Skild AI trainiert Humanoiden mit 140 simulierten Jahren Self-Play auf Basis von S1 zum Fußballspielen
Skild AI teilte am 23. September mit, sein Robotik-Foundation-Model S1 per Self-Play nachtrainiert zu haben: Eine Policy mit dem einzigen Ziel, Tore zu schießen, lernte in NVIDIA Isaac Sim gegen ihre jüngsten Versionen über mehr als 140 simulierte Jahre Gehen, Aufstehen, Dribbeln, Ballabschirmen und Tackling und wurde auf einen realen Humanoiden übertragen.
Erfolgsquoten, Robotermodell und Rechenaufwand nannte das Unternehmen nicht.
Skild AI berichtete am 23. September in einem Forschungsbeitrag, eine Roboter-Policy per Self-Play nachtrainiert zu haben, dem Verfahren hinter DeepMinds AlphaGo Zero, und sie aus der Simulation auf einen realen Humanoiden übertragen zu haben, der anschließend Fußball spielte. Einziges Ziel war das Torschießen; die Policy trat in NVIDIA Isaac Sim gegen ihre eigenen jüngeren Versionen an.
Skild argumentiert, dass Modelle wie das im August vorgestellte S1, vortrainiert auf Menschenvideos, Handschuhdaten, Simulation und Teleoperation, an menschliche Fähigkeiten gebunden seien und Self-Play diese Grenze überwinde. Quantitative Ergebnisse, das Robotermodell und den Rechenaufwand legte das Unternehmen nicht offen.
Was der Roboter lernte
Nach Skilds Darstellung konnte der Roboter in den ersten simulierten Monaten kaum gehen, lernte dann das Aufstehen nach Stürzen und schließlich Dribbling, Ballabschirmen und Tackling, ohne dass diese Verhaltensweisen eigens belohnt wurden. Nach mehr als 140 simulierten Jahren folgte der Transfer auf die Hardware.
Das Unternehmen
Nach verifizierten MEKAWIRE-Daten sammelte Skild im Juli 2024 300 Mio. US-Dollar bei 1,5 Mrd. Dollar Bewertung ein und im Januar 2026 unter Führung von SoftBank 1,4 Mrd. Dollar bei 14 Mrd. Dollar; am 10. September meldete es mehr als 100 Mio. Dollar wiederkehrenden Jahresumsatz bei über 60 zahlenden Kunden.
- Skild AI
- Serie C
- 14.01.2026
- 1,4 Mrd. $
- 14,0 Mrd. $
- Skild AI
- Serie A
- 09.07.2024
- 300 Mio. $
- 1,5 Mrd. $
- Physical Intelligence
- Serie B
- 20.11.2025
- 600 Mio. $
- 5,6 Mrd. $
- Figure AI
- Serie C
- 16.09.2025
- 1,0 Mrd. $
- 39,0 Mrd. $
- Field AI
- Zwei Runden zusammen
- 20.08.2025
- 405 Mio. $
- nicht genannt
Bewertungssprung Skild = 14,0 / 1,5 = 9,3-fach in 18 Monaten; Bewertung zu ARR = 14 Mrd. / 100 Mio. = 140-fach.
Stand: 16. Okt. 2026
MEKAWIRE-Analyse
Skild setzt auf Simulationsrechenleistung statt menschlicher Datensammlung als Skalierungspfad des Roboterlernens, eine Gegenwette zu den teleoperationslastigen Strategien der meisten Wettbewerber.
Für europäische Anwender, etwa in der Automobilfertigung, wäre das relevant: Wenn Fähigkeiten in der Simulation entstehen, sinkt der Aufwand für Demonstrationen am Band, aber die Abhängigkeit von US-Rechenplattformen wie NVIDIA steigt. Gegenargument: Fußball hat eine klare Belohnung, Fabrik- und Haushaltsaufgaben nicht, und ein Spielvideo belegt keine Generalisierung. Bull Case: belastbare Zahlen für eine Industrieaufgabe binnen eines Jahres. Bear Case: Es bleibt bei der Sportdemo.
Was zu beobachten ist
Skilds angekündigte Ergebnisse zu Multi-Agenten-Verhalten, Kennzahlen oder ein Paper zur Fußball-Policy und Kundeneinsätze mit per Self-Play gelernten Fähigkeiten.
- Skild-AI-Forschungsbeitrag 'Physical Self-Play', 23.09.2026
- Nachtraining von S1 per Self-Play in NVIDIA Isaac Sim
- Einzige Belohnung: Tor schießen
- Mehr als 140 simulierte Jahre
- Realer Humanoid (Modell nicht genannt)
- Erfolgsquoten, Rechenaufwand, Robotermodell
Warum das wichtig ist
Die meisten Anbieter skalieren über menschliche Demonstrationen, langsam und teuer. Skild behauptet, künftige Fortschritte kämen aus Simulationsrechenleistung per Self-Play. Stimmt das, verschiebt sich die Kostenstruktur von Teleoperatoren zu GPUs.
Wettbewerbsanalyse
Physical Intelligence und Figure setzen auf reale und teleoperierte Daten. Übernehmen Wettbewerber Self-Play als Nachtrainingsstufe, schwindet Skilds Differenzierung.
Bewertungskontext
Rund 140-faches Verhältnis von Januar-Bewertung zu September-ARR, weit über etablierten Automatisierern; 9,3-facher Bewertungssprung in 18 Monaten.
Folgen für die Lieferkette
Self-Play im großen Maßstab hängt an GPUs und NVIDIA Isaac Sim; der Einsatz an Hardwarepartnern.
Worauf jetzt zu achten ist
1) Multi-Agenten-Ergebnisse. 2) Kennzahlen oder Paper. 3) Kundeneinsätze.
Analystensicht
These: Skild wettet auf Simulationsrechenleistung statt menschlicher Daten. Zuversicht gering bis mittel, da Zahlen fehlen.
Offene Fragen
Welche Sieg- und Sturzquote erreichte die Policy auf Hardware? Wie viele GPU-Stunden kosteten 140 simulierte Jahre? Welcher Humanoid?