Skild AI legt seine Karten auf den Tisch (teilweise jedenfalls). Die Teleoperationsdaten sind wenig vielfältig und durch ein 1:1-Zeitmaß des menschlichen Operators begrenzt. Um dem entgegenzuwirken, hat Skild sein Modell mit internetweiten Videodaten vortrainiert (die bereits in Form von "egozentrischen" Kopfkameravideos aus der Ich-Perspektive und Millionen von Anleitungsvideos auf YouTube weit verbreitet sind).

Durch die Nutzung dieser umfangreichen "biologischen Intelligenz" in menschlichen Videos kann das Modell eine Vielzahl von Aufgaben mit weniger als einer Stunde roboterspezifischer Daten ausführen.

Dieser Ansatz durchbricht den Engpass bei Robotikdaten, um die Skalierung von Fundamentmodellen freizuschalten. Das Modell hält auch adverser Beeinflussung stand - die Art von Robustheit, die normalerweise bei der Fortbewegung zu sehen ist.