Skild AI a dépassé les 100 millions de dollars de revenus annuels récurrents (ARR), dix mois après notre premier déploiement commercial.
Tout d'abord, merci à chaque membre de notre équipe et à chaque partenaire qui ont rendu cela possible.
Cet accomplissement a nécessité un effort extraordinaire de la part de nombreuses personnes formidables. En dix mois, nous avons acquis plus de 60 clients payants dans les secteurs de la manutention, de la livraison, de l'inspection de sites, de la sécurité, de la préparation alimentaire, ainsi que dans les entrepôts, les usines et les centres de données. La mobilité représente 10 % de nos revenus, et les solutions Fetch en représentent 4 %.
Avec NVIDIA et Foxconn, nous déployons le Skild Brain sur des manipulateurs à deux bras pour l'assemblage de haute précision des systèmes NVIDIA Blackwell — un travail qui évolue à chaque cycle de produit et qui nécessitait auparavant de reprogrammer chaque robot sur la chaîne.
Chez Sumitomo Wiring Systems, nous travaillons au déploiement de S1 pour automatiser des processus de fabrication de faisceaux de câbles considérés comme « impossibles » à automatiser.
Avec Mitsui & Co., dont les chaînes d'approvisionnement servent 1,4 million de repas par jour au Japon, nous pilotons des robots polyvalents alimentés par S1 dans des cuisines commerciales.
Depuis le début, nous avons considéré le déploiement comme une partie intégrante de la technologie elle-même, et non comme son aboutissement.
Le Pilier Caché
Il existe une école de pensée en robotique qui ressemble à ceci : nous allons entraîner un modèle super-intelligent, construire un matériel surhumain, et puis un jour — boum — des robots partout.
Par analogie avec les modèles de langage, cela semble juste. Des années de recherche, puis ChatGPT. Environ 100 millions d'utilisateurs mensuels en deux mois. De l'extérieur, le déploiement a semblé arriver d'un coup, une fois la partie difficile terminée.
En robotique, vous ne pouvez pas laisser le déploiement à la fin.
Comment la chaîne d'approvisionnement fonctionnera-t-elle ? Qui l'installe ? Qui est responsable de l'intégration ? Qui le répare quand il tombe en panne ? Qui le met à jour lorsque le processus change ? Vous ne comprenez pas pleinement ces questions tant que vous n'y êtes pas.
Le déploiement est le pilier caché de la recherche en robotique, car c'est là que la robotique se concrétise. Il n'y a pas de substitut.
Les déploiements orientent la direction de la recherche de pointe de Skild. Laissez-nous vous donner quelques exemples.
Démos vs Déploiement
Regarder des vidéos de démonstration est devenu un moyen courant de mesurer les progrès en IA physique. Vous regardez une vidéo et vous pensez : « On dirait que ça marche ! »
Le problème est qu'un clip réussi d'un robot avec une précision de 5 %, 10 % ou 99 % peut sembler exactement identique. Même avec une précision de 10 %, vous pouvez simplement continuer à filmer jusqu'à ce que ça marche.
Nous avons appris à notre modèle à faire des œufs l'année dernière. Il a fallu une semaine pour cuire le premier œuf, puis deux mois pour le faire fonctionner de manière fiable avec différents œufs et dans différentes configurations.
C'est pourquoi voir n'est pas croire en robotique. Ce qui compte, c'est le déploiement. L'effort nécessaire pour extraire les 5 % de performance restants dépasse de loin celui des 95 % initiaux.
Vitesse vs Précision
D'un point de vue recherche, la précision peut sembler être la métrique principale. D'un point de vue déploiement, vous devez immédiatement vous demander : à quelle vitesse le robot peut-il travailler avec cette précision ?
Imaginez une chaîne d'usine avec dix postes — cinq opérés par des robots et cinq par des humains. Chaque poste doit terminer à peu près dans le même temps de cycle. Si un poste est plus lent, il limite le débit de toute la chaîne.
Un robot précis à 99,9 % mais dix fois trop lent n'est presque pas déployable. Il n'est pas déployable.
Une entreprise qui privilégie le déploiement optimise la réussite sous contrainte de temps dès le départ.
Adaptation au Changement
Une leçon difficile que nous avons apprise tôt dans le déploiement : le changement est la seule constante.
Un fournisseur modifie un composant. Une usine réorganise un poste de travail. Un client change la séquence d'assemblage. Le système que vous avez déployé doit s'adapter.
Si chaque changement nécessite la collecte d'un nouvel ensemble de données et une nouvelle série de post-entraînement, vous vous engagez à répéter ce travail aussi longtemps que le robot est déployé. Ce n'est pas scalable.
Ces constatations, apprises à la dure lors des déploiements, nous ont poussés à concentrer nos efforts de recherche sur S1, notre dernier modèle, sorti il y a deux semaines.
Nous avons conçu S1 pour apprendre à partir d'un seul exemple vidéo grâce à l'apprentissage en contexte. Un opérateur peut enregistrer une nouvelle démonstration et la donner au robot comme instruction, sans mettre à jour les poids du modèle. S1 est construit sur l'infrastructure IA de NVIDIA, ce qui nous offre la base de calcul accélérée nécessaire pour nous entraîner à grande échelle sur notre ensemble diversifié de données robotiques.
https://x.com/SkildAI/status/2092300842900865389
Cela serait-il devenu une telle priorité si nous étions restés dans le domaine de la recherche ? Nous ne le pensons pas. Le déploiement nous a appris à nous poser cette question, et S1 est notre réponse.
Culture
Les démos peuvent aussi être nuisibles. Il est très difficile de maintenir une culture de la démo et une culture du déploiement en même temps au sein d'une même entreprise.
Vous pouvez choisir une belle démo à partir d'un robot avec une précision de 50 %. Pour déployer, vous devez travailler sur les 50 % restants — ce qui est beaucoup, beaucoup plus difficile.
Si vous célébrez publiquement ces démos « avancées », les personnes qui y travaillent sont encouragées. Les personnes qui travaillent sur les 50 % sous-estimés reçoivent moins d'attention, même si leur travail est ce qui rend le robot utile.
Avoir les ressources pour faire les deux ne fait pas disparaître ces incitations.
Vous pouvez essayer de les combattre en interne en récompensant le véritable travail de déploiement. Mais alors les personnes intelligentes demandent : « Pourquoi je passe mon temps sur des démos alors que le vrai travail est dans le déploiement ? » — et la culture de la démo meurt de toute façon.
Si une entreprise récompense les démos, les gens travailleront sur les démos. Nous avons choisi de récompenser le déploiement.
RSI Physique
Le déploiement est un pilier de la recherche. C'est un pilier de l'évaluation. Et il nous oblige à confronter les incitations culturelles qui peuvent éloigner une entreprise du travail utile.
C'est aussi ainsi que nous concevons le RSI physique : l'auto-amélioration récursive.
Il existe deux points de vue courants sur les données de déploiement. L'un dit que le déploiement deviendra la source ultime de données d'entraînement pour la robotique. L'autre dit que les données de déploiement sont trop étroites pour améliorer un modèle général, car un robot déployé répète la même tâche encore et encore. Les deux points de vue ont en partie raison.
Si un robot spécialisé ouvre déjà un bouchon de bouteille particulier de manière fiable, collecter des milliers d'exemples supplémentaires du même mouvement réussi peut ajouter peu de valeur. Le système spécialisé connaît déjà sa tâche. La valeur apparaît lorsque l'apprentissage de nombreux systèmes spécialisés est réintégré dans un modèle de base général.
- Commencez avec un modèle de fondation entraîné sur différents robots, tâches et incarnations. Il est largement capable, mais parfait pour rien.
- Déployez-le dans différentes applications. L'apprentissage en contexte lui permet de s'adapter sans nécessiter un nouvel entraînement pour chaque changement. Lorsqu'un entraînement supplémentaire est nécessaire pour la vitesse et la fiabilité au niveau de la production, les données de déploiement peuvent aider à spécialiser le système. Chaque déploiement devient meilleur dans sa propre tâche.
- Ramenez les données de ces déploiements dans le modèle général. L'expérience qui ajoute peu de valeur à un spécialiste qui maîtrise une tâche peut encore être précieuse pour un généraliste apprenant de nombreuses tâches différentes. Le prochain déploiement part d'un modèle plus fort.
L'analogie que nous utilisons est ma propre éducation.
Au lycée, nous connaissions la physique, la chimie et les mathématiques à un niveau décent. Ensuite, nous nous sommes spécialisés en IA. Nous en savons bien plus sur l'IA aujourd'hui que moi-même au lycée, mais nous avons oublié une grande partie de la chimie que nous connaissions autrefois.
Imaginez maintenant que nous puissions prendre notre moi du lycée et, dans un univers parallèle, faire un doctorat en chimie. Un autre en physique. Un autre en mathématiques. Imaginez ensuite distiller toutes ces connaissances spécialisées dans l'étudiant que nous étions au départ.
C'est notre stratégie. En déployant, nous rendons le « moi du lycée » — S1 — de mieux en mieux. Plus le généraliste apprend, moins la spécialisation nécessaire pour le prochain déploiement devrait être importante. C'est le volant d'inertie des données de déploiement.
L'ère des démos est terminée ; l'ère du déploiement a commencé.
Deepak Pathak et Abhinav Gupta
