团队
- 创始人：Deepak Pathak、Abhinav Gupta（公开报道与官方融资稿可交叉印证）。
- 学术基因：CMU 系核心团队，是当前美国“通用机器人大脑”路线里最强的学术创业组合之一。
- 组织能力信号：官网 careers 页面 2026-04 显示仍有 44 个在招岗位，覆盖 AI Research、Robotics Engineering、Software & Infrastructure、Hardware & Embedded Systems、Robotics Operations、Data & Training Operations 等方向，说明公司已不只是研究团队，而是在同时补齐部署、数据与基础设施能力。
- 全球化扩张：2026-02 官方宣布在 Bengaluru 设立办公室，配合加州与宾州团队，强化全球招聘与部署基础设施。
产品
- Skild Brain：统一的 omni-bodied robot foundation model，口号是 “Any robot. Any task. One brain.”
- 当前应用样例：安全巡检、移动操作、自主打包，以及面向工业 OEM 的通用智能层。
- 产品定位：不自研单一本体，而是为不同机器人提供通用控制与学习能力。
- 产品形态判断：Skild 交付的不是单个 demo policy，而是一套可跨 quadruped、humanoid、mobile manipulator、table-top arm 迁移的“机器人大脑”。
技术路线
- 核心判断：Skild AI 的路线是“硬件无关的统一机器人基础模型”，重点不在做一台最好的人形，而在做一个可迁移到多种机器人身体上的通用大脑。
- 关键技术要点：
- 官方 2025-07 技术博文明确提出 omni-bodied intelligence，训练目标是让一个模型跨 quadrupeds、humanoids、table-top arms、mobile manipulators 甚至 human data 泛化。
- 2025-09 官方 omni-bodied 博文进一步披露，Skild 在由 100,000 种 procedurally generated robots 构成的训练“multiverse”里逼迫同一模型学习跨身体泛化，并在测试时 zero-shot 控制未见过的 legged / wheeled 机器人。
- Skild Brain 采用 分层架构：上层是低频 manipulation/navigation policy，下层是高频 low-level action policy，负责把高层命令转成具体 joint angles 与 motor torques。
- 数据策略是 大规模仿真 + 互联网人类视频 + 定向真实世界数据 post-training，其论点是机器人真实数据太慢太贵，必须先靠 broader data source 预训练，再用真机数据打磨交付。
- 2025-09 的 LocoFormer 论文把这一路线进一步具体化为 long-context adaptation，即通过跨 episode 上下文与大规模 RL，让同一模型在电机故障、负载变化、轮腿切换等扰动下继续控制未见机器人。
- 2026-03 官方宣布与 ABB Robotics、Universal Robots、NVIDIA 合作，把 Skild Brain 推向工业部署与数据飞轮扩张。
- 路线特征：更像“机器人行业的底层模型公司”，而不是围绕某一形态闭环优化的整机厂。
商业验证
- 核心判断：Skild 仍属早期，但已经从“融资故事”进入“找 OEM 和工厂验证”的阶段。
- 支撑：
- 2026-01 官方 Series C 稿称 2025 年 live revenue 已在几个月内从 0 增长到约 $30M。
- 2026-03 官方宣布与 ABB Robotics、Universal Robots、NVIDIA 合作推进工业部署。
- 2026-03 ABB 合作博文详细披露：已与 Foxconn 合作在 NVIDIA Blackwell GPU 产线部署双臂组装任务（busbar pick-place → limit block → 16 颗螺丝钻入 → 移除 limit block），这是 Skild Brain 在真实精密制造场景中的首个公开案例。
- ABB Robotics 总裁 Marc Segura 公开表示将把 Skild Brain 集成到 ABB 机器人组合中。
- UR CEO Jean-Pierre Hathout 确认合作将为 cobot 引入高级 AI 能力，处理更动态、可变的工业任务。
- Bengaluru 扩张与大量 deployment / robotics operations 岗位，说明公司正在为真实落地而非单纯研究展示扩编。
- 官方确认部署已覆盖安全、建筑、交付、数据中心、仓库和工厂组装等多个行业。
- 不确定性：收入可持续性、客户留存、模型交付方式与不同 OEM 上的真实泛化成本尚未公开。
市场切入
- 当前切入口：先从工业 OEM、移动操作、巡检与包装等更易规模化复制的机器人场景切入。
- 路径判断：先做“brain layer”，通过合作硬件厂和工业客户拿真实部署数据，再反哺通用模型；这比自建整机更轻，但也更依赖合作伙伴网络。
融资历史
| 轮次 | 金额 | 时间 | 投资方 |
|---|---|---|---|
| Series A | $300M | 2024-07 | Lightspeed、Coatue、软银系之外的多家机构 |
| Series C | $1.4B | 2026-01 | SoftBank、NVentures (NVIDIA) 等 |
| 累计融资 | >$2B | 2026-01 | TechCrunch 引述 CEO 口径 |
竞争定位
- 核心壁垒：顶级学术团队 + 超大融资能力 + 硬件无关基础模型叙事。
- 与竞品差异：更像“机器人领域的底座模型公司”，而不是本体厂；与 Physical Intelligence、Covariant 等同属“brain layer”竞争带。
- 挑战：估值过高、交付压力大；若真实部署效率低于融资预期，回撤会很快。
风险
- 数据闭环风险：若合作部署规模起不来，仿真与互联网视频带来的先验未必能顺利转成真实世界稳定性。
- 交付风险：跨 embodiment 泛化叙事很强，但不同 OEM 的传感器、控制栈和安全约束可能显著抬高 integration 成本。
- 估值风险：以 >$14B 估值进入工业落地期，意味着市场对收入与合作转化速度的容忍度会很低。
动态记录
- 2026-05-08：Phase 1 培育更新。读取 ABB/UR/NVIDIA 合作博文、Series C 博文与”从人类视频学习”博文的完整内容，补入 Foxconn/Blackwell 产线部署案例、ABB/UR CEO 公开背书、详细投资者名单、数据飞轮四来源架构、<1h 机器人数据+视频学新技能的技术路线确认。sources 由 12 条增至 15 条。depth_score 上调至 42（进入 Phase 2）。
- 2026-04-14：补入 omni-bodied blog、LocoFormer 论文与 Davos 访谈，sources 由 9 条增至 12 条；Skild 的非显而易见优势更清楚了，不只是喊“any robot”，而是试图用 10 万机器人 multiverse + long-context adaptation 强行学出跨 embodiment 鲁棒性，当前仍维持 Phase 1，depth_score 上调至 36。
- 2026-03-19：官方宣布与 ABB Robotics、Universal Robots、NVIDIA 合作，推动 Skild Brain 进入工业部署与数据飞轮阶段。
- 2026-02-19：官方宣布在 Bengaluru 设立新办公室，开始把组织从美国双基地扩展到全球化工程体系。
- 2026-01-14：官方宣布完成 14 亿美元 Series C，估值超过 140 亿美元。
- 2024-07-29：官方首篇技术博文系统阐述 omni-bodied brain，首次明确分层控制架构与“仿真+互联网视频+真实数据 post-training”的路线。
- 2024-07-09：官方宣布完成 3 亿美元 Series A，正式走出 stealth。