Das Robotermodell von Skild AI lernt neue Aufgaben anhand eines einzigen Videos

PITTSBURGH, Pennsylvania, 10. September 2026. Skild AI gab bekannt, dass sein neues Roboter-Grundmodell „S1“ unbekannte mehrstufige Aufgaben mit einer Erfolgsquote von rund 66 Prozent pro Schritt ausführt, nachdem es ein einziges Demonstrationsvideo eines Menschen angesehen hat – im Vergleich zu 9 Prozent bei vergleichbaren Systemen, die auf herkömmliche Weise trainiert wurden. Das Unternehmen, das mit dem „Physical AI Stack“ von NVIDIA arbeitet, berichtete, dass ein Demonstrationsvideo nun den Trainingswert von etwa 380 manuell gesammelten Beispielen habe, wodurch sich die Zeitspanne zwischen der Vorführung einer Aufgabe vor einem Roboter und der autonomen Ausführung dieser Aufgabe auf 11 Minuten verkürze.

Skild AI ist ein in Pittsburgh ansässiges Robotik-Start-up, das 2023 von den ehemaligen Professoren der Carnegie Mellon University, Deepak Pathak, der als Geschäftsführer fungiert, und Abhinav Gupta, dem Präsidenten des Unternehmens, gegründet wurde. Sein Produkt, intern als „Skild Brain“ vermarktet, ist ein einziges Grundmodell, das dazu dient, viele verschiedene Roboterkörper und Aufgaben zu steuern – im Gegensatz zu den eng gefassten Einzweckmodellen, die bislang die industrielle Automatisierung dominiert haben. Das Unternehmen hat seit Mitte 2024 mehr als 2 Milliarden US-Dollar eingeworben, darunter eine von SoftBank angeführte Finanzierungsrunde in Höhe von 1,4 Milliarden US-Dollar, die mit einer Bewertung von 14 Milliarden US-Dollar abgeschlossen wurde; zu den Teilnehmern zählten der Venture-Arm von NVIDIA, Amazon-Gründer Jeff Bezos, Samsung, LG, Schneider Electric und Salesforce Ventures.

Was ein einziges Video einem Roboter tatsächlich beibringt

Der zentrale Anspruch in der Bekanntgabe vom Donnerstag betrifft die „Sample Efficiency“, also das Verhältnis zwischen der Menge an Trainingsdaten, die ein System benötigt, und seiner Leistungsfähigkeit. Die meisten Roboter-Lernsysteme stützen sich heute noch auf umfangreiche Bibliotheken mit ferngesteuerten Demonstrationen – Aufzeichnungen, in denen ein menschlicher Bediener einen Roboterarm hunderte oder tausende Male physisch durch eine Aufgabe führt, bevor sich das Verhalten zuverlässig verallgemeinern lässt. Skild argumentiert, dass S1 ein einzelnes Video verarbeiten, den Ablauf der Aufgabe beobachten und diese auf einem physischen Roboter reproduzieren kann, ohne dass ein erneutes Training oder eine Aktualisierung der Modellgewichte erforderlich ist – eine Technik, die das Unternehmen als „In-Context-Lernen“ bezeichnet und die konzeptionell von der Art und Weise abgeleitet ist, wie

Große Sprachmodelle können eine neue Anweisung anhand einer Handvoll Beispiele in einer Eingabeaufforderung umsetzen, anstatt einen vollständigen Neu-Trainierungsdurchlauf zu durchlaufen.

NVIDIA erklärte, die Zusammenarbeit erstrecke sich über vier Phasen der Robotik-Pipeline: die Generierung synthetischer Daten mithilfe der „Cosmos“-Weltmodelle, die Simulation und das Training mit Isaac Lab, Isaac Sim und der Newton-Physik-Engine sowie die Optimierung der Bereitstellung durch TensorRT und die Nsight-Profiling-Tools. Für ein Beschaffungsteam, das Anbieter von Roboterlernlösungen bewertet, ist diese Angabe der vier Phasen von Bedeutung, da sie signalisiert, dass Skild nicht lediglich ein Forschungsmodell auf geliehener Rechenleistung ausführt. Das Unternehmen baut vielmehr eine Produktionspipeline auf, in der sowohl synthetische als auch reale Demonstrationsdaten in dasselbe Modell einfließen – was den Unterschied zwischen einem Laborergebnis und einem System ausmacht, das ein Produktionsleiter tatsächlich bestellen kann.

Die demonstrierten Aufgaben reichen vom Eintopfen von Pflanzen über das Zubereiten von Pfannkuchen bis hin zum Kaffeekochen und einer Montageabfolge mit zwei Armen, die auf NVIDIA-Blackwell-basierten Systemen in einem Foxconn-Werk ausgeführt wurde. Dort montierte der Roboter eine Sammelschiene und einen Anschlagblock, zog 16 Schrauben fest und passte sich während der Aufgabe an physische Störungen an. Jede dieser Aufgaben dauert bis zu 10 Minuten – eine lange Zeit nach den Maßstäben von Demonstrationen zum Roboterlernen, bei denen oft eine einzige „Pick-and-Place“-Bewegung den gesamten Benchmark ausmacht. Mehrstufige Aufgaben dieser Dauer spiegeln die tatsächlichen Anforderungen eines Lagers oder einer Elektronik-Montagelinie besser wider als die kürzeren Demos, die in den letzten zwei Jahren den Großteil der Ankündigungen zur Robotik auf Basis von Fundamentmodellen geprägt haben.

Die wirtschaftlichen Aspekte hinter der Zahl zur Sample-Effizienz

Die Sample-Effizienz ist für Käufer keine akademische Kuriosität. Das Sammeln ferngesteuerter Demonstrationsdaten ist einer der größten versteckten Kostenfaktoren beim Einsatz eines lernfähigen Roboters und erfordert einen geschulten Bediener, eine kalibrierte Roboterzelle sowie stundenlange Aufzeichnungen für jede neue Aufgabenvariante, die ein Kunde automatisieren möchte. Sollte sich das Verhältnis von 380:1 bei Skild auch außerhalb kuratierter Demonstrationen bestätigen, beschleunigt dies nicht nur die Entwicklung. Es

Es verändert die Frage, welche Aufgaben es überhaupt wirtschaftlich lohnt zu automatisieren, da eine Aufgabe, für deren Rechtfertigung ein Einsatzvertrag wochenlange Datenerfassung erfordert hätte, stattdessen an einem Nachmittag durch Filmaufnahmen erfasst werden könnte.

Gerade dieses wirtschaftliche Argument ist der Punkt, an dem die Umsatzzahlen von Skild für eine Kaufentscheidung relevant werden und nicht nur als Schlagzeile in der Finanzberichterstattung dienen. Das Unternehmen gab an, etwa 10 Monate nach der Markteinführung eine jährliche Umsatzrate von 100 Millionen US-Dollar erreicht zu haben, mit mehr als 60 Implementierungspartnerschaften in den Bereichen Fertigung, Logistik, Inspektion, Sicherheit und Lebensmittelzubereitung. Die Umsatzrate in dieser Phase signalisiert einem Käufer, dass das Modell bereits jetzt bezahlte Einsätze generiert und nicht nur durch Risikokapital finanzierte Pilotprogramme – dies ist der entscheidende Unterschied zwischen einem Anbieter eines Grundmodells, der ein mehrjähriges Integrationsengagement rechtfertigt, und einem, der sich erst noch mit seinem ersten Produktionsauftrag bewähren muss.

Wo die Behauptung noch einer unabhängigen Überprüfung bedarf

Die veröffentlichten Zahlen zur Erfolgsquote stammen aus den eigenen Unterlagen von Skild und NVIDIA, nicht aus einem unabhängig reproduzierten Benchmark, und keines der beiden Unternehmen hat das Bewertungsprotokoll so detailliert offengelegt, dass ein Dritter den Vergleich von 66 Prozent gegenüber 9 Prozent nachstellen könnte. Die Kluft zwischen einer für eine Produktankündigung inszenierten Demo und einer Aufgabe, die unter den unterschiedlichen Lichtverhältnissen, der Unordnung und der Objektvielfalt einer tatsächlichen Produktionshalle ausgeführt wird, ist der häufigste Schwachpunkt in der lernbasierten Robotik – und genau diese Art von Detail kommt in einem 11-minütigen Demonstrationsvideo nicht zum Vorschein. Käufer, die den S1 für ihren eigenen Betrieb evaluieren, sollten Skild nach den Aufgabenerfolgsraten fragen, die unter den Bedingungen ihrer eigenen Anlage gemessen wurden – und nicht nach den inszenierten Benchmark-Aufgaben des Unternehmens –, bevor sie sich auf einen Einführungszeitplan festlegen, der auf den veröffentlichten Zahlen basiert.

Zudem stellt sich die Frage nach dem Anwendungsbereich. Die vorgestellten Aufgaben – das Eintopfen von Pflanzen, die Montage von Pfannkuchen und ein Kabelbaum von Foxconn – sind für sich genommen zwar beeindruckend, decken jedoch nur einen engen Ausschnitt ab

Was ein Lager- oder Fertigungsbetreiber über eine gesamte Produktionslinie hinweg automatisieren müsste. Ein Grundmodell, das schnell aus einzelnen Demonstrationen lernt, unterliegt nach wie vor den physikalischen Einschränkungen des Roboterkörpers, auf dem es läuft, und Skild hat nicht veröffentlicht, mit welchen konkreten Armen, Greifern oder mobilen Plattformen der S1 über die in der Bekanntgabe vom Donnerstag gezeigten Systeme hinaus validiert wurde. Genau an dieser Unterscheidung zwischen einem leistungsfähigen Modell und einem einsatzfähigen System scheitern die meisten Beschaffungsentscheidungen im Bereich der Robotik, und die am Donnerstag vorgestellten Zahlen sollten eher als Einladung zu Pilotprojekten denn als Spezifikation eines fertigen Produkts betrachtet werden.

Ein überfülltes Feld von Behauptungen zu Basis-Modellen

Skild ist nicht das einzige Unternehmen, das im Wettlauf um die Entwicklung eines universellen Robotergehirns steht. Physical Intelligence, das in San Francisco ansässige Start-up hinter der Pi-Familie von Vision-Sprache-Aktion-Modellen, hat ähnliche Behauptungen zur Sample-Effizienz für Manipulationsaufgaben in Lagerhäusern und im Haushalt aufgestellt. Figure AI hat seine humanoide Hardware mit dem eigenen Helix-Modell kombiniert, anstatt ein Basismodell eines Drittanbieters zu lizenzieren, und setzt dabei darauf, dass der Besitz sowohl des Körpers als auch des Gehirns eine engere Integration ermöglicht. Google DeepMind hat mit seiner RT-X-Reihe eine andere Architektur vorangetrieben, die auf Daten trainiert wurde, die aus Dutzenden von Roboterlabors stammen, anstatt auf der Demonstrationspipeline eines einzelnen Unternehmens. Was den Ansatz von Skild auf dem Papier auszeichnet, ist die Behauptung, dass S1 roboterübergreifend funktioniert, ohne dass ein erneutes Training pro Roboter erforderlich ist – ein schwierigeres und kommerziell wertvolleres Problem als ein auf eine einzige Hardwareplattform abgestimmtes Modell. Allerdings lässt sich diese Behauptung in einer Pressemitteilung leichter formulieren, als sie in der tatsächlichen, gemischten Flotte eines Kunden aus Armen, mobilen Plattformen und Greifern zu beweisen ist.

Für einen Käufer, der Anbieter vergleicht, lautet die praktische Frage nicht, welches Unternehmen das beeindruckendste Demonstrationsvideo veröffentlicht, sondern welches sich in einem kommerziellen Vertrag zu einer Erfolgsgarantie verpflichtet, die anhand der eigenen Ausrüstung und des eigenen Aufgabenspektrums des Käufers gemessen wird. Keines der

Die Anbieter von Grundmodellen, die derzeit um diesen Markt konkurrieren – darunter auch Skild –, haben eine solche Garantie öffentlich gemacht, wodurch sich die gesamte Kategorie für Beschaffungsteams weiterhin in einer Evaluierungsphase befindet und es nicht zu einer einfachen Anbieterauswahl kommt.

Wie geht es mit der Partnerschaft mit NVIDIA weiter?

Skild und NVIDIA werden voraussichtlich noch in diesem Jahr auf der GTC-Konferenz von NVIDIA in Berlin weitere Ergebnisse ihrer Zusammenarbeit vorstellen. Dort werden die Unternehmen voraussichtlich zusätzliche Aufgabenkategorien bekanntgeben; Käufer, die die Plattform evaluieren, sollten zudem auf unabhängig überprüfbare Leistungsdaten achten, die über den kuratierten Demonstrationsumfang hinausgehen. Das wichtigere Signal, das es bis dahin zu verfolgen gilt, ist die Frage, ob die über 60 Implementierungspartner von Skild beginnen, ihre eigenen Produktionsergebnisse offenzulegen, da der wahre Test eines Grundmodells nicht das Demonstrationsvideo ist, mit dem es vorgestellt wird, sondern die Vielzahl zahlender Kunden, die es ein Jahr später noch immer einsetzen.

Ein einziges Video, 11 Minuten und eine Erfolgsquote von 66 Prozent bei Aufgaben, für die früher Tausende von aufgezeichneten Wiederholungen erforderlich waren, stellen einen echten Wandel dar, wie schnell ein Roboter-Lernsystem neue Aufgaben verinnerlichen kann, und es ist genau diese Art von Fähigkeit, die die Abwägung verändert, welche Aufgaben es überhaupt wert sind, automatisiert zu werden – vorausgesetzt, die Lücke zwischen Demonstration und Produktionsalltag schließt sich so schnell, wie Skild es verspricht.

Die entscheidende Kennzahl ist nicht die Erfolgsquote dieser Woche, sondern die Abwanderungsrate unter den über 60 Einsatzpartnern von Skild in einem Jahr: Wie viele von ihnen werden ein Pilotprojekt in einen verlängerten, erweiterten Vertrag umwandeln, sobald der Reiz der Demonstration nachlässt und das Modell seine Leistung unter den normalen Schwankungen einer Produktionslinie unter Beweis stellen muss – und nicht in einer für eine Pressekonferenz errichteten Foxconn-Vorführanlage?

Bildnachweis für das Titelbild: Skild AI.

Diese Analyse stützt sich auf öffentliche Erklärungen und technische Unterlagen, die von Skild AI und NVIDIA zur Einführung des S1-Modells veröffentlicht wurden. Sie dient ausschließlich allgemeinen Informationszwecken und stellt keine Anlageempfehlung dar,

finanzielle oder rechtliche Beratung.