Skild AI 在首次商業部署十個月後，年經常性收入（ARR）突破 1 億美元。
首先，感謝我們團隊的每一位成員，以及每一位讓這一切成為可能的合作夥伴。
這項成就凝聚了許多優秀人才的非凡努力。在十個月內，我們的付費客戶已超過 60 家，應用範圍涵蓋貨物搬運、包裹配送、場地巡檢、安全防護、餐飲備製，以及在倉庫、工廠和資料中心內的作業。其中，移動解決方案佔我們營收的 10%，而 Fetch 解決方案則佔 4%。
我們正與 NVIDIA 和富士康合作，將 Skild Brain 部署在雙臂機械手上，用於 NVIDIA Blackwell 系統的高精度組裝——這項工作會隨著每個產品週期而改變，過去意味著必須重新編程產線上的每一台機器人。
在住友電裝，我們正致力於部署 S1，以自動化線束製造中被認為「不可能」自動化的流程。
在三井物產（其供應鏈每天為日本各地供應 140 萬份餐點），我們正與其合作，在商業廚房試用由 S1 驅動的通用型機器人。
從一開始，我們就將「部署」視為技術本身的核心環節，而非技術的產物。
隱藏的支柱
機器人領域存在一種思維模式，大致是這樣：我們訓練出一個超級智慧的模型，打造出超越人類的硬體，然後某一天——砰——機器人無所不在。
類比於語言模型，這聽起來很合理。多年的研究，然後 ChatGPT 誕生。兩個月內估計達到一億月活躍用戶。從外部看來，部署似乎是在最困難的部分完成後，突然間就實現了。
但在機器人領域，你不能把部署留到最後才做。
供應鏈要如何運作？誰來安裝？誰負責整合？壞了誰來修？流程改變時誰來更新？除非你身在其中，否則你無法完全理解這些問題。
部署是機器人研究中隱藏的支柱，因為機器人技術的真正實踐就在這裡。沒有替代方案。
部署經驗為 Skild 的前沿研究方向提供了指引。讓我們舉幾個例子。
展示 vs. 部署
觀看展示影片已成為衡量物理 AI 進展的常見方式。你看了一段影片，心想：「看起來成功了！」
問題在於，一個準確率只有 5%、10% 或高達 99% 的機器人，其成功片段看起來可能一模一樣。即使你的準確率只有 10%，你也可以不斷拍攝，直到成功為止。
我們去年教會了模型做蛋料理。花了一週時間煮出第一顆蛋，然後又花了兩個月，才讓它在不同雞蛋和不同設定下都能可靠運作。
這就是為什麼在機器人領域，眼見不一定為憑。真正重要的是部署。為了擠出最後那 5% 的性能所需付出的努力，遠遠超過了前 95%。
速度 vs. 準確度
從研究角度來看，準確度似乎是主要指標。但從部署角度來看，你必須立即追問：機器人在維持該準確度的前提下，能跑多快？
想像一條有十個工站的產線——五個由機器人操作，五個由人工操作。每個工站都必須在大致相同的週期時間內完成。如果一個工站速度較慢，就會限制整條產線的產能。
一個準確率達 99.9%，但速度慢了十倍的機器人，並不是「幾乎可以部署」。而是「完全無法部署」。
一家以部署為先的公司，從一開始就會優化在時間限制下達成目標的能力。
適應變化
我們在早期部署中學到的一個慘痛教訓：變化才是唯一的不變。
供應商更換了一個零件。工廠重新佈置了工作站。客戶改變了組裝順序。你部署的系統必須能夠適應。
如果每次變化都需要收集新的資料集並進行另一輪後訓練，那就意味著只要機器人還在部署，你就得不斷重複這項工作。這是無法規模化的。
這些從部署中學到的艱難教訓，讓我們將研究重點集中在兩週前發布的最新模型 S1 上。
我們建構 S1 的目的是讓它能透過單一影片範例進行情境學習來學習。操作員可以錄製一個新的示範，然後像提示詞一樣交給機器人，無需更新模型權重。S1 建立在 NVIDIA AI 基礎設施之上，這為我們提供了所需的加速運算基礎，以便在我們多元的機器人資料組合中進行大規模訓練。
https://x.com/SkildAI/status/2092300842900865389
如果我們一直待在研究領域，這件事會成為如此優先的項目嗎？我們不這麼認為。部署教會了我們要對自己提出這個問題，而 S1 就是我們的答案。
文化
展示也可能有害。在同一家公司內，同時維持展示文化和部署文化是非常困難的。
你可以從一個準確率 50% 的機器人中，精心挑選出一個漂亮的展示。但要部署，你必須處理剩下的那 50%——這要困難得多。
如果你公開讚揚這些「先進」的展示，從事這些工作的人會受到鼓勵。而那些從事不受重視的 50% 工作的人則會得到較少的關注，儘管他們的工作才是讓機器人真正有用的關鍵。
即使有資源同時進行兩者，也無法消除這些誘因。
你可以嘗試在內部透過獎勵真正的部署工作來對抗它們。但聰明的人會問：「當真正的工作在於部署時，我為什麼要把時間花在展示上？」——然後展示文化自然就會消亡。
如果一家公司獎勵的是展示，那麼人們就會致力於展示。我們選擇獎勵部署。
物理 RSI
部署是研究的支柱。是評估的支柱。它也迫使我們面對那些可能讓公司偏離有用工作的文化誘因。
這也是我們思考物理 RSI（遞迴式自我改進）的方式。
關於部署資料，有兩種常見觀點。一種認為部署將成為機器人訓練資料的終極來源。另一種則認為部署資料過於狹隘，無法改進通用模型，因為已部署的機器人會一遍又一遍地重複相同任務。這兩種觀點都只對了一部分。
如果一個專用機器人已經能可靠地打開某種瓶蓋，那麼再收集數千個相同成功動作的額外範例，可能幫助不大。這個專用系統已經知道自己的任務。真正的價值在於，當從許多專用系統中學習到的經驗，被回饋到一個通用基礎模型時才會顯現。
- 從一個在不同機器人、任務和型態上訓練過的基礎模型開始。它能力廣泛，但樣樣不精。
- 將其部署到不同的應用中。情境學習讓它能適應變化，而無需為每次改變進行新的訓練。當需要進一步訓練以達到生產級別的速度和可靠性時，部署資料可以幫助專用化系統。每個部署都會在其特定任務上變得更好。
- 將來自這些部署的資料回饋給通用模型。對於一個已精通單一任務的專家來說幫助不大的經驗，對於一個正在學習許多不同任務的通才來說，可能仍然很有價值。下一次部署將從一個更強大的模型開始。
我們用的比喻是我自己的教育經歷。
在高中時，我們對物理、化學和數學都有不錯的理解。然後我們專攻了 AI。我們今天對 AI 的了解遠超過高中時期的自己，但我們也忘記了曾經學過的許多化學知識。
現在想像一下，我們可以把高中時期的自己，放到一個平行宇宙中去攻讀化學博士。另一個宇宙去讀物理博士。再一個去讀數學博士。然後想像一下，將所有這些專業知識，都提煉回我們最初的那個學生身上。
這就是我們的策略。透過部署，我們正在讓「高中時期的自己」——也就是 S1——變得越來越好。通才學得越多，下一次部署所需的專業化程度就越低。這就是部署資料的飛輪效應。
展示的時代已經結束；部署的時代已經開始。
Deepak Pathak 與 Abhinav Gupta
