在“物理AI”从概念走向规模化落地的关键节点，通用型机器人基础模型正成为资本与产业共同押注的主战场。多家外媒近日披露，美国Skild AI已完成一轮规模罕见的融资，用于加速其“全形态”机器人智能平台迭代与部署，并把“一个大脑控制任何机器、完成任何任务”的路线推向更具产业确定性的验证阶段。

据Skild AI官方披露，本轮融资金额为14亿美元，投后估值超过140亿美元。该轮由日本软银集团领投，美国英伟达旗下风险投资机构NVentures、澳大利亚麦格理资本相关主体以及美国杰夫·贝索斯通过美国Bezos Expeditions参与；美国Lightspeed Venture Partners、美国Felicis、美国Coatue与美国红杉资本等既有股东“加注”。同时，多家战略投资方亦进入股东名单，包括韩国三星、韩国LG、法国施耐德电气（Schneider Electric）、美国CommonSpirit Health与美国Salesforce Ventures等。

Skild AI成立于2023年，总部位于美国宾夕法尼亚州匹兹堡，聚焦“软件优先”的机器人通用智能：公司核心产品“Skild Brain”被其定义为统一的机器人基础模型，目标是在不同机器人本体与不同任务之间实现可迁移的感知—决策—控制闭环能力，而不是为单一场景做一次性集成。 该公司在公开表述中强调，“Skild Brain”希望做到在无需预先了解机器人身体形态的情况下运行，覆盖四足、类人、桌面机械臂与移动操作等形态，并将应用边界从家庭类轻任务延伸到更复杂、更不确定的真实环境。

围绕“机器人数据稀缺”这一行业共性瓶颈，Skild AI将自身路径概括为“数据飞轮”：在预训练阶段，通过大规模仿真生成“数万亿级”合成经验，并利用“数十亿级”互联网人类动作视频学习可供性与操作先验；在后训练阶段，则通过遥操作数据与真实部署回传数据持续强化。公司披露，其机器人已在安防、建筑、配送、数据中心、仓储与工厂装配等领域部署，以形成持续的数据回流与能力泛化。 路透社此前在其产品发布报道中援引公司观点称，相比语言与视觉领域“天然存在的互联网数据”，机器人学习缺少可直接复用的公开数据资产，因此需要把仿真、人类视频与真实部署数据系统性打通；报道同时确认，Skild AI联合创始人Deepak Pathak担任首席执行官，联合创始人Abhinav Gupta曾在美国Meta Platforms相关体系中参与匹兹堡机器人研究布局。

在具体能力呈现上，英伟达在其客户案例中给出了更工程化的细节：其描述“Skild Brain”可由在线视觉与本体感知端到端输出底层电机控制指令，支持类人机器人在平地行走、攀爬障碍并在携带负载时保持灵活性；并提到该模型在部分机械异常情况下可快速恢复，例如对“卡滞车轮”可在2—3秒内完成恢复等。案例还披露了在匹兹堡复杂城市场景测试中，相关机器人在短时间数据采集后可达到约60%—80%的任务表现区间（具体任务口径以该案例描述为准）。 同一材料中，Skild AI首席执行官Deepak Pathak亦强调“通过经验学习而非预编程”是机器人能力跃迁的重要方向，并指出仿真与合成数据基础设施对规模化训练的意义。

从产业协同看，本轮投资方结构呈现出“资本+算力平台+行业客户”三类力量的叠加：日本软银集团在全球机器人与自动化领域长期活跃，并在其公开叙事中将机器人视为下一轮技术平台的重要组成；英伟达既通过NVentures参与股权投资，也在算力与仿真工具链层面提供训练与开发基础设施；而韩国LG及其IT服务子公司韩国LG CNS等潜在产业伙伴，则为通用模型在企业级场景的落地提供了更直接的验证土壤。

Skild AI在融资公告中直言，新资金将用于进一步放大上述数据来源规模、加码基础研究与架构算法，并将“能产生经济价值的真实部署”作为阶段性重心；其还披露，2025年公司“实时收入”在数月内从零增长至约3000万美元，并仍在快速增长。 对于当前仍处早期的通用机器人智能赛道而言，这类以“部署—回流—再训练”为主线的商业化节奏，正在成为衡量“通用”是否具备产业可复制性的关键指标之一。

Skild.ai 是一个利用人工智能提升员工发展和优化人才管理的平台。该平台为组织提供了技能评估、培训和认证过程的工具和解决方案。通过AI驱动的分析，Skild.ai 帮助企业识别技能差距、简化员工发展流程，并确保团队具备应对行业需求所需的能力。

Skild.ai 的平台通常包括个性化学习路径、自动评估和详细报告等功能，使其成为人力资源部门和教育机构现代化人才管理战略的有力工具。此外，Skild.ai 还支持远程学习，并能够与其他HR系统集成，适应多样化的组织需求。