3 年飆至 140 億美元！軟銀、輝達搶投千億估值「獨角獸」

2026 年 AI 领域最快诞生千亿独角兽。Skild AI 完成 C 轮融资，估值超过 140 亿美元，仅成立 3 年便获得软银、英伟达、贝佐斯等投资。创始团队来自 Meta AI，不制造机器人硬件，专注打造“通用大脑”Skild Brain，通过共享模型赋予机器人物理世界的能力。

两年估值暴涨十倍的资本逻辑

Skild AI 是今年最快突破千亿的独角兽，发展速度之快、估值膨胀之猛，即使在狂热的 AI 投资浪潮中也堪称现象级。公司成立仅两个月，便获得由光速创投领投的 1,450 万美元种子轮融资，成功起跑。成立一周年之际，Skild AI 完成高达 3 亿美元的 A 轮融资，投后估值跃升至 15 亿美元。不到两年时间，其估值增长了近十倍，最新的 C 轮融资更是将估值推至 140 亿美元。

资本投资 Skild AI 的原因很简单——全球劳动力市场面临严峻缺口。仅美国制造业到 2030 年的岗位缺口预计就达 210 万，而欧洲、日本等发达经济体的人口老龄化问题更为严重。能够执行复杂物理任务的通用机器人，被视为解决生产力危机的关键。然而，目前机器人产业高度碎片化，每个厂商都试图从机械结构到控制系统全部自主研发，导致研发成本高昂且能力难以跨平台迁移。

Skild AI “只做大脑，不做身体”的纯软件模型，正好契合产业从“硬件导向”转向“AI 模型与软件能力导向”的大趋势。红杉资本在投后报告中写道：“Skild AI 的核心价值，是用共享基础模型解锁了机器人在物理世界的‘涌现能力’。这与过去那种‘单点控制器’的不可扩展性，有本质区别。”这种“涌现能力”类似于 GPT-3 在语言理解上的突破，当模型规模达到临界点时，会自动具备训练时未明确教授的能力。

软银的参与尤具战略意义。这家日本科技巨头早在 2016 年就以 320 亿美元收购了 ARM，并一直在机器人领域布局（如收购波士顿动力）。软银愿景基金在 AI 投资上素以激进著称，此次重仓 Skild AI 显示其认为“机器人通用大脑”是下一个万亿美元市场。英伟达的加入则提供了算力和生态支持，Skild AI 的训练基础设施很可能建立在英伟达的 GPU 集群上。贝佐斯的个人投资更是罕见，这位亚马逊创始人极少参与早期项目，他的背书为 Skild AI 带来了无形的品牌价值。

从 Meta 出走团队的技术基因

Skild AI 的技术能力之所以如此硬核，答案隐藏在创始团队的背景里。Deepak Pathak 在创立 Skild AI 之前，已是人工智能与机器人学领域的知名学者与实践者，他曾在卡内基梅隆大学担任助理教授，发表过多篇被广泛引用的论文。在 Meta AI 研究部门任职期间，他深入参与了多项关于自适应学习、模拟到真实世界迁移以及大规模机器人数据训练的关键项目。

Pathak 坚信，真正的通用人工智能必须通过物理世界的互动与试错来构建，而不仅仅依赖数字文字或图像资料。这种理念在 Meta 内部曾遭遇质疑，因为当时 Meta 的重心在元宇宙和社交 AI，对实体机器人的投入相对保守。这种战略分歧最终促使 Pathak 选择创业，将理念落地。

Abhinav Gupta 同样来自 Meta AI，在计算机视觉与机器人学习交叉领域均有建树。他强调从网络规模视频资料中学习物理常识，让机器人能够理解物体属性、物理规律与人类意图。实际上，Gupta 与 Pathak 在 Meta 期间就有多次合作，共同探索如何将大语言模型的“涌现能力”复现到实体机器人中。

两人均认为，目前机器人行业过于依赖特定任务、特定硬件的定制方案，缺乏一个可泛化、可扩展的“通用大脑”，这严重限制了机器人在真实世界中的应用潜力与普及速度。于是，两人在 Meta 的后期已经开始内部孵化一个项目，尝试构建一个不依赖特定硬件的机器人基础模型。终于在 2023 年初，Pathak 与 Gupta 决定离开 Meta，全职创业。他们坚信，机器人产业的未来不在于制造更多的“身体”，而是提供一个强大且可共享的“脑”。

机器人大时代的 GPT-3 时刻

时间回到 2023 年，彼时智能机器人遍地开花，但每款机器人都需要从头开始训练专用算法，导致研发周期长、成本高，且不同机器人之间能力无法互通。而在具身智能产业，一直有个难题困扰行业：如何做好泛化？所谓的泛化，是指在一个机器人上的能力，能快速复制到其他机器人。

这在机器人身上非常困难，原因在于：物理世界极为复杂、不确定且高度动态，而机器人需要同时解决感知、决策、执行三个层面的泛化问题。例如，光照变化、天气影响、背景杂乱、遮挡干扰等，都可能导致视觉传感器输入数据分布剧烈变化。即使每个简单任务（如抓取、行走）已学会，组合成复杂任务（例如“打开冰箱拿出饮料并倒入杯子”）时，决策空间呈指数级增长。

Skild Brain 解决泛化的三大技术路径

大规模多模态预训练：从网络视频、模拟环境和真实机器人数据中学习物理常识，建立跨场景的通用表征

硬件无关架构：通过抽象层将感知和决策逻辑与特定机械结构解耦，使同一模型可部署到轮式、足式、臂式等不同形态机器人

持续学习机制：机器人在执行任务时产生的数据回传至云端，不断优化模型，每个机器人的经验都能惠及整个网络

Skild AI 不制造机器人硬件，但旨在为所有机器人安装一个“通用大脑”，其创始人宣称，他们正在创造具身智能的“GPT-3 时刻”。Skild Brain 可以将软件与硬件分离，避免被单一硬件设计束缚。同时，它最大程度降低了行业门槛，让其他机器人厂商或整合商可以专注于硬件优化和场景落地，直接调用 Skild Brain 的 API 即可获得高级智能，极大加速机器人应用的普及。

商业化前景同样可观。在工业和商业领域，生产线上的机器人不必因一个小故障就全线停机；在灾难救援中，机器人即使“残肢断臂”也能继续执行任务；在消费级市场，一个“大脑”可以“换壳”使用，大幅降低成本。这些技术基石，正在重塑人们对 AGI 的认知——仅靠数字知识无法构建真正的 AGI，机器人智能体必须通过“实践”学习，在物理世界中理解真实运作规律。