Skild AI S1, futbol için öz-eşleşme eğitiminin ardından gerçek topla çalıştı

Skild AI’nin robot modeli S1’in sanal ortamda futbolu defalarca öğrendikten sonra gerçek ortamda topla çalıştığı bildirildi. Ancak futbol eğitimi için belirtilen ‘140 yıl’ ifadesi ve gerçek maç performansı resmi araştırma belgelerinde doğrulanmadı.

Crypto Briefing, 23’ünde S1’in NVIDIA(NVDA) Isaac Sim üzerinde öz-eşleşme yöntemiyle futbol öğrendiğini bildirdi. S1’e yalnızca ‘gol atma’ hedefi verildi. İnsan gösterim videoları veya hareket bazlı ödül tasarımı olmadan ayak hareketlerini, pozisyon almayı ve top takibini kendi kendine öğrendiği aktarıldı.

Öz-eşleşme eğitimi, sanal ortamdaki robotun davranışlarını tekrarlayıp sonuçları karşılaştırarak politikasını geliştirmesi yöntemidir. Bu yaklaşım, gerçek ekipmanı sürekli hareket ettirmeden çeşitli başarısızlık ve başarı örneklerinin biriktirilmesini sağlar.

NVIDIA’nın Isaac Sim platformu, fizik tabanlı sanal ortamda robot ve sensör hareketlerini yeniden oluşturur. Isaac Lab ise Isaac Sim temelinde robot politikalarını büyük ölçekte eğitmek için kullanılan bir çerçevedir.

Bu tür simülasyonlar, robotları gerçek ortamda tekrar tekrar çalıştırmanın maliyetini ve riskini azaltmak için kullanılır. Ancak bu futbol deneyinde gerçek maç başarı oranı, tekrarlanabilirlik ve engellere tepki verme kabiliyeti açıklanmadı.

Skild AI’nin S1 hakkında resmi olarak yayımladığı araştırmanın odağı futbol değil, bağlam içi öğrenmedir. S1, tek bir video gösterimini alarak 10 dakikaya kadar yeni bir görevi yerine getirecek şekilde tasarlandı ve her görev için model ağırlıklarını yeniden eğitmiyor.

Şirket, saksıya bitki dikme, pankek çevirme, filtre kahve hazırlama ve kit montajını S1’in kullanım örnekleri arasında gösterdi. Tek bir video gösteriminden hareketle yeni görevlere uyum sağlaması, her görev için hareketlerin ayrı ayrı programlandığı yöntemden ayrılıyor.

Skild AI, öğrenilmemiş çok aşamalı görevlerde S1’in aşama bazlı başarı oranının yaklaşık %66 olduğunu açıkladı. Karşılaştırılan sistemde bu oran %9 olurken, tek bir video gösteriminin yaklaşık 380 manuel eğitim örneğine denk geldiği tahmin edildi.

Bu veriler futbol deneyine değil, şirketin açıkladığı manipülasyon görevi değerlendirmesine ait. Bu nedenle yalnızca söz konusu sonuçlara dayanarak S1’in gerçek futbol maçında insan seviyesinde hareketler gerçekleştirdiği söylenemez.

Skild AI ortak kurucusu ve CEO’su Deepak Pathak(Deepak Pathak), “Robotikteki değişim, önceden programlama değil, deneyim yoluyla öğrenmedir” dedi. Bu açıklama, şirketin robot hareketlerini önceden belirlemek yerine deneyim verileriyle öğrenmesini hedefleyen yaklaşımını anlatıyor.

Skild AI, 14 Ocak 2026’da 1,4 milyar dolarlık (yaklaşık 1,9 trilyon won) Seri C yatırım aldığını açıkladı. Şirket o dönemde değerlemesinin 14 milyar doların (yaklaşık 18,956 trilyon won) üzerinde olduğunu belirtti. Tura SoftBank ve NVIDIA’nın girişim yatırım birimi NVentures da katıldı.

Skild AI daha önce 1,4 milyar dolarlık Seri C yatırımını ve 14 milyar doların üzerindeki değerlemesini açıklamıştı. S1 örneği, söz konusu yatırımın arka planında gösterilen genel amaçlı robot yazılımı ve gerçek endüstriyel ortamlara uygulama stratejisinin devamı niteliğinde.

Şirket, Eylül 2026 itibarıyla yıllık yinelenen gelirinin 100 milyon dolara (yaklaşık 135,4 milyar won) ulaştığını ve 60’tan fazla dağıtım ortağıyla çalıştığını açıkladı. NVIDIA ve Skild AI ayrıca Foxconn fabrikasında NVIDIA Blackwell GPU sistemlerini monte eden robotlar da konuşlandırıyor.

Robotik yapay zeka alanında, simülasyonda öğrenilen politikaların gerçek ekipmanlara uygulanması temel zorluklardan biri olarak görülüyor. Sanal ortamda yeterli deneyim biriktirilse bile gerçek dünyada sensör hataları, nesnelerin sürtünmesi ve öngörülemeyen hareketler ek değişkenler oluşturuyor.

Bu örnek, robotun futbolu insan seviyesinde oynadığını göstermekten çok, sanal ortamda tekrarlı deneyimlerle öğrenilen politikaların gerçek görevlere aktarılmasına yönelik araştırma eğilimini ortaya koyuyor. ‘140 yıl’ ifadesinin nasıl hesaplandığı ve gerçek maç performansı, ek belgeler yayımlandığında doğrulanabilecek.