Skild AI、S1を発表　動画デモから最大10分の長時間タスクを実行

何が起きたか

Skild AIは2026年8月18日、ロボット基盤モデル「S1」を発表した。S1は、タスクの動画デモを与えるとロボット動作に変換する設計で、同社は未学習のタスクや最大10分の長時間タスクでもin-context learningを示したとしている。発表文では、事前学習後の追加学習やfine-tuningを行わずに動作する点を前面に出した。

詳細

同社はS1について、短いタスクだけでなく、これまで事前学習で見ていないタスクでも対応できると説明した。評価軸としては、学習時に見たタスクかどうか、またタスク長が5〜25秒程度の短時間か、10分級の長時間かを分けて論じている。 発表文では、S1はNVIDIA AI infrastructure上に構築され、異なる場面・視点・身体性を含む多様なロボットデータで学習したとしている。また、同社は、1年前に移動ロボット向けのin-context learnerを公開しており、今回のS1はその流れを操作系に広げたものだとしている。

Key Facts

本紙の見方

S1発表の新規性は、ロボットでのin-context learningを「短い既知タスク」から「未学習を含む最大10分の長時間タスク」へ押し広げた点にある。ロボット分野では、一般に新しいタスクごとにデータ収集と追加学習が必要だと同社は位置づけてきたが、今回の主張はその前提をどこまで崩せるかを問うものだ。ただし、発表文の中心は性能の一般論ではなく、動画デモをそのまま行動に写す入力設計にある。つまり、言語で指示するLLM型の発想を、視覚デモ中心のロボット学習へ移した点が軸である。 本紙の関連記事である【本紙の関連記事】Vention、モントリオールにPhysical AI Labを開設　製造向けロボット操作を研究やLG電子、IFA 2026で人形ロボット向け一体型アクチュエーターの商業化計画を公表が示すように、フィジカルAIの焦点は基盤モデル単体から、実環境で使える部品・データ・運用へ移っている。Skild AIのS1も、その流れの中で「モデルがどこまで現場の多様性を吸収できるか」を試す位置づけとみられる。一方で、今回の資料では学習データの規模、実機の台数、対象モダリティ、どの程度の成功率で長時間タスクをこなしたのかは限定的にしか見えない。したがって、次に確認すべき論点は、動画デモ1本で成立するのがどの種類の作業までか、未学習タスクでの再現性がどの程度か、そして追加学習を省いた場合の安全性と失敗時の介入設計である。

なぜ重要か

Skild AIの発表は、ロボットを「タスクごとに再学習する機械」から「動画の文脈で動作を組み立てる機械」へ寄せる試みである。同社がいう最大10分の長時間タスクは、短いデモで済む操作よりも現場適用の幅が広い可能性があるが、同時に再現性と安全性の確認が欠かせない。

日本への影響

日本企業にとっては、ロボット本体の機構だけでなく、動画デモを使った学習や実機データの蓄積方法が競争条件になりうる。とくに製造現場や物流現場で、既存設備との接続性と現場データの取得設計を持つ企業ほど、こうした基盤モデルの使い道を具体化しやすいとみられる。