英伟达披露与 Skild AI 合作细节：机器人基础模型如何从基础设施走向商业化

【软盟资讯·新闻导读】2026年9月10日，英伟达披露与 Skild AI 的合作细节：Skild AI 的 S1 机器人基础模型依托英伟达基础设施完成合成数据生成、模型训练、仿真与现实部署。公开信息还称，Skild AI 在首次商业部署10个月后达到1亿美元年化收入。此次合作的观察重点，不只是模型能否完成演示任务，更在于算力平台如何支持机器人从研发走向持续交付。

英伟达披露合作链条：S1并非只依赖单一模型能力

这次公开信息涉及的合作双方，是英伟达与 Skild AI。英伟达披露，Skild AI围绕 S1 机器人基础模型使用了覆盖多个环节的 AI 基础设施，包括合成数据生成、模型训练、机器人仿真，以及面向现实环境的物理 AI 部署。

这意味着合作重点并不局限于向 Skild AI 提供某一款芯片或单一软件组件。更准确地说，英伟达试图把机器人模型开发所需要的完整技术链条连接起来：先通过数据与仿真扩大训练覆盖，再利用算力完成模型训练，最后将模型能力放入真实机器人和生产环境中验证。

Skild AI则负责 S1 模型及其机器人智能方案。根据 Skild AI 公开介绍，S1 被设计为一种具备上下文学习能力的机器人基础模型，可以接收一段任务演示视频，并据此生成机器人动作，而不需要更新模型权重，也不需要针对每项新任务单独进行后训练。

S1的关键能力：从“重新训练”转向“现场理解”

传统机器人系统在面对新任务时，往往需要重新编程、采集数据或进行针对性训练。S1所强调的路径，是让机器人通过视频示范理解任务，再将这种理解转化为实际动作。

Skild AI称，S1能够处理最长约10分钟、且未出现在预训练分布中的长时任务，并将其描述为机器人基础模型在长时任务上下文学习方面的重要进展。这里需要注意，这一表述属于 Skild AI 的公开技术介绍，不能简单等同于所有现实环境下都能稳定完成复杂任务。

从技术逻辑看，S1的价值不只是“看一段视频学会动作”。它更试图解决机器人商业化中的一个核心问题：生产线、仓储区域和操作流程经常发生变化，如果每次变化都需要重新训练，部署成本和响应周期就可能快速上升。模型若能在不修改权重的情况下适应部分新任务，理论上有机会降低任务切换的门槛。

但这种能力是否能够稳定转化为生产效率，还要看任务成功率、异常处理能力、安全约束、硬件适配和连续运行表现。单次演示中的能力，不等于复杂现场中的可重复交付能力。

英伟达的价值：把机器人基础模型嵌入基础设施体系

英伟达披露的合作内容，反映出其机器人战略正在从“提供计算资源”进一步延伸到“提供物理 AI 的开发与部署基础设施”。

对于机器人模型公司来说，训练数据、仿真环境和真实部署并不是彼此独立的环节。机器人需要在大量变化场景中学习，但真实采集成本高、风险大、周期长；仿真能够扩大数据覆盖，却又必须尽量接近现实世界的物理规律；模型完成训练后，还要适配具体机器人平台、传感器和现场流程。

英伟达在这条链条上的平台价值，来自不同环节之间的协同。算力不仅用于训练模型，也用于数据生成、仿真推演和部署阶段的推理支持。对企业客户而言，这种一体化能力可能减少技术栈拼接和系统迁移的复杂度。

这也是英伟达与 Skild AI 合作的产业意义所在：英伟达并不只是等待机器人公司采购硬件，而是通过基础模型合作，推动自身计算平台、仿真工具和物理 AI 软件能力进入机器人商业化流程。

1亿美元年化收入说法，关键在于“首次商业部署后10个月”

公开报道援引相关披露称，Skild AI在首次商业部署10个月后，达到1亿美元年化收入。这里的表述是“年化收入”，并不等同于已经实现1亿美元年度确认收入，也不等同于净利润、订单总额或合同金额。

对于一家机器人基础模型公司而言，这一数字如果得到持续兑现，说明其商业模式至少已经从研究演示进入了可收费部署阶段。但仅凭年化收入这一指标，仍然无法判断公司的客户规模、收入集中度、续约情况、交付成本或项目盈利能力。

企业管理者和投资者尤其需要区分三类数字：

• 合同或订单金额：代表客户承诺，但不一定已经交付或确认收入。
• 年化经常性收入：通常是依据当前收入水平推算未来12个月，不等于实际年度收入。
• 已确认收入：反映会计期间内已经完成的业务确认，但仍需要结合成本和现金流判断质量。

因此，Skild AI的1亿美元年化收入说法具有重要信号意义，但不能被直接解读为机器人基础模型已经实现大规模普及。公开资料目前更适合支持这样的判断：Skild AI已经披露了从模型研发到商业部署的进展，并公布了一个具有代表性的收入指标。

企业评估具身智能项目，不能只看演示效果

S1案例对企业的启示，不是看到机器人完成一次视频示范，就立即判断项目具备大规模复制条件。企业更应围绕实际部署过程建立评估框架。

第一，看部署周期

从设备进场、数据采集、场景调试到稳定运行，实际需要多长时间？如果每新增一个任务都要经过数周甚至数月的重新开发，那么基础模型带来的灵活性可能尚未转化为业务效率。

第二，看真实收入和交付质量

需要区分试点项目、付费部署、持续服务收入和年化推算数据。企业还应关注项目是否能够续约，收入是否依赖少数客户，以及部署成本是否随项目增加而下降。

第三，看场景复用能力

基础模型的商业价值，很大程度上取决于同一套模型能否跨任务、跨设备或跨场景复用。复用不是简单地把模型复制到另一台机器人上，还涉及传感器差异、动作空间、环境安全和业务流程适配。

第四，看异常处理与安全边界

真实生产环境存在遮挡、物体位置变化、人员进入、设备故障和任务中断等情况。企业需要测试模型在异常状态下是否能够暂停、回退、请求人工介入，而不是只观察正常流程中的任务完成率。

编辑判断：产业竞争正在从“谁的模型更强”转向“谁能持续交付”

Skild AI与英伟达的合作，代表了具身智能产业中一个值得关注的变化：模型能力仍然重要，但模型本身已经不再是完整的商业化答案。机器人基础模型要进入企业现场，还需要算力、数据、仿真、硬件适配、部署工具和持续运维共同支撑。

英伟达通过参与 S1 的基础设施链条，强化的是平台型价值。它希望让客户看到，机器人智能不是孤立运行的模型，而是一套从训练到现实执行的技术系统。对于 Skild AI而言，依托成熟基础设施可以降低研发与部署环节的复杂度，但最终仍必须用稳定的任务表现和可持续收入证明商业模式。

企业在评估具身智能项目时，也应把注意力从发布会演示转向交付数据：部署用了多久，实际产生多少收入，任务迁移是否顺利，新增场景的边际成本是否下降。只有这些指标持续改善，机器人基础模型才可能真正成为生产系统的一部分。

【软盟观察】

从软盟资讯的编辑视角看，英伟达披露 Skild AI 合作细节的价值，在于它把机器人基础模型的竞争放回到产业链中观察。S1的单视频学习、长时任务和上下文理解，构成了值得关注的模型能力，但真正决定商业化速度的，往往不是某项能力在演示中的先进程度，而是这项能力能否被稳定部署、持续维护并复制到更多业务流程中。

英伟达的优势在于基础设施覆盖范围较广，从训练所需的计算资源，到合成数据、仿真和现实部署，都可以纳入同一套技术叙事。对机器人企业来说，这有助于缩短从研究到产品的距离；对英伟达来说，则意味着其平台价值有机会从数据中心延伸到工厂、仓储和其他物理空间。

但行业仍需保持克制。Skild AI公开的1亿美元年化收入是重要商业化信号，却不能替代对收入确认、客户续约、部署成本和现金流的进一步核验。机器人项目的难点也不会因为引入基础模型而自动消失，硬件可靠性、安全责任、任务边界和现场运维仍然决定项目能否长期运行。

未来具身智能企业的竞争，可能不再只是比较模型参数、演示任务数量或单次成功率，而是比较谁能把模型能力转化为更短的部署周期、更高的任务复用率和更清晰的收入质量。对于企业决策者而言，最值得投资的不是最会展示的机器人，而是能够在真实流程中持续创造价值的系统。

全文总结

英伟达与 Skild AI 的合作显示，机器人基础模型的商业化正在依赖模型、算力、数据、仿真和部署能力的协同。S1强调通过单段视频学习新任务，Skild AI则披露首次商业部署后10个月达到1亿美元年化收入。企业评估具身智能项目时，应重点核验部署周期、真实收入、场景复用和长期运行能力，而不能只看演示效果。