1月15日，机器人基础模型领域迎来里程碑事件。

美国初创公司Skild AI宣布完成约14亿美元C轮融资，估值飙升至超140亿美元，创下该领域融资纪录。

备受关注的是本次投资方的阵容：软银集团领投，英伟达、三星、LG、亚马逊创始人贝索斯家族办公室、Salesforce等全球科技巨头罕见联手，形成跨越芯片、互联网、消费电子等多领域的投资联盟。

短短7个月内，Skild AI的估值增长超过200%，融资总额累计达20亿美元。这家2023年5月才成立的公司，何以吸引全球顶级科技企业与投资机构集体下注?

一、创始团队：从学术殿堂到产业前沿的跨越

Skild AI的崛起与其创始团队的深厚背景密不可分。

公司由Deepak Pathak与Abhinav Gupta联合创立，二人均拥有卡内基梅隆大学机器人研究所的教授职位，此前曾在Meta的先进机器人实验室共事。这种学术界+产业界的双重背景，为公司的技术路径选择和商业化思维奠定了独特基础。

据公开资料显示，Pathak教授在机器人学习领域的研究成果颇丰，其关于自监督学习和强化学习的工作在学术界具有广泛影响力。Gupta教授则长期专注于计算机视觉与机器人感知的交叉研究。两位创始人在2022年就敏锐地察觉到机器人研究面临的现实困境：虽然实验室中不乏令人惊艳的技术演示，但这些系统往往缺乏在真实世界中稳定运行的能力。

这种深刻洞察直接影响了公司的创立理念。2023年5月，Skild AI正式成立，目标直指行业痛点——打造一个能够运行在标准硬件上、具备跨平台泛化能力的通用机器人大脑。

通俗而言，Skild AI正在构建一个通用大脑Skild Brain，这个基础模型可以安装到各种机器人、机器狗身上，使它们能够完成诸如爬楼、绕过障碍物、拾取物品等基本动作。

巧妙的是，创始团队从学术界向创业的转型，恰逢机器人产业从专用系统向通用平台演进的关键时期。

二、技术突破：重新定义机器人的智能范

对于机器人行业而言，长期面临“莫拉维克悖论”：系统的高度专用化与真实世界需求的多样性之间存在难以调和的差距。几乎每个应用场景都需要定制化解决方案，这就导致机器人的部署成本高昂且灵活性不足

针对此，Skild AI提出的技术路带来根本性的范式转变。其核心产品Skild Brain不依赖于预设的固定指令集，而是通过大规模多模态数据进行端到端训练。该系统融合从海量人类活动视频中提取的行为模式，以及在仿真环境中进行的数万亿次试错训练，形成一个完整的从感知、决策到执行、反馈的闭环。

尤为值得关注的，其技术上的关键创新在于硬件与智能层的解耦设计。Skild Brain能够适配从四足机器人、工业机械臂到人形机器人的多种硬件平台，并能实时整合本体感知信息与外部环境数据。这种架构不仅提高了系统的灵活性，也为其在复杂环境中的稳健运行提供了基础。在公开演示中，即使面对硬件故障或环境突变，系统仍能调整策略继续执行任务，展现了传统机器人系统难以具备的适应能力。

三、集体押注背后，科技巨头的生态布局竞赛

融资金额之外，更值得关注的是投资方构成的特殊格局。这些通常在不同赛道竞争甚至存在直接业务冲突的科技巨头，却共同押注同一家创企，背后反映的是企战略上的“各怀鬼胎”。

具体来看，英伟达的布局是其AI生态的自然延伸。作为AI算力领域的领导者，英伟达已通过GPU+CUDA组合掌握训练端基础设施，其Isaac机器人仿真平台也已成为行业标准开发工具。投资Skild AI填补了其在机器人技术栈顶层的生态空缺，有望构建从芯片、开发平台到应用系统的全栈解决方案

软银的投资则体现了其重塑机器人产业影响力的决心。从早期的Pepper机器人到收购波士顿动力，软银在机器人领域的布局广泛但效果有限。近来通过收购ABB机器人业务，软银获得了硬件基础和行业渠道。投资Skild AI成为连接硬件能力与智能系统的关键纽带，与其构建完整机器人生态的战略一脉相承。

对三星和LG而言，这笔投资则承载着转型与发展的双重意义。在消费电子增长放缓的背景下，机器人产业成为重要的战略方向。通过投资而非自研进入通用机器人软件赛道，是一种高效且风险可控的选择。LG CNS与Skild AI的合作协议表明，这种投资正在快速转化为实际的业务协同。

亚马逊的参与直接源于其业务运营的核心需求。作为物流巨头，亚马逊对提升运营效率、降低履约成本有着持续需求。通用机器人大脑如果成熟，可能大幅降低自动化系统的部署成本，这对于拥有超大规模物流网络的亚马逊具有重要战略价值。

这些投资决策共同指向一个产业共识——随着机器人硬件逐渐标准化，产业价值正加速向软件和智能系统层集中。

四、商业化进程：从实验室到真实场景

据Skild AI 2025年业务更新报告显示，该公司商业化进程显著加速。截至2025年底，据其客户名单披露，已服务超过8家企业客户，涵盖安防巡检、建筑施工、物流配送等多个领域。据财务数据显示，2025年该公司营收实现从零到数千万美元的突破。

商业化潜力根植于巨大的市场需求缺口。全球多个行业面临劳动力短缺问题，尤其是在重复性高、危险性大的岗位。传统机器人系统由于定制成本高、灵活性差，难以有效填补这些缺口。通用机器人大脑所承诺的快速适配能力，可能改变机器人的经济模型。

商业化潜力根植于巨大的市场需求缺口。劳工统计局在其发布的《职位空缺和劳动力流动调查》（JOLTS）报告中指出，截至11月底，衡量劳动力需求的职位空缺减少了30.3万个，降至714.6万个，这是自2024年9月以来的最低水平。传统机器人系统因定制成本高、部署周期长而难以填补这些缺口。Skild Brain提供的通用模型若能验证经济可行性，或可能改变机器人的经济模型。

早期试点项目显示出积极信号。在纽约某机场的环境监测试点中，搭载Skild Brain的移动机器人成功完成了非结构化环境下的巡检任务。与LG CNS在人形机器人解决方案方面的合作，也标志着技术开始向更复杂场景延伸。

五、理想与现实的博弈

尽管前景广阔，通用机器人大脑从技术突破到产业成熟仍面临多重挑战。

首先是技术可靠性。在受控环境中表现良好的泛化能力，能否在复杂多变的真实工业环境中保持稳定，仍需长期验证。机器人在物理世界中的决策直接关联安全，这对系统的鲁棒性提出了极高要求。

其次是经济可行性。训练大规模机器人基础模型需要消耗巨量算力资源，如何在模型性能与推理成本之间找到商业平衡点，是技术走向普及必须跨越的门槛。

其三是产业碎片化。当前机器人硬件缺乏统一标准，这种碎片化状态使得通用适配面临巨大工程挑战。实现真正的通用性，可能需要推动硬件接口的标准化，涉及复杂的生态建设

此外，竞争态势方面，Skild AI亦面临多方挑战。特斯拉的Optimus项目持续投入，由三星支持的Physical Intelligence估值已达56亿美元，还有一众正在崛起的中国机器人企业亦在此类方向加速探索。

结语

Skild AI的140亿美元估值，不仅是对一家初创公司的认可，更是整个行业对通用机器人大脑技术路线的集体投票。

未来，工厂里的机械臂可能不再需要工程师逐行编程，只需老师傅演示一次；家庭服务机器人或许能通过观看视频学会新的家务技能。当机器人真正获得观察、学习与适应的通用智能，其影响将远远超越单一产业。

资本的盛宴已经开场，而技术的竞赛才刚刚开始步入深水区。谁能为机器注入真正的“智能”，谁就更有可能成为下一个时代的定义者。