Skild AI presenta S1, un robot que imita tareas vistas una sola vez

Qué ha pasado

Skild AI ha presentado S1, un foundation model (modelo fundacional) diseñado específicamente para robots. La propuesta rompe con el enfoque habitual del sector: en lugar de programar cada tarea o entrenar una política de control específica para cada caso, al robot se le muestra un único vídeo de demostración de una tarea que nunca ha visto y este la reproduce por su cuenta.

El punto clave es que esa reproducción se produce sin fine-tuning (ajuste fino), es decir, sin reentrenar ni retocar los pesos del modelo con datos nuevos de esa tarea concreta, y sin ningún entrenamiento adicional. La demostración funciona como una instrucción, no como material de aprendizaje que haya que procesar previamente.

Según los datos difundidos por la compañía, S1 es capaz de afrontar tareas completamente nuevas de hasta diez minutos de duración, compuestas por decenas de pasos individuales. Entre las demostraciones mostradas figuran trasplantar una planta a otra maceta, preparar café de filtro por goteo, ensamblar kits y cocinar una tortita dándole la vuelta, todo ello después de haber visto una sola ejecución.

Por qué importa

La duración es un dato más relevante de lo que parece. Diez minutos y decenas de pasos encadenados suponen un horizonte temporal largo para un sistema robótico: implica mantener el contexto de la tarea, encadenar subobjetivos y recuperarse de pequeñas desviaciones sin que el error se acumule hasta arruinar el resultado. La mayoría de las demostraciones habituales en robótica se mueven en el terreno de acciones cortas y muy acotadas, como coger y colocar un objeto.

El segundo elemento diferencial es el coste de enseñar algo nuevo. Si cada tarea exige recopilar datos, entrenar y validar, la robótica queda confinada a entornos industriales de alto volumen donde ese esfuerzo se amortiza. Si basta con grabar una demostración, la barrera baja drásticamente y se abre la puerta a escenarios variables: cocinas, talleres, almacenes pequeños, tareas domésticas.

Skild AI plantea S1 explícitamente como un intento de llevar a la robótica la idea del prompting (instrucción en lenguaje natural), el mecanismo que popularizaron los LLM o large language models (modelos de lenguaje grandes) y que permite pedir a un sistema que haga algo nuevo sin tocar su entrenamiento. Aquí el prompt no es texto, sino un vídeo.

Contexto

La noción de foundation model se consolidó primero en el ámbito del lenguaje y la visión: modelos grandes entrenados con datos masivos y genéricos que después sirven de base para multitud de aplicaciones. Trasladar ese esquema al mundo físico es uno de los objetivos declarados del sector robótico, porque un modelo generalista evitaría reconstruir desde cero el software de cada robot y cada aplicación.

El obstáculo clásico ha sido la generalización. Un robot que domina una tarea en un laboratorio suele fallar cuando cambian la iluminación, la posición de los objetos o el propio objeto. Un sistema que aprende de una única demostración se enfrenta a ese problema en su versión más exigente, porque no dispone de repeticiones ni de datos de refuerzo sobre los que corregirse.

Qué vigilar

Las incógnitas relevantes son las de siempre en robótica: la tasa de éxito real fuera de las condiciones de demostración, el comportamiento ante objetos y entornos no vistos, y qué ocurre cuando la tarea se tuerce a mitad de camino. Skild AI no ha hecho públicos, por ahora, datos que permitan responder a esas preguntas con detalle.

También queda por concretar en qué plataformas físicas funciona S1 y en qué condiciones estará disponible para terceros. La utilidad práctica de un foundation model robótico depende de que pueda desplegarse en hardware distinto al que se usó para las demostraciones.