Skild AI、動画1本から作業学習するロボ基盤モデルS1発表

米ロボットAIスタートアップのSkild AIは2026年9月、NVIDIAのフィジカルAI技術群を活用し、オペレーターが撮影した1本のデモ動画をプロンプトとして入力するだけで、事前学習にない未知の複雑な長手番作業を自律習得・実行できるロボット基盤モデル「S1（動画提示のみで未学習タスクを実行できるSkild AIのロボット基盤モデル）」を発表した。モデルの重み更新やタスクごとの再学習を行うことなく、最大10分間に及ぶ多段階の作業を適応実行できる。

デモ動画から11分で実機稼働、各ステップ成功率66%を達成

従来の産業用ロボットは固定された定型動作向けに設計されており、製品仕様やレイアウト、新規タスクの追加が生じるたびに膨大なデータ収集と再プログラミング、現場検証が必要となっていた。

これに対し「S1」は、動画から作業の意図・対象物・順序を直接理解し、眼前のロボットの動作へとマッピングする「インコンテキスト学習（in-context learning）」を採用している。

• ​多様な作業適応​: 植木鉢の植え替え、パンケーキ調理、ハンドドリップコーヒーの抽出、キット組み立てなど、数十ステップに及ぶ複雑なマニピュレーション（手作業）に対応。
• ​迅速な展開とエラー回復​: 植木鉢の植え替えテストでは、デモ動画の撮影から実機ロボットによる自律動作開始までわずか11分で完了。途中で対象物が動かされた場合の位置修正や、失敗時の自己復帰能力も備える。
• ​圧倒的な成功率​: 未知の多段階タスクにおいて、各ステップの成功率は約66%を記録。類似の先行AIシステム（約9%）と比較して7倍以上の改善を達成した。
• ​データ収集コストの大幅削減​: 1本の短いデモ動画の提示は、人間が50〜100時間かけて収集する実機ティーチング約380回分に匹敵すると試算されている。

Foxconn工場でのBlackwell製造ラインへ先行配備

Skild AIの知能エンジン「Skild Brain」は研究室にとどまらず、すでに製造現場での実運用が進んでいる。Skild AI、NVIDIA、Foxconnの3社は連携し、Foxconnの工場において「Blackwell（NVIDIAの次世代GPUアーキテクチャおよびサーバーシステム）」システムの高精度組み立て作業に双腕ロボットを配備した。

ロボットはバスバー（大電流導体）やリミットブロックの設置、16本のネジ締めといった高精度な組み立て作業を担い、現場の状況が計画と異なる場合でも接触検知と自己位置推定によって自律的に作業を継続する。Skild AIは最初の商用展開から10か月で年間経常収益（ARR）ランレート1億ドルに達し、製造・物流・検査・警備など60社以上の導入パートナーを開拓している。

NVIDIAのフィジカルAIフルスタックが支える開発基盤

S1の研究・開発・実機展開は、NVIDIAのエンドツーエンドなAIインフラによって支えられている。

• ​データ生成と整理​: 世界基盤モデル「NVIDIA Cosmos」および「Cosmos Curator」を用いて動画データを構造化・アノテーションし、訓練データの多様性を確保。
• ​物理シミュレーション​: 「NVIDIA Omniverse」および「NVIDIA Isaac Sim」による仮想環境でエッジケースの検証を実施。さらに「Newton」物理エンジンを搭載した「Isaac Lab」により、把持や接触力、圧力などの物理挙動を高精度にモデル化し、強化学習（RL）でシミュレーションと現実のギャップ（Sim2Real）を埋めた。
• ​高速推論​: 現場の実機ロボット上でのミリ秒単位の応答を実現するため、「NVIDIA TensorRT」で推論処理を最適化。

「事前のプログラム記述」から「動画と経験による自己学習」への転換は、工場や倉庫における多品種少量生産の自動化を劇的に加速させるとみられる。産業用ロボット導入の最大の障壁であったティーチング工数を大幅に圧縮する技術として、今後の現場普及が注目される。

引用元：NVIDIA Blog