Skild AI ultrapassou US$ 100 milhões em ARR, dez meses após nossa primeira implantação comercial.
Primeiramente, obrigado a cada membro da nossa equipe e a cada parceiro que tornou isso possível.
Isso exigiu um esforço extraordinário de muitas pessoas talentosas. Em dez meses, escalamos para mais de 60 clientes pagantes nas áreas de movimentação de mercadorias, entregas, inspeção de locais, segurança, preparação de alimentos, além de operações em armazéns, fábricas e data centers. A mobilidade representa 10% da nossa receita, e as soluções Fetch representam 4%.
Junto com a NVIDIA e a Foxconn, estamos implantando o Skild Brain em manipuladores de braço duplo para montagem de alta precisão dos sistemas NVIDIA Blackwell — um trabalho que muda a cada ciclo de produto e que antes exigia reprogramar cada robô na linha.
Na Sumitomo Wiring Systems, estamos trabalhando para implantar o S1 e automatizar processos na fabricação de chicotes elétricos que eram considerados "impossíveis" de automatizar.
Com a Mitsui & Co., cujas cadeias de suprimentos servem 1,4 milhão de refeições por dia no Japão, estamos testando robôs de uso geral alimentados pelo S1 em cozinhas comerciais.
Desde o início, focamos na implantação como parte central da tecnologia em si, e não como um resultado dela.
O Pilar Oculto
Existe uma linha de pensamento em robótica que diz mais ou menos o seguinte: treinaremos um modelo superinteligente, construiremos hardware sobre-humano e, então, um dia — boom — robôs em todos os lugares.
Por analogia aos modelos de linguagem, isso parece fazer sentido. Anos de pesquisa, depois o ChatGPT. Estima-se que 100 milhões de usuários mensais em dois meses. Do lado de fora, a implantação pareceu chegar de uma só vez, depois que a parte difícil foi concluída.
Em robótica, você não pode deixar a implantação para o final.
Como funcionará a cadeia de suprimentos? Quem instala? Quem é responsável pela integração? Quem conserta quando quebra? Quem atualiza quando o processo muda? Você não entende completamente essas perguntas até estar lá.
A implantação é o pilar oculto da pesquisa em robótica porque é onde a robótica realmente acontece. Não há substituto.
As implantações informam a direção da pesquisa de ponta da Skild. Deixe-nos dar alguns exemplos.
Demonstrações vs. Implantação
Assistir a vídeos de demonstração se tornou uma forma comum de medir o progresso em IA física. Você assiste a um vídeo e pensa: "Parece que está funcionando!"
O problema é que um clipe bem-sucedido de um robô com 5%, 10% ou 99% de precisão pode parecer exatamente igual. Mesmo com 10% de precisão, você pode simplesmente continuar gravando até que funcione.
Ensinamos nosso modelo a fazer ovos no ano passado. Levou uma semana para cozinhar o primeiro ovo, depois dois meses para fazê-lo funcionar de forma confiável com diferentes ovos e em diferentes configurações.
É por isso que ver não é acreditar em robótica. A implantação é o que importa. A quantidade de esforço para extrair os últimos 5% de desempenho excede em muito a dos primeiros 95%.
Velocidade vs. Precisão
De uma perspectiva de pesquisa, a precisão pode parecer a métrica principal. De uma perspectiva de implantação, você imediatamente tem que perguntar: quão rápido o robô pode trabalhar com essa precisão?
Imagine uma linha de fábrica com dez estações — cinco operadas por robôs e cinco por pessoas. Cada estação deve terminar aproximadamente no mesmo tempo de ciclo. Se uma estação for mais lenta, ela restringe a capacidade de produção de toda a linha.
Um robô que é 99,9% preciso, mas dez vezes mais lento, não está quase pronto para implantação. Ele não está pronto para implantação.
Uma empresa que prioriza a implantação otimiza para o sucesso sob restrições de tempo desde o início.
Adaptação à Mudança
Uma lição difícil que aprendemos no início da implantação: a mudança é a única constante.
Um fornecedor altera um componente. Uma fábrica reorganiza uma estação de trabalho. Um cliente muda a sequência de montagem. O sistema que você implantou precisa se adaptar.
Se cada mudança exigir a coleta de um novo conjunto de dados e outra rodada de pós-treinamento, você estará se comprometendo a repetir esse trabalho enquanto o robô estiver implantado. Isso não é escalável.
Essas descobertas, aprendidas da maneira mais difícil com as implantações, nos fizeram focar nossos esforços de pesquisa no S1, nosso modelo mais recente, lançado há duas semanas.
Construímos o S1 para aprender com um único exemplo em vídeo por meio de aprendizado em contexto. Um operador pode gravar uma nova demonstração e fornecê-la ao robô como um prompt, sem atualizar os pesos do modelo. O S1 é construído sobre a infraestrutura de IA da NVIDIA, que nos fornece a base de computação acelerada necessária para treinar em escala em nosso conjunto diversificado de dados de robótica.
https://x.com/SkildAI/status/2092300842900865389
Isso teria se tornado uma prioridade tão grande se tivéssemos permanecido no mundo da pesquisa? Acreditamos que não. A implantação nos ensinou a nos perguntar isso, e o S1 é a nossa resposta.
Cultura
As demonstrações também podem ser prejudiciais. É muito difícil sustentar uma cultura de demonstração e uma cultura de implantação ao mesmo tempo dentro de uma única empresa.
Você pode selecionar uma boa demonstração de um robô com 50% de precisão. Para implantar, você tem que trabalhar nos outros 50% — o que é muito, muito mais difícil.
Se você celebrar publicamente essas demonstrações "avançadas", as pessoas que trabalham nelas são encorajadas. As pessoas que trabalham nos 50% subestimados recebem menos atenção, mesmo que seu trabalho seja o que torna o robô útil.
Ter os recursos para fazer ambos não faz esses incentivos desaparecerem.
Você pode tentar combatê-los internamente recompensando o trabalho real de implantação. Mas então as pessoas inteligentes perguntam: "Por que estou gastando meu tempo com demonstrações quando o trabalho real está na implantação?" — e a cultura de demonstração morre de qualquer maneira.
Se as demonstrações são o que uma empresa recompensa, as demonstrações são no que as pessoas trabalharão. Escolhemos recompensar a implantação.
RSI Físico
A implantação é um pilar da pesquisa. É um pilar da avaliação. E nos força a confrontar incentivos culturais que podem afastar uma empresa do trabalho útil.
É também como pensamos sobre RSI físico: autoaperfeiçoamento recursivo.
Existem duas visões comuns sobre dados de implantação. Uma diz que a implantação se tornará a fonte definitiva de dados de treinamento para robótica. A outra diz que os dados de implantação são muito restritos para melhorar um modelo geral, porque um robô implantado repete a mesma tarefa repetidamente. Ambas as visões estão parcialmente corretas.
Se um robô especializado já abre uma tampa de garrafa específica de forma confiável, coletar milhares de exemplos adicionais do mesmo movimento bem-sucedido pode acrescentar pouco. O sistema especializado já conhece sua tarefa. O valor aparece quando o aprendizado de muitos sistemas especializados é trazido de volta para um modelo base geral.
- Comece com um modelo fundamental treinado em diferentes robôs, tarefas e corporificações. Ele é amplamente capaz, mas perfeito em nada.
- Implante-o em diferentes aplicações. O aprendizado em contexto permite que ele se adapte sem exigir uma nova rodada de treinamento para cada mudança. Onde mais treinamento for necessário para velocidade e confiabilidade em nível de produção, os dados de implantação podem ajudar a especializar o sistema. Cada implantação se torna melhor em sua própria tarefa.
- Traga os dados de todas essas implantações de volta para o modelo geral. A experiência que acrescenta pouco a um especialista que dominou uma tarefa ainda pode ser valiosa para um generalista aprendendo muitas tarefas diferentes. A próxima implantação começa a partir de um modelo mais forte.
A analogia que usamos é minha própria educação.
No ensino médio, conhecíamos física, química e matemática em um nível decente. Depois, nos especializamos em IA. Sabemos muito mais sobre IA hoje do que eu no ensino médio, mas esquecemos grande parte da química que conhecíamos.
Agora imagine que pudéssemos pegar nosso eu do ensino médio e, em um universo paralelo, fazer um doutorado em química. Outro em física. Outro em matemática. Então, imagine destilar todo esse conhecimento especializado de volta para o aluno que éramos no início.
Essa é a nossa estratégia. Ao implantar, estamos tornando o "eu do ensino médio" — o S1 — cada vez melhor. Quanto mais o generalista aprende, menos especialização a próxima implantação deve precisar. Este é o volante de dados da implantação.
A era das demonstrações acabou; a era da implantação começou.
Deepak Pathak e Abhinav Gupta
