3 年飆至 140 億美元！軟銀、輝達搶投千億估值「獨角獸」

2026 年 AI 圈誕生最快千億獨角獸。Skild AI 完成 C 輪融資估值超 140 億美元，僅成立 3 年獲軟銀、英偉達、貝佐斯投資。創辦人來自 Meta AI，不造機器人硬體，專注打造「通用大腦」Skild Brain，用共享模型賦予機器人物理世界能力。

兩年估值暴漲十倍的資本邏輯

Skild AI 是今年最快破千億的獨角獸，發展節奏之快、估值膨脹之猛，即便在狂熱的 AI 投資浪潮中也堪稱現象級。公司成立僅兩個月，便獲得了由光速創投領投的 1,450 萬美元種子輪融資，成功起跑。成立一週年之際，Skild AI 完成高達 3 億美元的 A 輪融資，投後估值躍升至 15 億美元。不到兩年時間，其估值增長了近十倍，最新 C 輪融資更是將估值推至 140 億美元。

資本投注 Skild AI 的原因很簡單——全球勞動市場面臨嚴峻缺口。光是美國製造業到 2030 年崗位缺口預計就達 210 萬，而歐洲、日本等發達經濟體的人口老齡化問題更加嚴重。能夠執行複雜物理任務的通用機器人，被視為解決生產力危機的關鍵。然而，當前機器人產業高度碎片化，每個廠商都試圖從機械結構到控制系統全部自研，導致研發成本高昂且能力無法跨平台遷移。

Skild AI「只做大腦，不做身體」的純粹軟體模型，正好契合了產業從「硬體導向」轉向「AI 模型與軟體能力導向」的大趨勢。紅杉資本在投後報告中寫道：「Skild AI 的核心價值，是用共享基礎模型解鎖了機器人在物理世界的『湧現能力』。這和過去那種『單點控制器』的不可擴展性，有著本質區別。」這種「湧現能力」類似於 GPT-3 在語言理解上的突破，當模型規模達到臨界點時，會自動具備訓練時未明確教授的能力。

軟銀的參與尤其具有戰略意義。這家日本科技巨頭早在 2016 年就以 320 億美元收購了 ARM，並一直在機器人領域佈局（如收購波士頓動力）。軟銀願景基金在 AI 投資上素以激進著稱，此次重倉 Skild AI 顯示其認為「機器人通用大腦」是下一個萬億美元市場。輝達的加入則提供了算力和生態支援，Skild AI 的訓練基礎設施很可能建立在輝達的 GPU 集群上。貝佐斯的個人投資更是罕見，這位亞馬遜創始人極少參與早期項目，他的背書為 Skild AI 帶來了無形的品牌價值。

從 Meta 出走團隊的技術基因

Skild AI 的技術能力之所以這麼硬，答案隱藏在創始團隊的背景裡。Deepak Pathak 在創立 Skild AI 前，已是人工智慧與機器人學領域的知名學者與實踐者，他曾在卡內基美隆大學擔任助理教授，發表過多篇被廣泛引用的論文。在 Meta AI 研究部門任職期間，他深入參與了多項關於自適應學習、模擬到真實世界遷移以及大規模機器人資料訓練的關鍵項目。

Pathak 堅信，真正的通用人工智慧必須透過物理世界的互動與試錯來構建，而不僅僅是依賴數位文字或圖像資料。這種理念在 Meta 內部曾遭遇質疑，因為當時 Meta 的重心在元宇宙和社交 AI，對實體機器人的投入相對保守。這種戰略分歧最終促使 Pathak 選擇創業，將理念落地。

Abhinav Gupta 同樣來自 Meta AI，在電腦視覺與機器人學習交叉領域均有建樹。他強調從網路規模視訊資料中學習物理常識，讓機器能夠理解物體屬性、物理規律與人類意圖。實際上，Gupta 與 Pathak 在 Meta 期間就有多次合作，共同探索如何將大語言模型的「湧現能力」復現到實體機器人中。

兩人均認為，當前機器人行業過於依賴特定任務、特定硬體的定制解決方案，缺乏一個可泛化、可擴展的「通用大腦」，這嚴重限制了機器人在真實世界中的應用潛力與普及速度。於是，兩人在 Meta 的後期已經開始內部孵化一個項目，嘗試建造一個不依賴特定硬體的機器人基礎模型。終於在 2023 年初，Pathak 與 Gupta 決定離開 Meta，全職創業。他們堅信，機器人產業的未來不在於製造更多的「身體」，而是提供一個強大的、可共享的「大腦」。

機器人產業的 GPT-3 時刻

時間拉回到 2023 年，彼時智慧機器人遍地開花，但每款機器人都需要從頭開始訓練專用演算法，導致研發週期長、成本高，且不同機器人之間能力無法互通。而在具身智慧產業，一直有個難題困擾著業界：如何做好泛化？所謂的泛化，是指在一個機器人身上的能力，要能快速複製到別的機器人身上。

這在機器人身上非常困難，原因在於：物理世界極為複雜、不確定且高度動態，而機器人需要同時解決感知、決策、執行三個層面的泛化問題。例如，光照變化、天氣影響、背景雜亂、遮蔽幹擾等，都會導致視覺感測器輸入資料分佈劇烈變化。即使每個簡單任務（如抓取、行走）已學會，組合成複雜任務（例如「打開冰箱拿出飲料並倒入杯子」）時，決策空間呈指數級增長。

Skild Brain 解決泛化的三大技術路徑

大規模多模態預訓練：從網路視訊、模擬環境和真實機器人數據中學習物理常識，建立跨場景的通用表徵

硬體無關架構：透過抽象層將感知和決策邏輯與特定機械結構解耦，使同一模型可部署到輪式、足式、臂式等不同形態機器人

持續學習機制：機器人在執行任務時產生的數據回傳至雲端，不斷優化模型，每個機器人的經驗都能惠及整個網絡

Skild AI 不製造機器人硬件，但旨在為所有機器人安裝一個「通用大腦」，其創始人宣稱，他們正在創造具身智能的「GPT-3 時刻」。Skild Brain 可以將軟體與硬體分離，避免被單一硬體設計束縛。同時，它最大可能地降低了行業門檻，讓其他機器人廠商或整合商可以專注於硬體優化和場景落地，直接調用 Skild Brain 的 API 即可獲得高級智能，極大加速機器人應用的普及。

商業化前景同樣可觀。在工業和商業領域，生產線上的機器人不必因一個小故障就全線停機；在災難救援中，機器人即使「殘肢斷臂」也能繼續執行任務；在消費級市場，一個「大腦」可以「換殼」使用，大幅降低成本。這些技術基石，正在重塑人們對 AGI 的認知——僅靠數位知識無法建構真正的 AGI，機器智能體必須透過「實踐」學習，在物理世界中理解真實運作規律。