Skild AI,打造机器人世界的GPT

两个教授辞职，要给所有机器人造一个大脑。

机器人行业有一条几十年没人敢打破的铁律：一种机器人，只能干一类活。

工厂里的机械臂只会拧螺丝，仓库里的搬运车只走固定路线，手术机器人只在手术室里有用。换个场景，换个任务，一切推倒重来，重新开发，重新训练，重新调试。这套逻辑运转了几十年。

整个学术界和工业界当然都知道这是问题，但没有人真正把它解决掉。直到Deepak Pathak 和 Abhinav Gupta 决定动手。

Pathak 的编程启蒙，是在印度老家的网吧完成的。他在纸上写好代码，趁着付费上网的有限时间把程序跑一遍，再带着结果回家继续推演。

就是这个在纸上学编程的少年，后来以金牌毕业生身份毕业于印度理工学院计算机系，赴伯克利读完 AI 博士，在卡内基梅隆大学机器人学院当上教授。

2017年，他发表了一篇让机器人拥有"人工好奇心"的论文，核心思路是让机器人像孩子一样主动探索未知环境，而不是被动等待指令，这篇论文至今被引用超过4000次，是机器人自主学习领域的奠基之作之一。

左：Pathak 右：Gupta（图片来源：LinkedIn@Deepak Pathak、LinkedIn@Abhinav Gupta）

搭档 Gupta 同样来自印度理工学院。在马里兰大学拿到计算机科学博士后加入卡内基梅隆机器人学院任教，后在 Meta FAIR 实验室长期从事大规模机器人学习方向研究，学术成果被引用超过7.5万次。

两人在卡内基梅隆共事多年，越研究越确信：机器人行业几十年走不出"定制化陷阱"，根本原因从来不是硬件不够好，而是大脑不够通用。

2023年，两人同时放弃教职，在匹兹堡创办了 Skild AI，开始了这场豪赌。

Skild AI 要做的事，用一句话说：训练一个单一的 AI 模型，让它能控制任意机器人、执行任意任务、适应任意环境。这个模型，他们叫它 Skild Brain。

（图片来源：Skild AI）

就像 GPT-4 能处理任意文本任务，Skild Brain 不针对任何特定硬件，而是学习物理世界交互的底层规律，再迁移到任何机器人平台上。

Pathak 和 Gupta 相信，尽管不同机器人在结构和传感器上存在巨大差异，但物理交互中的部分底层规律，同样存在被统一建模和跨平台迁移的可能。

（图片来源：Skild AI）

这个假设在机器人圈争议巨大，但它也是 Skild AI 整个商业逻辑的地基。如果说过去所有人都在造"只会一件事的专用计算器"，Skild AI 要造的是"能做所有事的通用电脑"。

怀疑的声音还没消散，钱已经来了。

2024年7月，Skild AI 完成3亿美元 A 轮融资，由 Lightspeed、Coatue、SoftBank、Bezos Expeditions 共同领投，Sequoia、Felicis、General Catalyst、Amazon 等跟投，估值15亿美元，成为匹兹堡又一家由卡内基梅隆教授创办的独角兽。

此后，2025年约完成5亿美元 B 轮融资，由 SoftBank 领投，估值攀升至约45亿美元。2026年1月，Skild AI 宣布完成14亿美元 C 轮融资，由 SoftBank 领投，英伟达旗下 NVentures、Bezos Expeditions、Macquarie 参投，三星、LG、Salesforce Ventures 等产业巨头作为战略投资者同步入局，老股东 Lightspeed、Sequoia、Coatue 悉数追加，估值超过140亿美元。从15亿到140亿，不到两年估值翻了近十倍，累计融资约20亿美元。

（图片来源：X@SkildAI）

据 Skild AI 官方公告，公司2025年收入规模已达到约3000万美元，部署场景覆盖安防巡检、末端配送、仓储物流、制造业、数据中心运维及建筑施工等领域。

Skild AI 的商业模式，和 Figure AI、波士顿动力这类以硬件整机为核心的公司完全不同。它不造硬件，不建工厂，不卖机器人整机，其软件授权模式使其理论上具备比传统机器人整机厂更高的软件毛利潜力。

（图片来源：Skild AI）

机器人控制对延迟要求极高，Skild AI 的实际部署更倾向于端云结合或边缘侧部署，而非纯云端 API 调用，这也是它与传统 SaaS 公司的重要区别。

真正的护城河，藏在一个数据飞轮的逻辑里。训练通用机器人模型，最稀缺的不是算法，而是机器人与真实物理世界交互的动作数据，这类高质量真实交互数据，无法像文本数据一样从互联网大规模直接获取，只能靠真实部署持续积累。

（图片来源：Skild AI）

Skild AI 部署越多，数据越丰富，模型越聪明，新客户越愿意采用。当然，这个飞轮逻辑在产业落地时面临真实挑战：三星、LG 这类制造业巨头对工厂内部的生产数据视若生命，他们投资 Skild AI 更可能是为了优先追踪技术前沿和获得接入权，而非真正开放核心产线数据。

这是 Skild AI 商业化道路上绕不开的一道坎。

按3000万美元营收、140亿美元估值计算，当前市销率约467倍。作为参照，SaaS 行业市销率超过50倍就已被视为偏高。这个数字意味着，资本市场用140亿美元投的不是 Skild 的现在，而是"物理 AI 时代通用操作系统"这个叙事。

通用机器人模型在复杂非结构化环境下的可靠性，仍是行业公认的难题。客户从试点到大规模采购的转化周期，也远比软件行业漫长。

尽管 Skild AI 希望以通用软件模式复制软件行业的扩张路径，但机器人部署天然涉及硬件适配、现场调试与安全验证，其商业化复杂度远高于纯软件模型公司。

Physical Intelligence、谷歌 DeepMind 等同样在布局通用机器人基础模型与具身智能方向，英伟达自己的 Cosmos 平台也在抢占机器人训练数据的入口，Skild AI 的领先窗口不会无限期敞开。

卡内基梅隆大学的机器人学院，长期被视为全球机器人研究最重要的人才与技术源头之一。Aurora、Duolingo、Stack AV，一批改变行业的公司都从这里走出。Skild AI 是这片土壤里最新的一个。

（图片来源：Skild AI）

两个曾经在纸上学编程的印度少年，用二十年的学术积累，在匹兹堡的实验室里押注了一个足以重塑制造业的命题。如果他们赌对了，机器人行业几十年的定制化逻辑，可能会第一次真正松动。