Skild AI 在首次商业部署十个月后，年经常性收入（ARR）突破 1 亿美元。
首先，感谢我们团队的每一位成员，以及每一位让这一切成为可能的合作伙伴。
这需要众多优秀人士付出非凡的努力。在十个月内，我们的付费客户已超过 60 家，业务涵盖货物搬运、快递配送、场地巡检、安保服务、食品制备，以及在仓库、工厂和数据中心内的运营。移动业务占我们收入的 10%，Fetch 解决方案占 4%。
我们与 NVIDIA 和富士康合作，正在将 Skild Brain 部署到双臂操作机器人上，用于 NVIDIA Blackwell 系统的高精度组装——这项工作会随着每个产品周期而变化，过去意味着需要重新对生产线上的每个机器人进行编程。
在住友电气工业株式会社，我们正致力于部署 S1，以自动化线束制造中被认为“不可能”自动化的流程。
与三井物产合作，其供应链每天为日本各地提供 140 万份餐食，我们正在商业厨房中试点由 S1 驱动的通用机器人。
从一开始，我们就将部署视为技术本身的核心组成部分，而非其最终结果。
隐藏的支柱
机器人领域有一种思路大致是这样的：我们先训练一个超级智能模型，制造出超人的硬件，然后某一天——砰——机器人无处不在。
类比语言模型，这听起来很合理。多年的研究，然后 ChatGPT 问世。两个月内估计达到 1 亿月活用户。从外部看，部署似乎是在最困难的部分完成后，一下子实现的。
在机器人领域，你不能把部署留到最后。
供应链如何运作？谁来安装？谁负责集成？坏了谁来修？流程变化时谁来更新？只有当你身处其中时，你才能完全理解这些问题。
部署是机器人研究中隐藏的支柱，因为机器人技术的真正实践就发生在这里。这是无可替代的。
部署为 Skild 的前沿研究方向提供了信息。让我们给你举几个例子。
演示 vs 部署
观看演示视频已成为衡量物理 AI 进展的常见方式。你看一个视频，心想：“看起来它正在工作！”
问题在于，一个准确率为 5%、10% 或 99% 的机器人的成功片段，看起来可能完全一样。即使你只有 10% 的准确率，你也可以一直拍下去，直到它成功为止。
我们去年教会了我们的模型做鸡蛋。花了一周时间煮出第一个鸡蛋，然后又花了两个月时间，才让它能够可靠地处理不同的鸡蛋和不同的设置。
这就是为什么在机器人领域，眼见不一定为实。部署才是关键。为了挤出最后 5% 的性能所付出的努力，远远超过了前 95%。
速度 vs 准确性
从研究的角度来看，准确性可能看起来是主要指标。但从部署的角度来看，你马上要问：机器人在这个准确率下能工作多快？
想象一条有十个工位的工厂生产线——五个由机器人操作，五个由人工操作。每个工位必须在大致相同的节拍时间内完成。如果一个工位较慢，就会限制整条生产线的吞吐量。
一个准确率 99.9% 但速度慢十倍的机器人，并不是几乎可以部署。它是完全不可部署。
一家以部署为先的公司，从一开始就优化在时间限制下的成功。
适应变化
我们在部署早期学到的一个艰难教训：变化是唯一的不变。
供应商更换了组件。工厂重新布置了工位。客户更改了装配顺序。你部署的系统必须适应。
如果每次变化都需要收集新的数据集并再进行一轮后训练，那么只要机器人还在部署，你就得不断重复这项工作。这是不可扩展的。
这些从部署中艰难学到的发现，让我们将研究工作重点放在了 S1 上——这是我们两周前发布的最新模型。
我们构建 S1 的目的是通过单个视频示例进行上下文学习。操作员可以录制一个新的演示，并将其作为提示提供给机器人，而无需更新模型的权重。S1 基于 NVIDIA AI 基础设施构建，这为我们提供了所需的加速计算基础，以便在我们多样化的机器人数据组合上进行大规模训练。
https://x.com/SkildAI/status/2092300842900865389
如果我们一直停留在研究领域，这件事会成为如此优先的事项吗？我们认为不会。部署教会了我们向自己提出这个问题，而 S1 就是我们的答案。
文化
演示也可能是有害的。在同一家公司内，同时维持一种演示文化和一种部署文化是非常困难的。
你可以从一个准确率 50% 的机器人中挑选出一个好的演示。但要部署，你必须解决另外 50% 的问题——而这要困难得多。
如果你公开庆祝这些“先进”的演示，那么从事这些工作的人会受到鼓励。而从事被低估的 50% 工作的人则得到较少的关注，尽管他们的工作才是让机器人变得有用的关键。
即使有资源同时做这两件事，也无法消除这些激励因素。
你可以尝试通过奖励真正的部署工作来在内部对抗它们。但随后聪明的人会问：“既然真正的工作在于部署，我为什么还要花时间在演示上？”——然后演示文化自然就消亡了。
如果一家公司奖励的是演示，那么人们就会专注于演示。我们选择奖励部署。
物理 RSI
部署是研究的一个支柱。它是评估的一个支柱。它也迫使我们面对那些可能使公司偏离有用工作的文化激励。
这也是我们思考物理 RSI（递归自我改进）的方式。
关于部署数据，有两种常见观点。一种认为部署将成为机器人训练数据的最终来源。另一种认为部署数据过于狭窄，无法改进通用模型，因为部署的机器人会一遍又一遍地重复相同的任务。两种观点都部分正确。
如果一个专用机器人已经能够可靠地打开某个特定的瓶盖，那么再收集数千个相同成功动作的额外示例可能收效甚微。专用系统已经知道它的任务。价值在于，将从许多专用系统中学到的东西带回通用基础模型中。
- 从一个在不同机器人、任务和形态上训练的基础模型开始。它能力广泛，但并非完美无缺。
- 将其部署到不同的应用中。上下文学习使其能够适应，而无需为每次变化进行新的训练。当需要进一步的训练以达到生产级速度和可靠性时，部署数据可以帮助专业化系统。每次部署都会在其自身任务上变得更好。
- 将来自这些部署的数据带回通用模型。对于一个已经掌握了一项任务的专家来说，增加不了多少价值的经验，对于一个正在学习许多不同任务的通才来说，仍然可能很有价值。下一次部署将从更强大的模型开始。
我们使用的类比是我自己的教育经历。
在高中时，我们对物理、化学和数学有不错的了解。然后我们专攻了 AI。今天我们关于 AI 的知识远超高中时的自己，但我们忘记了曾经学过的许多化学知识。
现在想象一下，我们可以带着高中时的自己，在一个平行宇宙里攻读化学博士学位。另一个读物理。另一个读数学。然后想象一下，将所有那些专业知识提炼回我们最初的那个学生身上。
这就是我们的策略。通过部署，我们正在让“高中时的自己”——S1——变得越来越好。通才学得越多，下一次部署所需的专业化程度就越低。这就是部署数据飞轮。
演示的时代已经结束；部署的时代已经开始。
Deepak Pathak 和 Abhinav Gupta
