智能制造网APP
智能制造网手机站
智能制造网小程序
智能制造网官微
智能制造网服务号
智能控制
机器人
仪器仪表
物联网
3D打印
工业软件
回放
品牌
近日，美国机器人初创公司Skild AI宣布完成3亿美元(约20亿人民币)A轮融资，资方阵容豪华，包括软银集团、红杉资本、Lightspeed Venture Partners、Coatue、亚马逊等顶级投资机构。
Skild AI的投后估值达到15亿美元(约108亿人民币)，跃升新晋独角兽。
作为一家成立仅一年的初创公司，Skild AI能够在如此短的时间内，获得众多“大佬”加持的巨额融资，无疑是现象级。
那么，Skild AI到底有什么过人之处，能让这么多顶级投资机构争相押注？
打造机器人的“通用大脑”
长期以来，机器人技术一直存在一个巨大的瓶颈：大多数机器人都是为特定任务设计的，缺乏灵活性和通用性，这导致机器人的应用场景受到很大限制，难以适应复杂多变的实际环境。
Skild AI的核心理念就是要打破这一瓶颈，为机器人打造一个"通用大脑"。
公司由两位卡内基梅隆大学(CMU)的前教授Deepak Pathak和Abhinav Gupta于2023年共同创立。两位创始人在机器人和人工智能领域均有超过25年的研究经验，在自监督机器人学习、好奇心驱动的智能体和自适应机器人学习等方面都取得了开创性的突破。
除了两位联合创始人，公司还汇聚了来自Meta、特斯拉、英伟达、亚马逊、谷歌等科技巨头，以及CMU、斯坦福大学、加州大学伯克利分校等顶尖学府的机器人和AI专家，为Skild AI研发工作提供了坚实的人才保障。
在AI领域，顶尖人才的重要性怎么强调都不为过。
从DeepMind到OpenAI，几乎所有引领AI革命的公司都拥有一支由行业顶尖专家组成的核心团队，Skild AI在这方面已具备了与这些公司比肩的潜力。
Skild AI联合创始人兼CEO Deepak Pathak表示：“我们正在构建的大规模模型展示了机器人在任务中无与伦比的泛化和紧急能力，为现实世界环境中的自动化提供了巨大的潜力。”
具体而言，Skild AI正在开发一种机器人基础模型，这个模型可以充当各种不同类型机器人的“大脑”，使它们能够执行广泛的任务，包括操作、运动和导航等。
Skild AI表示，他们的模型是在比竞争对手大1000倍的数据集上训练的。这个数据集包含了人类操作员远程控制机器人、随机任务执行以及大量公开视频等多种来源的数据。通过如此海量和多样化的数据训练，Skild AI的模型展现出了惊人的泛化能力和“涌现能力”。
所谓“涌现能力”，指的是AI系统能够表现出超出其明确编程范围的行为。
比如，Skild AI的机器人能够自主完成一些从未经过明确训练的任务，如捡起意外掉落的物体，或者更灵活地操纵物品以提高效率，这种能力使得Skild AI的机器人在面对复杂多变的现实环境时，更接近真人。
而从应用上讲，Skild AI的出现恰逢其时。
当前，美国正面临严重的劳动力短缺问题，尤其是医疗保健、制造、仓储等行业。
根据美国制造商协会数据，目前美国有超过170万个工作岗位空缺，协会还预测，到2030年，仅制造业就将有210万个工作岗位空缺。
而这些岗位中，很多涉及重复性、甚至危险的任务，非常适合由机器人来替代。
在这样的背景下，Skild AI的技术无疑为解决劳动力短缺问题提供了一个富有前景的方案。通过部署智能机器人，企业可以弥补人力资源的不足，同时提高生产效率和安全性。
Skild AI的联合创始人兼总裁Abhinav Gupta表示："借助能够在任何环境中、任何类型的实践案例中安全地执行任何自动化任务的通用机器人，我们可以扩展机器人的功能，使其成本民主化，并支持严重人手不足的劳动力市场。"
资本争相布局AI+机器人
Skild AI的这轮融资，反映了资本市场对机器人AI领域的热切关注。
事实上，不只是Skild AI，近期多家机器人AI初创公司都获得了大额融资。
例如，OpenAI、红杉在今年早些时候投资了Skild AI的竞争对手Physical Intelligence，7000万美元的融资把公司估值一下干到4亿美元。
热潮背后，是投资者对机器人+AI市场潜力的看好。
红杉资本的合伙人Stephanie Zhan将Skild AI的突破比作机器人技术的“GPT-3时刻”，预测该行业将发生巨大转变。Lightspeed Venture Partners的合伙人Raviraj Jain也表示，Skild AI有潜力“重新定义我们对机器能力的概念”。
然而，过度的资本追逐可能导致估值泡沫，最终引发行业洗牌。对于企业来说，技术与落地才是“硬通货”，切忌陷入烧钱换规模的怪圈。
通往AGI的漫漫长路
尽管Skild AI的愿景令人振奋，但通往AGI的路，还很长。
物理世界的复杂性远超虚拟世界，机器人需要在充满不确定性的三维空间中进行感知、规划和行动，这比在虚拟环境中处理文本或图像要复杂得多。
因此，尽管Skild AI声称其模型具有强大的泛化能力，但目前的AI技术仍存在明显局限。即使是最先进的AI系统，在面对完全陌生的环境或任务时，其表现仍然远远不如人类灵活。
如何让AI系统真正理解世界，而不仅仅是模仿人类行为，仍然是一个巨大的挑战。
此外，机器人的“身体化智能”涉及到感知、运动控制、任务规划等多个层面的协同，如何将这些不同层面的能力整合到一个统一的框架中，还是难题。
而即使AI系统能够做出正确的决策，机器人的机械结构能否支持复杂的动作执行，也存在失误风险，特别是在需要精细操作的场景中，物理能力可能成为制约其应用的瓶颈。
保持适度期待才是正解，既不低估其潜力，也不高估其短期内实现可能性。
浙公网安备 33010602000006号
智能制造网APP
智能制造网小程序
微信公众号
