3 года роста до 140 миллиардов долларов! Софтбанк, NVIDIA соревнуются за инвестиции в «единорога» с оценкой в сотни миллиардов

2026 год — рождение самой быстрой в истории AI-отрасли миллиардной единороги. Skild AI завершила раунд серии C с оценкой более 14 миллиардов долларов, всего за 3 года после основания привлекла инвестиции от SoftBank, NVIDIA, Bezos. Основатели пришли из Meta AI, не занимаются созданием робототехнического оборудования, сосредоточены на разработке «универсального мозга» Skild Brain, используя общие модели для наделения роботов способностями в физическом мире.

Логика капиталовложений, приведшая к росту оценки в десять раз за два года

Skild AI — самая быстрорастущая в этом году единорога с оценкой свыше 100 миллиардов долларов. Такой быстрый темп развития и взрывной рост оценки даже в рамках горячего инвестиционного бума в AI считаются феноменальными. Компания была основана всего два месяца назад, когда получила стартовое финансирование в размере 14,5 миллиона долларов от Sequoia Capital, успешно стартовав. Через год после основания, Skild AI завершила раунд серии A на сумму 300 миллионов долларов, после чего оценка выросла до 1,5 миллиарда долларов. За менее чем два года её оценка увеличилась почти в десять раз, а последний раунд серии C поднял её до 14 миллиардов долларов.

Причина инвестиций в Skild AI очень проста — глобальный рынок труда сталкивается с серьёзным дефицитом. Только в США дефицит рабочих мест в производственной сфере к 2030 году прогнозируется в 2,1 миллиона, а в развитых экономиках Европы и Японии проблема старения населения ещё острее. Универсальные роботы, способные выполнять сложные физические задачи, считаются ключом к решению кризиса производительности. Однако индустрия роботов сегодня очень фрагментирована: каждый производитель пытается самостоятельно разрабатывать механическую структуру и системы управления, что ведёт к высоким затратам и невозможности переноса возможностей между платформами.

Skild AI — чисто программная модель, «делающая только мозг, а не тело», что идеально соответствует тренду перехода отрасли от «железной» ориентации к «AI-моделям и программным возможностям». В отчёте Sequoia Capital говорится: «Ключевая ценность Skild AI — в использовании общих базовых моделей для раскрытия «эмерджентных способностей» роботов в физическом мире. Это принципиально отличается от прошлых «однопунктовых контроллеров», которые не масштабируются». Эти «эмерджентные способности» похожи на прорыв GPT-3 в понимании языка: когда модель достигает критической массы, она автоматически приобретает навыки, которые не были явно заложены при обучении.

Участие SoftBank особенно стратегически важно. Этот японский технологический гигант ещё в 2016 году приобрёл ARM за 320 миллиардов долларов и активно развивал робототехнику (например, покупка Boston Dynamics). В фонде Vision Fund известны агрессивные инвестиции в AI, и крупное вложение в Skild AI показывает, что «универсальный мозг робота» — следующий миллиардный рынок. В свою очередь, NVIDIA обеспечивает вычислительные мощности и экосистему: инфраструктура обучения Skild AI, скорее всего, строится на GPU-кластерах NVIDIA. Личное инвестирование Бзозса — редкое явление: основатель Amazon редко участвует в ранних проектах, его поддержка придаёт Skild AI дополнительную репутационную ценность.

Технический ген команды, ушедшей из Meta

Техническая мощь Skild AI объясняется опытом основателей. Deepak Pathak до основания компании был известным учёным и практиком в области искусственного интеллекта и робототехники, преподавал в Карнеги-Меллон, опубликовал множество цитируемых работ. В Meta AI он участвовал в ключевых проектах по адаптивному обучению, переносу из симуляции в реальный мир и масштабной тренировке данных для роботов.

Pathak убеждён, что истинный универсальный ИИ должен строиться через взаимодействие с физическим миром и проб и ошибок, а не только на цифровых текстах или изображениях. Эта идея в Meta вызывала сомнения, поскольку тогда фокус компании был на метавселенной и социальном ИИ, а вложения в физические роботы были консервативными. Эти стратегические разногласия в итоге подтолкнули Pathak к созданию собственного стартапа, чтобы реализовать свою концепцию.

Abhinav Gupta также из Meta AI, имеет достижения в области компьютерного зрения и робототехники. Он подчеркивает важность обучения физическим законам на основе видеоданных с интернета, чтобы роботы могли понимать свойства объектов, физические законы и человеческие намерения. На самом деле, Gupta и Pathak уже сотрудничали в Meta, исследуя возможность переноса «эмерджентных способностей» больших языковых моделей в реальные роботы.

Оба считают, что текущая индустрия роботов слишком зависит от узкоспециализированных решений для конкретных задач и аппаратных платформ, что мешает созданию «универсального мозга», способного к обобщению и масштабированию. Поэтому в поздний период работы в Meta они начали внутреннюю разработку проекта по созданию базовой модели робота, не привязанной к конкретной аппаратуре. В начале 2023 года Pathak и Gupta решили уйти из Meta и полностью сосредоточиться на стартапе. Они убеждены, что будущее робототехники — не в создании большего количества «тел», а в предоставлении мощного, общего «мозга».

Момент GPT-3 в индустрии роботов

Вернёмся к 2023 году: в это время роботы становились всё умнее, но каждый требовал обучения с нуля, что увеличивало сроки разработки и затраты, а возможности разных роботов не были совместимы. В индустрии с телесным интеллектом существовала проблема: как обеспечить обобщение? Под обобщением понимается способность робота быстро перенести навыки на другого робота.

Это очень сложно из-за сложности, неопределённости и высокой динамичности физического мира, а также необходимости обобщения на уровнях восприятия, принятия решений и выполнения. Например, изменения освещения, погодные условия, шумы, заслоны — всё это вызывает сильные изменения в данных сенсоров. Даже освоив простую задачу (например, захват или ходьбу), при выполнении сложных сценариев (например, «открыть холодильник, взять напиток и налить в стакан») пространство решений растёт экспоненциально.

Три ключевых направления технологий Skild Brain для решения обобщения

Масштабное мультимодальное предобучение: обучение физическим законам на данных с видеонаблюдения, симуляций и реальных роботов, создание универсальных признаков для разных сценариев

Аппаратно-независимая архитектура: через абстрактные уровни отделять восприятие и принятие решений от конкретных механических структур, чтобы одна модель могла работать на колесных, ногах или манипуляторах

Механизм постоянного обучения: данные, полученные роботом во время выполнения задач, отправляются в облако для постоянной оптимизации модели, опыт каждого робота помогает всей сети

Skild AI не занимается созданием аппаратного обеспечения роботов, но ставит цель дать всем роботам «универсальный мозг», и основатели заявляют, что они создают «момент GPT-3» для телесного интеллекта. Skild Brain позволяет отделять программное обеспечение от аппаратных решений, избегая ограничений конкретных конструкций. Также это значительно снижает входной барьер для индустрии, позволяя другим производителям и интеграторам сосредоточиться на оптимизации аппаратуры и внедрении в сценарии, просто вызывая API Skild Brain для получения продвинутого интеллекта, что ускоряет распространение робототехники.

Коммерческий потенциал тоже высок. В промышленности и бизнесе роботы на линиях не останавливаются из-за мелких поломок; в спасательных операциях даже повреждённые роботы могут продолжать работу; в потребительском сегменте «мозг» можно менять, что значительно снижает затраты. Эти технологические основы меняют представление о AGI — только цифровых знаний недостаточно для создания настоящего AGI, роботам нужно учиться через практику и понимать законы реального мира.