Skild AI 发布机器人基座模型 S1：看一段视频就学会做咖啡和翻煎饼

想让机器人学会做煎饼或者泡咖啡，过去的常规流程是：收集几十到上百小时的针对性数据，然后通宵微调模型。

机器人具身智能公司 Skild AI 推出了自家的旗舰机器人基座模型 S1。它最大的不同在于彻底抛弃了后训练微调，只要给它看一段演示视频，它就能像大语言模型读懂 Prompt 一样，立刻照着去执行任务。

机器人的「BERT 时代」结束了

Skild AI 直言，当下的机器人领域一直困在语言模型的「BERT 时代」。

以前我们让机器人学新活，需要收集数小时乃至数百小时的实地数据来微调专门策略。但业内有一项公开的尴尬事实：只要针对性数据够多，从零训练的模型甚至能追平微调基座模型的效果。这就让人不禁想问，机器人预训练的意义到底在哪？

Skild AI 认为，预训练唯一的目的就是换来「上下文学习」（In-Context Learning），就像当年 GPT 从 BERT 跨越到 GPT-3 一样。一年前，他们曾在移动导航模型上做过尝试，而这次的 S1 则是专为机器人操作从头设计的基座模型。

扔一段 10 分钟视频，看一遍就会

在很多简单的原子动作上，语言指令确实足够，比如「把马克杯递给我」。但遇到细腻、连贯的长流程动作，人类自己都讲不清楚，必须「演示给你看」，比如怎样叠好床单、打发蛋白或打结。

S1 选择直接用视频做提示词。模型不仅能理解简短的 5 到 25 秒动作，还能处理长达 10 分钟的超长连贯任务。在咖啡冲泡、植物盆栽移植、翻煎饼等测试中，就算这些操作在预训练数据里压根没出现过，S1 也能照做。

评测显示，S1 在全新任务上的表现超过了传统的视觉-语言-动作模型，直接看一段视频达到的执行效果，能与那些额外耗费 50 到 100 小时数据微调出来的 VLA 模型平起平坐。目前，Skild AI 已经开始向部分工业合作伙伴部署 S1。

为什么重要

对于工业部署或工厂自动化来说，这项技术的价值在于极大地砍掉了落地门槛。过去企业引入机器人，最痛苦的就是产线上一旦换了新零部件或改了工序，工程团队就得重新采集数据并花几天微调模型；现在如果一段教学视频就能驱动执行，柔性生产的部署周期就能从数周压缩到几分钟。

我们认为，Skild AI 这一步走得相当敏锐。他们戳破了此前机器人领域靠微调刷指标的泡沫，把大语言模型最核心的 Prompt 泛化逻辑搬到了物理世界。比起目前大多数团队还在死磕 20 秒左右的简单抓取，S1 敢挑战 10 分钟级别的未见任务，直接拔高了具身智能的标准线。

不过隐患也同样明显。视频只是单向视觉输入，它无法传递手感、阻力、摩擦力等真实的物理触觉反馈。在只有一段视频作为参考的前提下，遇到装配卡死、易碎物拿取这类严苛工况，机器人的容错率和安全性究竟怎样，还需要在接下来的工业实测中见分晓。