¡En 3 años, alcanzó los 14 mil millones de dólares! SoftBank y NVIDIA compiten por invertir en una valoración de mil millones de dólares, la "unicornio"

2026年 AI界誕生最快千億獨角獸。Skild AI completa una ronda de financiación Serie C con una valoración superior a 14 mil millones de dólares, habiendo sido fundada hace solo 3 años y recibiendo inversiones de SoftBank, NVIDIA y Bezos. Los fundadores provienen de Meta AI, no fabrican hardware de robots, sino que se concentran en crear una “mente general” Skild Brain, que mediante modelos compartidos otorga a los robots capacidades en el mundo físico.

Lógica de capital que multiplicó por diez la valoración en dos años

Skild AI es el unicornio que más rápido superó los 100 mil millones este año, con un ritmo de desarrollo tan acelerado y una valoración tan inflada que, incluso en medio de la ola de inversión en IA, es considerado un fenómeno. La compañía, fundada hace solo dos meses, obtuvo una financiación semilla de 14.5 millones de dólares liderada por Sequoia Capital, logrando un buen inicio. Al cumplir un año, Skild AI completó una ronda Serie A de hasta 300 millones de dólares, elevando su valoración post-inversión a 1.5 mil millones de dólares. En menos de dos años, su valoración creció casi diez veces, y en la última ronda Serie C, su valoración alcanzó los 14 mil millones de dólares.

La razón por la que los capitales apuestan por Skild AI es simple: el mercado laboral global enfrenta una grave escasez. Solo en EE. UU., se estima que para 2030 habrá un déficit de 2.1 millones de empleos en manufactura, y en economías desarrolladas como Europa y Japón, el envejecimiento poblacional es aún más severo. Los robots universales capaces de realizar tareas físicas complejas son vistos como la clave para resolver la crisis de productividad. Sin embargo, la industria robótica actual está altamente fragmentada, con cada fabricante intentando desarrollar internamente toda la estructura mecánica y los sistemas de control, lo que genera altos costos de I+D y dificultades para transferir capacidades entre plataformas.

Skild AI, que “solo hace cerebros, no cuerpos”, encaja perfectamente con la tendencia de la industria de pasar de un enfoque “orientado a hardware” a uno “basado en modelos de IA y capacidades de software”. En el informe post-inversión, Sequoia Capital escribió: “El valor central de Skild AI radica en que su modelo base compartido desbloquea la ‘capacidad emergente’ de los robots en el mundo físico. Esto es fundamentalmente diferente a los controladores ‘puntuales’ del pasado, que no eran escalables.” Esa “capacidad emergente” es similar a los avances de GPT-3 en comprensión del lenguaje, donde al alcanzar un tamaño crítico, el modelo desarrolla capacidades no explícitamente enseñadas durante el entrenamiento.

La participación de SoftBank tiene un significado estratégico especial. Este gigante tecnológico japonés compró ARM en 2016 por 32 mil millones de dólares y ha estado invirtiendo en robótica (como en Boston Dynamics). El Vision Fund de SoftBank es conocido por su enfoque agresivo en inversiones en IA, y su fuerte apuesta en Skild AI indica que consideran que la “mente general para robots” será el próximo mercado de billones de dólares. La incorporación de NVIDIA aporta potencia de cálculo y soporte ecológico, y la infraestructura de entrenamiento de Skild AI probablemente se base en clústeres de GPU de NVIDIA. La inversión personal de Bezos también es poco común, ya que el fundador de Amazon rara vez participa en proyectos en etapas tempranas; su respaldo aporta un valor de marca intangible para Skild AI.

El ADN tecnológico del equipo que salió de Meta

La sólida capacidad tecnológica de Skild AI se explica por el trasfondo del equipo fundador. Deepak Pathak, antes de fundar Skild AI, era un reconocido académico y practicante en inteligencia artificial y robótica, habiendo sido profesor asistente en la Universidad Carnegie Mellon, con múltiples publicaciones ampliamente citadas. Durante su etapa en el departamento de investigación de Meta AI, participó en proyectos clave sobre aprendizaje adaptativo, transferencia de simulación a realidad y entrenamiento de grandes volúmenes de datos para robots.

Pathak está convencido de que la verdadera inteligencia artificial general debe construirse a través de la interacción y prueba en el mundo físico, no solo confiando en datos digitales de texto o imágenes. Esta filosofía fue cuestionada dentro de Meta, ya que en ese momento su enfoque principal era el metaverso y la IA social, siendo más conservadores en la inversión en robots físicos. Estas diferencias estratégicas finalmente llevaron a Pathak a fundar su propia empresa para materializar su visión.

Abhinav Gupta, también ex Meta AI, tiene logros en visión por computadora y aprendizaje en robótica. Enfatiza el aprendizaje de conocimientos físicos a partir de grandes volúmenes de datos de vídeo en línea, permitiendo que los robots comprendan atributos de objetos, leyes físicas y la intención humana. De hecho, Gupta y Pathak ya colaboraron varias veces en Meta, explorando cómo reproducir la “capacidad emergente” de los grandes modelos de lenguaje en robots físicos.

Ambos creen que la industria de los robots actualmente depende demasiado de soluciones específicas para tareas y hardware, careciendo de un “cerebro general” que pueda generalizar y escalar, lo que limita severamente su potencial y velocidad de adopción en el mundo real. Por ello, en las etapas finales de Meta, comenzaron a incubar internamente un proyecto para construir un modelo base de robot que no dependa de hardware específico. Finalmente, en principios de 2023, Pathak y Gupta decidieron dejar Meta y dedicarse a tiempo completo a su startup. Confían en que el futuro de la industria robótica no consiste en fabricar más “cuerpos”, sino en ofrecer un “cerebro” potente y compartible.

El momento GPT-3 en la industria robótica

Volviendo a 2023, los robots inteligentes estaban en auge, pero cada uno requería entrenar algoritmos específicos desde cero, lo que generaba largos ciclos de desarrollo, altos costos y capacidades no interoperables entre robots. En la industria de la inteligencia física, un problema persistente era: ¿cómo lograr una buena generalización? La generalización se refiere a que las capacidades en un robot puedan ser rápidamente transferidas a otros.

Esto es muy difícil en robótica, porque el mundo físico es extremadamente complejo, incierto y altamente dinámico, y los robots deben resolver simultáneamente problemas de percepción, decisión y ejecución. Por ejemplo, cambios en la iluminación, clima, fondos ruidosos o interferencias de oclusión pueden alterar drásticamente los datos de los sensores visuales. Incluso si un robot aprende tareas simples (como agarrar o caminar), al combinarlas en tareas complejas (como “abrir la nevera, sacar una bebida y verterla en un vaso”), el espacio de decisiones crece exponencialmente.

Las tres vías tecnológicas de Skild Brain para resolver la generalización

Preentrenamiento multimodal a gran escala: aprender conocimientos físicos a partir de vídeos en línea, entornos simulados y datos de robots reales, creando representaciones universales que cruzan escenarios

Arquitectura independiente del hardware: mediante capas de abstracción, desacoplar percepción y lógica de decisión de la estructura mecánica específica, permitiendo que un mismo modelo se despliegue en robots con ruedas, piernas o brazos

Mecanismo de aprendizaje continuo: los datos generados por los robots en la ejecución de tareas se envían a la nube, donde se optimiza continuamente el modelo, beneficiando a toda la red de robots

Skild AI no fabrica hardware de robots, sino que busca instalar en todos ellos un “cerebro general”, y sus fundadores afirman que están creando un “GPT-3” para la inteligencia física. Skild Brain puede separar software y hardware, evitando estar atado a un diseño mecánico único. Además, reduce al máximo la barrera de entrada en la industria, permitiendo que otros fabricantes o integradores puedan centrarse en optimizar hardware y escenarios, simplemente usando la API de Skild Brain para obtener inteligencia avanzada, acelerando así la adopción de robots.

El potencial comercial también es prometedor. En el sector industrial y comercial, los robots en líneas de producción no necesitan detenerse por una pequeña falla; en rescates, incluso con “extremidades dañadas”, pueden seguir operando; en el mercado de consumo, un mismo “cerebro” puede ser “cambiado de carcasa”, reduciendo costos. Estos fundamentos tecnológicos están redefiniendo la percepción de la AGI: solo con conocimientos digitales no se puede construir una verdadera AGI; los agentes inteligentes deben aprender a través de la “práctica”, entendiendo las leyes del funcionamiento real en el mundo físico.