Skild AI développe un « cerveau robotique » polyvalent capable de contrôler plusieurs types de machines, plutôt que d’être conçu pour un seul corps robotique. Son modèle S1 peut tenter une tâche inconnue après une seule démonstration vidéo, sans réglage fin spécifique à la tâche ni mise à jour des poids. La start-up, fondée en 2023, a annoncé un chiffre d’affaires récurrent annualisé supérieur à 100 millions de dollars en septembre 2026, mais ses affirmations de performance les plus remarquables ne font toujours pas l’objet d’une évaluation indépendante.
Que construit Skild AI ?
Skild AI is building Skild Brain, an “omni-bodied” robotics foundation model designed to operate different robot forms with a shared intelligence layer. According to the company’s 2026 technical explanation, the model learns from simulation, internet video and real-world robot data rather than depending exclusively on demonstrations collected for one machine.
Un modèle de base pour la robotique est un système d’IA qui apprend des compétences physiques réutilisables et les applique à différentes tâches, environnements ou configurations matérielles. Cela diffère de l’automatisation industrielle conventionnelle, dans laquelle un intégrateur peut programmer un bras robotisé pour exécuter une séquence dans un poste de travail fixe.
Les professeurs de Carnegie Mellon Deepak Pathak et Abhinav Gupta ont fondé l’entreprise en 2023. Leur pari central est que la robotique peut suivre le modèle des modèles de base observé dans le langage et la vision : entraîner largement un modèle, puis l’adapter à de nombreuses applications.
La difficulté réside dans la diversité physique. Un robot mobile à roues, un robot quadrupède et un manipulateur à deux bras possèdent des capteurs, des limites de mouvement et des modes de défaillance différents. Skild Brain est destiné à traduire les connaissances communes en actions adaptées à chaque corps, plutôt qu’à traiter chaque plateforme matérielle comme un projet sans rapport avec les autres.
Cette ambition distingue également l’IA physique des agents logiciels. Des problèmes tels que la latence des agents conversationnels d’IA peuvent provoquer des pauses gênantes ; sur un robot en mouvement, la latence ou une action incorrecte peut affecter les équipements, les produits et les personnes.
Comment le modèle S1 de Skild AI apprend-il une nouvelle tâche ?
Skild AI S1 utilise l’apprentissage en contexte pour tenter d’accomplir une tâche physique jamais vue auparavant après avoir reçu une seule démonstration vidéo. Skild AI a déclaré en août 2026 que S1 ne nécessitait ni réglage fin spécifique à la tâche ni mise à jour des poids du modèle, ce qui pourrait remplacer une partie de la téléopération répétée et de la collecte de données habituellement utilisées pour enseigner de nouveaux comportements.
On montre au modèle une courte vidéo de l’action souhaitée, par exemple une séquence faisant intervenir des objets et des outils, et le robot interprète la démonstration comme un contexte. Le modèle doit ensuite relier l’intention visuelle aux capacités du corps robotique disponible.
NVIDIA a rapporté en septembre 2026 que Skild estimait qu’une courte démonstration vidéo équivalait à environ 380 exemples d’entraînement pratiques. Considérez ce ratio comme une estimation de l’entreprise, et non comme un taux de conversion universel. La valeur d’une démonstration variera selon l’angle de prise de vue, la complexité de la tâche, le matériel et la similarité entre les conditions d’entraînement et de déploiement.
S1 a été étudié et développé avec des technologies NVIDIA, notamment Cosmos, Omniverse, Isaac Sim et Isaac Lab, selon les deux entreprises en 2026. Les données synthétiques et la simulation peuvent exposer un modèle à davantage de situations que la seule collecte de données physiques, tandis que les essais dans le monde réel révèlent les frottements, les déformations et les erreurs de capteurs que la simulation peut ne pas reproduire.
Skild also published a physical self-play experiment on September 23, 2026. Robots practiced simulated soccer by competing against themselves, a method intended to develop dynamic and dexterous behavior. No independent benchmark accompanied the result, so the experiment shows a training direction rather than settled proof of broad capability.
Quelle est la solidité des résultats rapportés pour S1 ?
NVIDIA a déclaré en septembre 2026 que Skild AI S1 avait accompli de nouvelles tâches en plusieurs étapes avec un taux de réussite d’environ 66 % par étape dans les tests de Skild, contre 91 % pour un système de comparaison. Le résultat est significatif, mais NVIDIA ne l’a pas présenté comme un benchmark standardisé indépendant couvrant différents robots, sites et distributions de tâches.
| Mesure | S1 | Système de comparaison | Source ou méthode |
|---|---|---|---|
| Taux de réussite rapporté par étape | Environ 66 % | Environ 91 % | NVIDIA, septembre 2026, citant les tests de Skild |
| Réussite calculée pour trois étapes | Environ 28,71 % | Environ 0,071 % | Taux élevé au cube, en supposant des étapes indépendantes |
| Réussite calculée pour cinq étapes | Environ 12,51 % | Environ 0,00061 % | Taux élevé à la cinquième puissance, en supposant des étapes indépendantes |
Le calcul révèle un piège que les comparaisons présentées dans les titres dissimulent. Si chaque étape réussit indépendamment avec une probabilité de 66 %, une tâche en trois étapes ne réussit que dans 0,66 × 0,66 × 0,66 des cas, soit environ 28,71 %. Une séquence de cinq étapes tombe à environ 12,51 %. Les étapes réelles peuvent être corrélées ; ces chiffres illustrent donc l’effet cumulatif plutôt qu’ils ne prédisent un déploiement précis.
Un taux de 66 % par étape peut représenter une avancée de recherche impressionnante tout en restant insuffisant pour une ligne de production sans surveillance. Le comportement de récupération compte également : un robot capable de reconnaître une erreur et de réessayer en toute sécurité peut être plus utile qu’un robot affichant un meilleur score au premier essai, mais dépourvu de stratégie de récupération.
Les acheteurs devraient demander des preuves obtenues dans leurs propres conditions d’exploitation. L’évaluation devrait couvrir les cinq éléments suivants :
- L’achèvement de la tâche de bout en bout, et pas seulement la réussite par étape.
- Les résultats obtenus au fil des équipes, avec des variations d’éclairage et d’objets.
- Les taux de récupération après la chute, le blocage ou le mauvais placement d’objets.
- Le nombre d’interventions humaines par heure de fonctionnement lors des essais de 2026.
- Les limites de sécurité, les journaux d’audit et le comportement après une perte de réseau.
En toute honnêteté, le chiffre de 66 % par étape constitue un indicateur utile des progrès, et non une spécification d’achat. Les entreprises qui déploient des systèmes autonomes ont également besoin de contrôles comparables, dans leur esprit, à ceux de la sécurité des agents d’IA soutenue par le matériel, adaptés à des machines qui exercent une force dans le monde physique.
Quel est le montant du financement et du chiffre d’affaires de Skild AI ?
Skild AI a annoncé une série C de 1,4 milliard de dollars le 14 janvier 2026, pour une valorisation supérieure à 14 milliards de dollars. L’entreprise a ensuite annoncé un chiffre d’affaires récurrent annualisé supérieur à 100 millions de dollars le 10 septembre 2026, environ 10 mois après son premier déploiement commercial, ainsi que plus de 60 clients payants ou partenariats de déploiement.
La hausse du financement a été fulgurante. Le 9 juillet 2024, la start-up est sortie du mode furtif avec une série A de 300 millions de dollars, pour une valorisation de 1,5 milliard de dollars. Lightspeed Venture Partners, Coatue, SoftBank Group et Bezos Expeditions ont dirigé ou participé à ce tour de table. SoftBank a dirigé la série C de 2026, rejointe par NVentures, Macquarie Capital et Bezos Expeditions.
Le chiffre d’affaires récurrent annuel n’est pas la même chose que le chiffre d’affaires déjà comptabilisé. Skild a déclaré en septembre 2026 avoir comptabilisé $50 millions depuis le début des déploiements commerciaux, environ 10 mois plus tôt, tandis que le rythme annualisé récurrent dépassait $100 millions. Mélanger ces chiffres surestimerait les ventes réalisées.
L’entreprise a également indiqué qu’environ 90% de son chiffre d’affaires provenait principalement de travaux de manipulation. La mobilité a contribué à hauteur de 10%, dont 4% issus de l’activité de robots mobiles autonomes acquise auprès de Zebra Technologies et Fetch Robotics. Ces pourcentages sont communiqués par l’entreprise et n’ont pas été présentés avec des états financiers audités.
Selon l’annonce de septembre 2026, plus de 60 clients ou partenaires de déploiement intervenaient dans les secteurs de la fabrication, de la logistique, de l’inspection, de la sécurité, de la préparation alimentaire, des entrepôts et des centres de données. Skild a également indiqué travailler avec NVIDIA et Foxconn au déploiement de manipulateurs à deux bras pour l’assemblage de systèmes NVIDIA Blackwell.
Avec une valorisation supérieure à $14 milliards et un ARR légèrement supérieur à $100 millions, le multiple implicite de valorisation par rapport à l’ARR était inférieur à 140 fois selon les données de janvier à septembre 2026. Les dates ne coïncident pas parfaitement, mais ce calcul approximatif montre l’ampleur de l’expansion future intégrée dans les anticipations des investisseurs. Les équipes chargées des achats qui envisagent une automatisation similaire doivent distinguer la promesse technique des contrôles commerciaux requis pour les systèmes B2B autonomes.
Pourquoi Skild AI a-t-elle acquis l’activité de Fetch Robotics ?
Skild AI a acquis l’activité Robotics Automation de Zebra Technologies le 15 avril 2026, récupérant des opérations auparavant associées à Fetch Robotics. Zebra Technologies a reçu des liquidités et une participation au capital, bien qu’aucune des deux entreprises n’ait divulgué le montant de la transaction. Cette acquisition a ajouté à la stratégie de modèle de fondation de Skild une activité établie de robots mobiles autonomes.
L’activité acquise donne à l’entreprise d’IA un accès aux entrepôts et à d’autres sites où des robots mobiles assurent déjà le déplacement de matériaux. Elle apporte également du matériel déployé, des relations clients et des données opérationnelles, même si les entreprises n’ont pas quantifié ces actifs dans l’annonce.
Une tension stratégique existe ici. La start-up promeut une couche d’intelligence indépendante de tout corps particulier, mais l’acquisition d’une activité liée au matériel rattache une partie de ses performances commerciales à une catégorie précise de robots. Ce n’est pas nécessairement une contradiction ; les déploiements réels peuvent contribuer à entraîner et à tester un modèle plus général.
Still, integration can be less glamorous than model research. Customers need maintenance, fleet management, spare parts, cybersecurity and predictable support. Robots retired during future upgrades also create asset-disposition questions similar to those covered in programmes de gestion de la fin de vie des actifs informatiques d’entreprise.
Qu’est-ce qui reste à démontrer concernant un cerveau universel pour robots ?
Skild AI a démontré un financement rapide, une traction commerciale et un comportement prometteur de ses modèles, mais un cerveau universel pour robots n’a pas encore été démontré par des tests indépendants et standardisés en 2026. Les questions ouvertes portent notamment sur la fiabilité avec différents matériels, la réussite de tâches complètes, la sécurité dans des conditions inhabituelles, la fréquence des interventions et le coût de l’adaptation des déploiements à chaque site.
Le terme « universel » mérite d’être employé avec rigueur. Contrôler plusieurs types de robots ne prouve pas la capacité à faire fonctionner correctement tous les corps, toutes les tâches ou tous les sites. Chaque machine possède des limites de charge utile, un positionnement des capteurs, une fréquence de contrôle et des contraintes de sécurité qui lui sont propres.
La généralisation a également ses limites. Une vidéo peut montrer clairement ce qu’une personne souhaite faire tout en dissimulant la force nécessaire, le poids de l’objet ou le retour tactile. Le verre transparent, le métal réfléchissant, les aliments déformables et les composants ajustés au millimètre peuvent chacun transformer une action visuellement simple en problème de contrôle difficile.
La preuve la plus solide combinerait des références indépendantes avec des données d’exploitation au niveau des clients : réalisation complète des tâches, interventions par heure, temps moyen entre les pannes et coût total par action réussie. Tant que ces chiffres ne seront pas disponibles pour plusieurs catégories de matériel, « omni-corporel » doit être compris avant tout comme l’objectif de conception de l’architecture.
Foire aux questions sur Skild AI
Qui a fondé Skild AI ?
Skild AI a été fondée en 2023 par les professeurs de Carnegie Mellon Deepak Pathak et Abhinav Gupta. Les fondateurs ont créé l’entreprise pour développer un modèle de fondation robotique polyvalent.
Qu’est-ce que Skild Brain ?
Skild Brain est un modèle de fondation « omni-corporel » conçu pour contrôler différents types de robots plutôt qu’une configuration matérielle fixe. Ses sources d’entraînement en 2026 comprennent la simulation, des vidéos disponibles sur Internet et des données de robotique du monde réel.
Skild AI est-elle cotée en bourse ?
D’après son annonce de série C de janvier 2026, Skild AI restait une entreprise financée par des investisseurs privés. L’entreprise a fait état d’une valorisation supérieure à $14 milliards, mais aucune cotation publique n’a été annoncée dans les sources fournies pour 2026.
S1 a-t-il besoin d’un réglage fin pour chaque nouvelle tâche ?
Skild AI affirme que S1 peut tenter d’exécuter une tâche inconnue à partir d’une seule démonstration vidéo, sans réglage fin spécifique à la tâche ni mise à jour des poids. Les performances dépendront néanmoins du robot, de l’environnement et de la tâche, et cette affirmation ne garantit pas une fiabilité suffisante pour la production.
Combien de clients Skild AI compte-t-elle ?
Skild AI a fait état de plus de 60 clients payants ou partenariats de déploiement le 10 septembre 2026. L’entreprise a cité notamment les secteurs de la fabrication, de la logistique, de l’inspection, de la sécurité, de la préparation alimentaire, des entrepôts et des centres de données.