Skild AI：卖通用大脑，赌数据飞轮

一个大脑控多种本体，分层架构把高低频拆开

Skild Brain 的卖点是跨任务、跨硬件形态：同一基础模型可控制四足、人形、桌面机械臂与移动操作平台。架构上分两层，低频高层操作/导航策略输出给高频低层关节角与力矩策略，这种拆分让高层策略不必处理毫秒级控制，低层策略也不必理解任务语义。

对客户而言，这意味着不必为每种机器人重写一套控制栈。官网上三条落地产品线——安防/巡检机器人平台、移动操作 API、自主装箱——都是同一模型在不同硬件上的封装。2026 年 8 月发布的 S1 上下文学习操作模型，官方称未见任务最长约 10 分钟、相对语言条件 VLA 约 7 倍提升。

但第三方指出 omni-bodied 属愿景修辞，公开演示未给出跨本体定量对比表，代码与权重也未开源。模型能力的证据目前主要来自厂商自述，独立复现缺位。

部署即数据采集，产品同时是训练管道

Skild Brain 的部署不是交付终点，而是数据入口。机器人在安防、建筑、配送、数据中心、仓库、工厂装配等行业运行时持续产生训练数据，这些真实部署数据与万亿级合成经验、数十亿人类视频、遥操作数据一起构成数据飞轮。C 轮资金明确用于扩大这四类数据源。

这套设计让产品与训练管道合一：客户用得越多，模型见到的真实场景越多，理论上泛化能力越强。但代价是部署侧必须持续投入，且数据回流依赖客户现场配合，公开资料未披露数据归属与回流条款。

S1 的上下文学习能力是这条管道的产物：模型在部署中学会适应未见任务，而非靠重新训练。据第三方时间线（R11、R12，置信度中等），2026 年 9 月 23 日发布的物理自博弈成果，在 Isaac Sim 中自博弈后实现人形足球 Sim2Real 迁移，说明仿真数据也在补真实数据的缺口。

B2B 授权收费，不靠卖硬件

第三方把 Skild AI 的收入模式标注为授权（Licensing），客户聚焦 B2B。换言之，客户付钱买的是在自家机器人上运行 Skild Brain 的权利，而不是买一台 Skild 牌机器人。2025 年数月内实际收入从零增长到约 3000 万美元，且客户为多家——账本称客户为多家，可推断早期已有付费方，但单客户收入贡献未披露。

2026 年 9 月 9 日年化收入运行率突破 1 亿美元，其中移动业务占 10%、继承自 Fetch Robotics 的方案占 4%。这两个占比说明收入高度集中在其他业务线，移动操作 API 这条产品线尚未成为主力。需要指出，年化运行率与实际收入是不同口径，不可直接换算。

对创业者而言，授权模式的好处是不背硬件库存与制造资本开支，坏处是收入受客户机器人出货节奏牵制，且定价锚点容易被客户拿去和自研团队比较。

低成本硬件上跑通用大脑，按总体拥有成本定价

Skild Brain 可部署在 4000–15000 美元的低成本高噪声硬件上，而传统定制系统成本超 25 万美元；厂商称总体拥有成本可降低约 10 倍（该倍数为厂商口径，账本未披露换算方法）。这组数字是定价逻辑的核心：客户不是为模型本身付费，而是为“用便宜硬件达到定制系统效果”的差额付费。

这种定价方式把价值锚定在替代成本上，而非按调用量或席位收费。公开资料未披露具体授权费率、是否按机器人台数收费、是否有最低授权金。收入从零到约 3000 万美元发生在 2025 年数月内，但驱动这一增长的是哪条产品线、哪类客户，账本没有拆分。

风险在于：总体拥有成本降低 10 倍是厂商口径，客户实际部署时还要算集成、运维与停机成本。若客户自研模型能力提升，授权费的替代成本锚点会下移。

工业与设施运营方买单，场景分散但都是重人力环节

客户分布在安防、建筑、配送、数据中心、仓库、工厂装配等行业，共同点是重人力、重复性高、对停机敏感。已披露的具体落地点包括：2026 年 3 月 16 日模型部署于休斯顿富士康工厂用于英伟达 Blackwell 服务器装配；2026 年 7 月 ABM 在拉瓜迪亚机场 B 航站楼试点 Skild 驱动的四足巡检机器人。

这些客户的付费动机不是技术尝鲜，而是替代难以招聘的巡检、搬运、装配人力。账本称客户为多家，但未披露客户数、合同金额与续约率。另有低置信度来源称，与三井物产在日本商用厨房试点 S1 驱动通用机器人、与住友电装推进线束制造自动化部署；这两条仅能作为方向参考，可信度低于前述落地点。

客户结构里有一个值得注意的错位：收入主力是移动业务与继承自 Fetch Robotics 的方案，而对外宣传的通用大脑叙事覆盖的是更广的本体类型。付费方当前买的是具体场景的自动化，不是通用性本身。

借机器人厂商与系统集成商的手触达客户

Skild AI 不直接卖机器人，触达客户靠两条渠道。第一条是机器人厂商：2026 年 3 月 19 日宣布与 ABB Robotics、Universal Robots 及英伟达合作，将 Skild Brain 集成进工业与协作机器人产品线。若集成落地，客户可能通过 ABB/UR 产品线获得预装 Skild Brain 的机器人（推断，渠道安排未披露），Skild 藏在厂商身后。

第二条是收购带来的现成部署：2026 年 4 月 15 日收购 Zebra Technologies 机器人部门（原 Fetch Robotics），获得已部署仓储机器人与真实运营环境。这既是渠道也是客户入口，继承自 Fetch 的方案已贡献 4% 的年化收入运行率。

两条渠道的共同点是 Skild 不建自己的销售铁军，而是嵌入别人的交付体系。代价是品牌与客户关系归渠道方，定价权也可能被渠道分走。公开资料未披露渠道分成比例。

钱烧在四类数据源和真实部署上

C 轮资金明确用于扩大仿真、互联网视频、遥操作与真实部署四类数据源，并扩展真实世界部署。这四类里，仿真与视频是相对便宜的规模化数据，遥操作与真实部署是昂贵但不可替代的数据。成本重心在后者：真实部署意味着派人进厂、调试、维护，且部署本身不直接产生高毛利。

另一块成本是收购整合。2026 年 4 月收购 Zebra 机器人部门获得已部署资产，但整合已部署仓储机器人需要持续运营投入。账本没有披露研发与部署的成本拆分，也没有披露毛利率——公开资料未披露。

从支出来看，这是一家把融资当研发预算花的公司：钱换数据，数据换模型能力，模型能力换下一轮授权收入。这个循环里，真实部署是成本最重、也最慢的一环。

股权融资撑起数据飞轮，估值跳升靠叙事

Skild AI 靠大额股权融资活着。2024 年 7 月完成 3 亿美元 A 轮，估值 15 亿美元；2025 年 6 月 B 轮估值约 45 亿美元，英伟达投 2500 万美元、三星投 1000 万美元，软银承诺 1 亿美元，交易规模各来源不一致；2026 年 1 月 14 日宣布 14 亿美元 C 轮，由软银领投，估值超 140 亿美元。累计融资额各来源口径不一：超 18.3 亿美元、18 亿美元、超 20 亿美元。

C 轮投资方包括 NVentures（英伟达）、Macquarie Capital、Bezos Expeditions，以及 LG、施耐德电气、CommonSpirit、Salesforce Ventures 等战略投资方。战略投资方名单里既有机器人厂商也有终端客户行业，这层关系可能同时是订单来源与锁定手段，但账本未披露任何合同绑定。

估值从 A 轮的 15 亿美元升至 C 轮的超 140 亿美元，而同期收入刚过 1 亿美元年化运行率。这个落差说明资本买的不是当前收入，而是数据飞轮的期权价值。

数据飞轮的规模是壁垒，但闭环证据未公开

账本把数据飞轮列为规模化壁垒：依赖万亿级合成经验、数十亿人类视频、遥操作与真实部署数据。这四类数据里，合成与视频可被对手复制，遥操作与真实部署数据不可——后者需要客户现场、需要时间、需要运维团队（本稿判断）。Skild 通过收购 Fetch 和与 ABB、UR、富士康、ABM 的部署，把数据入口铺进了真实场景。

但“飞轮转起来”需要证明模型能力随数据增长而提升，且提升能被客户感知为续约理由。账本里没有跨本体定量对比表，代码与权重未开源，第三方无法验证。第三方直接指出 omni-bodied 属愿景修辞。

所以护城河目前是部署资产与数据入口的先发位置，而非已验证的模型能力。先发位置能不能守住，取决于客户是否愿意把现场数据持续交给 Skild，以及机器人厂商是否自研替代。

收入口径多层，年化运行率≠实际收入

账本里同时存在三个收入数字：2025 年数月内实际收入从零增长到约 3000 万美元；2026 年 9 月 9 日年化收入运行率突破 1 亿美元；年化运行率中移动业务占 10%、继承自 Fetch 的方案占 4%。这三个数字口径不同，不能互相换算，也不宜并列比较。

风险在于：按一般口径，年化运行率是把某一段时间的收入乘以年化系数（账本未披露 Skild 的具体计算方式），实际收入可能远低于此。对外沟通若混用口径，会放大收入体感。账本没有披露毛利率、客户续约率与收入确认方式——公开资料未披露。对估值超 140 亿美元的公司，收入质量的透明度是后续融资与客户信任的硬约束。

通用大脑的证明责任落在别人手里

Skild Brain 宣称跨任务、跨硬件形态，但第三方指出公开演示未给出跨本体定量对比表，代码与权重确认未开源。这意味着能力验证依赖厂商自述与客户现场表现，外部无法独立复现。

对一家靠叙事撑估值的公司，这是结构性风险：若客户在部署中发现模型在新本体上表现不及预期，授权续约就会承压；若竞争对手开源同类模型，授权模式的替代成本锚点会下移。

更深一层，收入主力是移动业务与继承自 Fetch 的方案，而非通用大脑本身。这暗示当前付费方买的是具体场景自动化，通用性溢价尚未被市场验证。