2026年开年，一个行业重磅消息炸开了AI圈，Skild AI完成C轮融资，估值超140亿美元。

要知道，这是一家2023年才成立的公司。成立仅3年，Skild AI就获得了众多资本大佬青睐。目前资方有：软银、英伟达、杰夫·贝索斯等顶级资本。

而其创始人更是背景不凡：Deepak Pathak（CEO）和Abhinav Gupta（总裁）均是从Meta出来的的AI研究员，Deepak Pathak曾是卡内基梅隆大学教授。

Skild AI何以在竞争激烈的人形机器人及具身智能赛道中脱颖而出，成为全球增长最快的科技独角兽之一？

千亿独角兽是怎么炼成的？

Skild AI是今年最快破千亿的独角兽，发展节奏之快、估值膨胀之猛，即便在狂热的AI投资浪潮中也堪称现象级。

公司成立仅两个月，便获得了由光速创投领投的1450万美元种子轮融资，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。在不到两年时间里，其估值增长了近十倍。

其实，资本投注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年岗位缺口预计就达210万。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。Skild AI“只做大脑，不做身体”的纯粹软件模型，正好契合了产业从“硬件导向”转向“AI模型与软件能力导向”的大趋势。

"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'。"红杉资本在投后报告中写道，"这和过去那种'单点控制器'的不可扩展性，有着本质区别。"

Skild AI的商业化前景同样十分可观。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。

那么，Skild AI为何技术能力这么硬呢？答案就隐藏在创始团队的背景里。

Skild AI的创始人Deepak Pathak，在创立 Skild AI 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。

在 MetaAI 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交互与试错来构建，而不仅仅是依赖数字文本或图像数据。

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。他强调从互联网规模视频数据中学习物理常识，让机器能够理解物体属性、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”复现到物理机器人中。

两人均认为，当前机器人行业过于依赖特定任务、特定硬件的定制化解决方案，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，二人在 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于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，全职投入创业。他们坚信，机器人行业的未来不在于制造更多的“身体”，而在于提供一个强大的、可共享的“大脑”。

这个大脑应当像今天的操作系统或云计算平台一样，成为整个生态的基础设施。于是，Skild AI 正式成立，使命是 “为所有机器人赋予通用智能”。

具身智能的“GPT-3时刻”

时间拉回到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。

并且，在具身智能行业，一直以来有个难题困扰着行业从业者，即：如何做好泛化？

所谓的泛化，是指在一个机器人身上的能力，要能快速复制到别的机器人身上。

这在机器人身上，非常难，原因在于：物理世界极其复杂、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。

比如，光照变化、天气影响、背景杂乱、遮挡干扰等，都会导致视觉传感器输入数据分布剧烈变化。同一物体在不同角度、距离、材质表现下，识别难度大幅增加。

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。

这意味着机器人需要理解任务之间的逻辑关系，并在动态环境中实时重新规划。

Skild AI就关注到了这些难点。要知道，硬件公司遍地都是，难的是让机器人像聊天机器人一样的“智能”。而这，就是Skild AI的努力目标。

Skild AI不制造机器人硬件，却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，它最大可能的降低了行业门槛，让其他机器人厂商或集成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。

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，机器智能体通过“实践”学习：在新环境中尝试新任务。

机器人将和人一样，真正理解世界运行规律。

结语

Skild AI的迅速崛起，不仅是技术创新的胜利，更预示着一个新型产业生态的崛起。

传统上，机器人行业被硬件制造商所主导，每一家厂商都试图构建从机械臂到控制系统的“全栈解决方案”。这种模式导致行业高度碎片化、研发成本重复投入，且不同品牌的机器人之间几乎无法协作。Skild AI通过“只做大脑”的战略，直接切中了这一行业痛点。

当然，Skild AI只是行业的一个起点，它让更多厂商意识到：做全产业链不是目标，提高生产效率才是目的。