En Robot Som Lär Sig Genom Att Titta, Inte Genom Månaders Träning

Skild AI:s grundmodell S1, som NVIDIA gick igenom den 10 september, lär sig en ny robotuppgift från en enda demonstrationsvideo istället för de månader av uppgiftsspecifik datainsamling och omträning som industriell robotik hittills har förlitat sig på. En operatör spelar in uppgiften på video en gång; S1 använder den inspelningen som sin prompt, härleder de inblandade föremålen, ordningen på stegen och avsikten bakom dem, och översätter förloppet till robothandlingar utan att uppdatera sina underliggande vikter.

NVIDIA och Skild säger att en videodemonstration motsvarar ungefär 380 handinsamlade träningsexempel, och i ett test med omplantering av en växt tog hela förloppet, från att materialet anlände till att roboten arbetade autonomt, 11 minuter.

Den Första Uppgiften Var Att Montera NVIDIA:s Egna Chip

Skild, NVIDIA och Foxconn har satt Skild Brain i drift på tvåarmade manipulatorer för precisionsmontering av NVIDIA:s egna Blackwell-system, med ett demonstrerat arbetsflöde där en robot monterar en samlingsskena och en stoppkloss, drar åt 16 skruvar och anpassar sig när scenen störs. Det är precis den typ av långt, flerdelat precisionsarbete som kontraktstillverkare av elektronik idag betalar utbildade medarbetare för att göra för hand.

MåttS1, kontextbaserat lärandeJämförbart system
Framgång per steg, osedda långa uppgifter66 procent9 procent
Framgång på uppgifter sedda under träning96 procentLägre, språkbaserad baslinje
Träningsdata per ny uppgift1 video, cirka 380 demo-motsvarigheter50 till 100 timmars teleoperation

Skild har nått en årlig intäktstakt på 100 miljoner dollar bara 10 månader efter sin första kommersiella driftsättning, med över 60 partner inom tillverkning, logistik, inspektion, säkerhet och matlagning. Skilds medgrundare och vd Deepak Pathak har sagt att lärande genom erfarenhet istället för förprogrammering är det verkliga skifte som nu sker inom robotiken.

Kostnadsargumentet För Att Flytta Produktion Har Just Försvagats

Elektronikmontering på kontrakt har i årtionden samlats i låglöneregioner eftersom exakt handarbete är dyrt att flytta: en ny anläggning behöver utbildad personal, och att utbilda den tar tid. En robot som kan lära sig en jämförbar monteringsuppgift från en enda inspelad demonstration och arbeta autonomt inom några minuter tar bort exakt den begränsningen.

Om S1:s siffror håller även utanför Skilds egna demonstrationer flyttas den avgörande faktorn för var precisionsmontering av elektronik sker bort från lokala lönekostnader och mot robottimmar, tillgång till el och hur nära en anläggning ligger de chip och komponenter den monterar - variabler som en europeisk eller brittisk tillverkare som tävlar om samma kontrakt faktiskt kan påverka.

Vad Detta Betyder För En Europeisk Kontraktstillverkare

En europeisk eller brittisk kontraktstillverkare av elektronik bör se detta som en tidig signal snarare än ett omedelbart hot: Skilds egna siffror är självrapporterade, och driftsättningen hos Foxconn är ett demonstrerat arbetsflöde, inte en fabriksomfattande utrullning.

Men riktningen är värd att planera för. Om kontextbaserat robotlärande fortsätter att minska det gap som NVIDIA och Skild beskriver, kommer konkurrensen om nästa generations precisionsmonteringskontrakt att bero mindre på lönekostnader och mer på vem som snabbast kan integrera videoinlärda robotar, och på att sitta tillräckligt nära en kunds chip och elförsörjning för att det ska spela roll. Europeiska tillverkare med stark automationsteknik och pålitlig industriell el har här en verklig möjlighet, förutsatt att de börjar bygga upp den integrationskompetensen nu.

Servola Journal

Vi gör detta för alla som försöker hålla jämna steg med vad tekniken gör med våra liv. Människorna som bygger den, och människorna det händer med. Servola Journal finns så att det vi lär oss tillhör dem alla.

Ingen betalar oss för detta. Inga annonser, ingen betalvägg, gratis för alla. Vi tror helt enkelt att förståelse av vad som händer oss alla inte borde bero på vem som har råd att betala för det.

Om det gav dig något idag, säg till oss att fortsätta. Följ oss, lämna en gilla-markering, eller skriv en positiv kommentar. Vi läser varenda en, och de är det som håller oss igång.