团队
创始人背景
- 创始人：Deepak Pathak（CMU 教授，前 Meta AI 科学家）+ Abhinav Gupta（CMU/FAIR 知名研究员）
- 团队基因：CMU 系核心团队，美国”通用机器人大脑”路线最强学术创业组合之一
- 全球扩张：2026-02 官方宣布在 Bengaluru（印度班加罗尔）设立办公室，配合加州与宾州队伍
来源：Skild AI 官网 (2026-04-07) + Bengaluru 官方博文 (2026-02-19)
招聘信号
- 在招岗位：44 个（截至 2026-04），覆盖 AI Research、Robotics Engineering、Software & Infrastructure、Hardware & Embedded Systems、Robotics Operations、Data & Training Operations 等方向
- 信号含义：公司已跨越纯研究阶段，进入部署、数据与基础设施能力齐全的扩张期
来源：Skild AI Careers (2026-04-10)
产品
一句话定位
- 形态：软件层 omni-bodied robot foundation model（不造本体）
- 技术路径：端到端分层 VLA（上层低频 manipulation/navigation policy + 下层高频 action policy）
- 数据策略：大规模仿真（10万机器人 multiverse）+ 互联网人类视频预训练 + 定向真实数据 post-training
- 团队基因：CMU 学术创业（Vision/Learning/RL 方向）
来源：官方技术博文 (2025-07-29)
核心产品
- Skild Brain：统一 omni-bodied robot foundation model，口号”Any robot. Any task. One brain.”
- 应用样例：安全巡检、移动操作、自主打包、工业 OEM 通用智能层、仓储端到端自动化（2026-04 通过 Zebra 收购切入）
- 交付形态：非单个 demo policy，而是跨 quadruped、humanoid、mobile manipulator、table-top arm、仓储 AMR 迁移的机器人大脑
来源：Skild AI 官网 (2026-04-07) + Zebra 收购博文 (2026-04-15)
机器人成本目标
- 目标成本：$4,000–$15,000/台（vs 传统工业机器人 $250,000+）
- 降本路径：端到端神经网络替代精确定位 + 编程，降低对高精度硬件和工程集成成本的需求
来源：NVIDIA 官方案例研究 (2026-05-25)
技术路线
Omni-Bodied Intelligence
- 训练规模：100,000 种 procedurally generated robots 构成的训练 multiverse
- 泛化能力：zero-shot 控制未见过的 legged / wheeled 机器人，包括极端案例（断腿 7-8s 适应、卡死轮子 2-3s 恢复、零样本走高跷）
- 分层架构：上层低频（manipulation /navigation policy）+ 下层高频（low-level action policy → joint angles + motor torques）
来源：Omni-bodied 官方博文 (2025-09) + NVIDIA 案例研究 (2026-05-25)
LocoFormer: Long-Context Adaptation
- 核心贡献：跨 episode 上下文 + 大规模 RL，让同一模型在电机故障、负载变化、轮腿切换等扰动下继续控制未见机器人
- 论文：arXiv:2509.23745
来源：LocoFormer arXiv 论文 (2025-09)
Learning by Watching — 从人类视频学习
- 核心理念：遥操作无法扩展到 foundation-model 规模（多样性与时间瓶颈）；互联网已有的人类视频构成”互联网规模机器人数据集”
- 效率：<1 小时机器人数据 + 视频演示可教会新技能
- 定位：将人类视频作为机器人训练的”无监督预训练数据”来源
来源：Learning by Watching 官方博文 (2026-01-12)
仿真规模
- 平台：NVIDIA Isaac Lab + Cosmos Transfer
- 规模：数千机器人实例跨多形态多环境并行训练
- 数据量：日均训练量相当于”千年经验”
- 训练策略：仿真预训练 → 互联网视频大数据 → 定向真实世界数据 post-training
来源：NVIDIA 官方案例研究 (2026-05-25)
商业验证
Zebra Technologies 机器人部门收购 (fact-id: f-ma-zebra-2026q2)
- 交易：Skild AI 收购 Zebra Technologies 机器人部门（前身为 Fetch Robotics），交易日期 2026-04-15
- 资产：Zebra 的 Symmetry Fulfillment 编排平台（实时协调机器人与一线工人）、仓储 AMR 硬件平台、已验证的物流环境部署
- 战略意义：从纯”大脑层”软件公司扩展为兼具硬件平台+编排系统+AI 大脑的垂直一体化方案；获得真实仓储部署数据飞轮
- 行业影响：Fetch Robotics 是仓储 AMR 领域最成熟的平台之一，此次收购将 Skild Brain 部署到端到端仓储履约流程
来源：Skild AI 官方博文 (2026-04-15) | YouTube 视频 (2026-04-15)
收入信号
- 收入：2025 年 live revenue 在几个月内从 0 增长至约 $30M（官方 Series C 稿口径，2026-01）
- 部署覆盖：安全、建筑、交付、数据中心、仓库和工厂组装等多个行业
来源：Series C 官方博文 (2026-01-14)
Foxconn Blackwell 产线部署
- 客户：Foxconn（富士康）
- 场景：NVIDIA Blackwell GPU 产线双臂组装任务（busbar pick-place → limit block → 16 颗螺丝钻入 → 移除 limit block）
- 意义：Skild Brain 在真实精密制造场景中的首个公开案例，证明长时序精密操作能力
来源：ABB 合作官方博文 (2026-03-19)
合作伙伴
- ABB Robotics：总裁 Marc Segura 公开表示将集成 Skild Brain 到 ABB 机器人组合
- Universal Robots：CEO Jean-Pierre Hathout 确认合作将为 cobot 引入高级 AI 能力
- NVIDIA：Isaac Lab / Sim + Cosmos 用于预训练
来源：Reindustrial Revolution 官方博文 (2026-03-19)
VinDynamics 战略合作 (fact-id: f-partner-vindynamics-2026q2)
- 合作方：VinDynamics（越南 Vingroup 旗下机器人技术公司）
- 内容：探索将 Skild Brain 集成到人形机器人系统中，面向真实世界部署
- 意义：Skild AI 首个公开的人形机器人硬件合作，标志着从 AMR/工业臂向人形本体的泛化能力验证
- 日期：2026-06-08（ACCESS Newswire / Yahoo Finance 报道）
来源：Yahoo Finance / ACCESS Newswire (2026-06-08) | The Business Journals (2026-06-08)
不确定性
- 收入可持续性、客户留存、模型交付方式与不同 OEM 上的真实泛化成本尚未公开
来源：分析师推断 + 无公开数据 (2026-05-31)
市场切入
- 当前切入口：工业 OEM、移动操作、巡检与包装等易规模化复制场景
- 路径：先做 brain layer 轻资产扩张 → 通过合作硬件厂和工业客户获取真实部署数据 → 反哺通用模型
- 依赖风险：不自研整机需依赖合作伙伴网络；部署规模决定数据飞轮速度
来源：Series C 官方博文 (2026-01-14) + 分析师推断
融资历史
| 轮次 | 金额 | 时间 | 投资方 |
|---|---|---|---|
| Series A | $300M | 2024-07 | Lightspeed、Coatue、软银系之外的多家机构 |
| Series C | $1.4B | 2026-01 | SoftBank、NVentures (NVIDIA)、Macquarie Capital、Bezos Expeditions 等 |
| 累计融资 | >$2B | 2026-01 | TechCrunch 引述 CEO 口径 |
来源：Series A 博文 (2024-07-09) + Series C 博文 (2026-01-14) + TechCrunch (2026-01-14)
竞争定位
核心壁垒
- 学术团队：CMU 系最强学术创业组合之一（Pathak + Gupta，视觉/学习/RL 方向）
- 融资能力：累计 >$2B，估值 $14B（2026-01 Series C），投资方覆盖 SoftBank/NVIDIA/Bezos 等顶级机构
- 叙事壁垒：omni-bodied / 硬件无关基础模型在投资人和行业层面已建立差异化认知
来源：TechCrunch (2026-01-14)
竞品差异
- vs Physical Intelligence（π）：同为 brain layer，但 PI 更偏真实世界数据（从超市/洗衣等真实部署收集数据），Skild 更偏仿真 + 人类视频预训练
- vs Covariant：Covariant 专注仓储拣选单一场景后被 Amazon 收购，Skild 通过收购 Zebra/Fetch 获得自主仓储能力并保持独立
- vs NVIDIA Isaac：NVIDIA 是训练基础设施提供者，Skild 是模型层使用者+伙伴
来源：三方对比，分析师推断 (2026-05-31)
挑战
- 估值压力：$14B 估值进入工业落地期，市场对收入与合作转化速度容忍度低
- 交付风险：跨 embodiment 泛化叙事很强，但不同 OEM 的传感器、控制栈和安全约束可能显著抬高 integration 成本
- 数据闭环风险：若合作部署规模起不来，仿真与互联网视频带来的先验未必能顺利转成真实世界稳定性
来源：分析师推断 (2026-05-31)
风险
- 数据闭环：依赖合作伙伴部署获取真实数据；合作规模决定飞轮速度
- 交付成本：跨 OEM 集成导致多种 sensor/control/safety 栈适配
- 估值合理性：$14B vs $30M revenue（2025），PSR 极高，下一轮融资需显著增长证据
- 竞争加速：PI、Covariant 等 brain layer 公司同步推进，差异化窗口有限
来源：分析师推断 (2026-05-31)
动态记录
- 2026-06-08：与 VinDynamics（越南 Vingroup 旗下）达成战略合作，探索 Skild Brain 集成人形机器人 — Yahoo Finance / ACCESS Newswire
- 2026-06-08：Business Journals 报道 Skild AI 与 VinDynamics 合作 — Business Journals
- 2026-04-15：🚨 重大收购：收购 Zebra Technologies 机器人部门（前 Fetch Robotics），获得 Symmetry Fulfillment 编排平台 + 仓储 AMR 硬件 — 官方博文
- 2026-05-25：NVIDIA 官方案例研究公开（Isaac Lab + Cosmos Transfer 详情），补入极端适应案例与成本目标 — NVIDIA
- 2026-05-22：[Post Money Podcast] 领投方 Lightspeed 合伙人 Raviraj Jain 确认 Skild Brain zero-shot 泛化到全新形态 — 播客
- 2026-05-22：[No Priors Podcast] NVIDIA CEO Jensen Huang 提出 multi-embodiment AI，与 Skild 路线一致 — 播客
- 2026-03-19：与 ABB Robotics、Universal Robots、NVIDIA 官宣合作 — 官方博文
- 2026-02-19：Bengaluru 办公室成立 — 官方博文
- 2026-01-14：Series C $1.4B 完成，估值 $14B — 官方博文
- 2026-01-12：“Learning by Watching” 博文发表 — 官方博文
- 2024-07-29：首篇技术博文发表 — 官方博文
- 2024-07-09：Series A $300M 完成 — 官方博文