北美具身智能领域迎来重大突破，初创公司Skild AI近日发布全新机器人基础模型S1，将机器人上下文学习能力推向新高度。该模型通过观看一段人类示范视频，即可完成长达10分钟以上的复杂操作任务，在煎饼制作、咖啡冲泡、植物换盆及设备组装等未见过的任务中，成功率达到66%，远超基于语言提示的视觉语言动作模型（VLA）9%的水平。
传统机器人学习新技能需经历预训练和后训练两个阶段：先在海量数据中学习基础能力，再针对特定任务收集数据并微调模型。这一过程不仅耗时耗力，且数据采集成本高昂。Skild AI指出，若每个新任务仍需数十甚至数百小时真机数据重新训练，所谓"基础模型"的价值将大打折扣。该公司以大模型发展路径为参照，提出机器人应突破"BERT时代"的局限，向"GPT时代"转型——即通过上下文学习（ICL）直接理解任务意图，而非依赖模型权重调整。
S1模型的核心创新在于其上下文学习能力。在官方演示中，机器人仅需观看一段翻煎饼视频，即可完成从原料准备到成品制作的全流程，即使该技能从未出现在训练数据中。更令人瞩目的是，在植物换盆等长程任务中，机器人需连续执行数十个操作步骤，并实时判断当前进度、规划后续动作，甚至在操作失误时自主调整策略。从录制演示到机器人自主完成任务仅需11分钟，且全程未进行任何微调或后训练，模型权重保持不变。
实验数据显示，随着训练数据规模扩大，ICL的优势愈发显著。当训练数据达10万小时时，ICL在见过任务上的成功率达96%，语言提示VLA为89%；在未见过的任务上，ICL成功率66%，语言提示VLA仅9%，差距扩大至7倍以上。在单次演示学习（One-shot Learning）测试中，S1仅需观看一条视频即可达到66%的成功率，而传统VLA需约380次演示后训练才能达到同等水平。尽管增加至2000次演示后，传统方法最终成功率可达86%，但Skild AI强调，ICL的意义在于将新技能学习成本从"反复教导数百次"降至"演示一次即掌握六七成"。
作为北美具身智能领域的明星企业，Skild AI的估值在两年内增长近10倍。2024年完成3亿美元A轮融资后，今年1月又获得14亿美元C轮融资，投资方包括软银、英伟达和杰夫·贝索斯等。与同行专注特定形态机器人或全栈解决方案不同，Skild AI提出"任何机器人，任何任务，一个大脑"的愿景，致力于开发跨形态的通用智能层，类似机器人时代的安卓系统。其最新成果表明，机器人学习新技能的方式可能正在发生根本性转变——从"反复训练"转向"观察理解"，这一变革或将重新定义人机协作的边界。
