大学附属医院等合作，针对老年护理、康复训练、手术室辅助三大场景提供产品，2026年将在全球10家医院正式推广，可降低护理人员工作负荷40%，手术辅助精度提升15%，单院年服务费达50-80万美元；
智能零售服务机器人解决方案，联合三星、LG打造适配超市、便利店、高端百货的场景化产品，提供货架补货、客流分析、智能导购等功能，计划2027年进入全球500家门店，单店部署成本较传统定制方案降低70%，已与沃尔玛、易买得等零售巨头签订试点协议；
工业协作机器人解决方案，与施耐德电气、宝马集团达成战略合作，针对中小企业的柔性生产需求，提供轻量化、低成本的自动化解决方案，计划2028年覆盖全球1万家中小企业，单套设备售价控制在10万美元以内，远低于行业同类产品25万美元的平均价格。
2025年底，公司核心客户数量扩展至近30家，涵盖高端制造、消费电子、医疗健康、零售四大领域，客户续费率维持在88%的高位，其中90%的核心客户选择升级至Skild Brain 3.0版本并签订长期合作协议。
此时，Skild AI已从“生态构建者”升级为“生态主导者”，通过开放平台与标准输出，放大生态网络效应。API接口注册开发者达1.1万人，较2025年增长120%，推出的开发者扶持计划已孵化50余个场景化应用，覆盖教育、物流、农业等新兴领域；
生态协同模式进一步深化，与Salesforce达成合作，将Skild Brain模型接入Salesforce客户关系管理（CRM）系统，为零售、服务行业客户提供“智能机器人+客户管理”一体化解决方案；
与三星、LG联合搭建硬件适配平台，开放标准化适配接口，吸引全球30余家硬件厂商加入生态，实现“一次开发、全生态适配”，大幅提升生态整体竞争力。这种“核心模型+开放平台+伙伴协同”的生态模式，既巩固了Skild AI的行业主导地位，又为后续增长提供了无限想象空间。
2026年1月，Skild AI正式完成14亿美元C轮融资，估值从7个月前的40亿美元飙升至140亿美元，实现3.5倍跨越式增长，成为2026年全球首个诞生的千亿级独角兽企业。
回顾历史，我们对于垂直领域专用机器人模型，以及通用机器人模型的理解和商业化应用的时间并不算太长。
专用机器人始于20世纪中后期工业自动化的兴起，核心驱动力是单一场景的高效作业需求。当时制造业、仓储物流等领域，亟需替代人工完成重复、高强度、高精度任务。
1960年代，首台工业机器人Unimate投入通用汽车生产线，仅能执行单一焊接任务，其 “大脑” 本质是固定逻辑程序，可视为专用模型的雏形。
而通用机器人大脑模型的出现，则是源于技术能力提升后的跨界适配需求。
2010年后，随着深度学习、计算机视觉技术的突破，以及机器人硬件形态的多元化，行业逐渐意识到专用模型的局限性，无法满足服务、医疗、农业等多领域的碎片化需求。同时，消费级与特种机器人的兴起，要求机器人具备跨场景自适应能力。
而从2020年至今，生成式AI与具身智能的爆发，推动通用模型从实验室走向商业化，与专用模型形成互补格局，Skild AI等企业成为通用模型的标杆实践者。
当前，专用与通用机器人大脑模型并非替代关系，而是融合共生：专用模型聚焦垂直领域的极致精度，通用模型提供跨场景基础能力，二者结合形成 “通用底座 + 专用模块” 的架构。
随着具身智能技术的发展，通用模型将进一步聚焦于 “自主决策、人机协同”，而专用模型则持续深耕细分场景的技术壁垒，共同推动机器人从 “工具” 向 “智能体” 进化。
