Skild AI 釋出機器人基座模型 S1：看一段影片就學會做咖啡和翻煎餅

想讓機器人學會做煎餅或者泡咖啡，過去的常規流程是：收集幾十到上百小時的針對性資料，然後通宵微調模型。

機器人具身智慧公司 Skild AI 推出了自家的旗艦機器人基座模型 S1。它最大的不同在於徹底拋棄了後訓練微調，只要給它看一段演示影片，它就能像大語言模型讀懂 Prompt 一樣，立刻照著去執行任務。

機器人的「BERT 時代」結束了

Skild AI 直言，當下的機器人領域一直困在語言模型的「BERT 時代」。

以前我們讓機器人學新活，需要收集數小時乃至數百小時的實地資料來微調專門策略。但業內有一項公開的尷尬事實：只要針對性資料夠多，從零訓練的模型甚至能追平微調基座模型的效果。這就讓人不禁想問，機器人預訓練的意義到底在哪？

Skild AI 認為，預訓練唯一的目的就是換來「上下文學習」（In-Context Learning），就像當年 GPT 從 BERT 跨越到 GPT-3 一樣。一年前，他們曾在移動導航模型上做過嘗試，而這次的 S1 則是專為機器人操作從頭設計的基座模型。

扔一段 10 分鐘影片，看一遍就會

在很多簡單的原子動作上，語言指令確實足夠，比如「把馬克杯遞給我」。但遇到細膩、連貫的長流程動作，人類自己都講不清楚，必須「演示給你看」，比如怎樣疊好床單、打發蛋白或打結。

S1 選擇直接用影片做提示詞。模型不僅能理解簡短的 5 到 25 秒動作，還能處理長達 10 分鐘的超長連貫任務。在咖啡沖泡、植物盆栽移植、翻煎餅等測試中，就算這些操作在預訓練資料裡壓根沒出現過，S1 也能照做。

評測顯示，S1 在全新任務上的表現超過了傳統的視覺-語言-動作模型，直接看一段影片達到的執行效果，能與那些額外耗費 50 到 100 小時資料微調出來的 VLA 模型平起平坐。目前，Skild AI 已經開始向部分工業合作伙伴部署 S1。

為什麼重要

對於工業部署或工廠自動化來說，這項技術的價值在於極大地砍掉了落地門檻。過去企業引入機器人，最痛苦的就是產線上一旦換了新零部件或改了工序，工程團隊就得重新採集資料並花幾天微調模型；現在如果一段教學影片就能驅動執行，柔性生產的部署週期就能從數週壓縮到幾分鐘。

我們認為，Skild AI 這一步走得相當敏銳。他們戳破了此前機器人領域靠微調刷指標的泡沫，把大語言模型最核心的 Prompt 泛化邏輯搬到了物理世界。比起目前大多數團隊還在死磕 20 秒左右的簡單抓取，S1 敢挑戰 10 分鐘級別的未見任務，直接拔高了具身智慧的標準線。

不過隱患也同樣明顯。影片只是單向視覺輸入，它無法傳遞手感、阻力、摩擦力等真實的物理觸覺反饋。在只有一段影片作為參考的前提下，遇到裝配卡死、易碎物拿取這類嚴苛工況，機器人的容錯率和安全性究竟怎樣，還需要在接下來的工業實測中見分曉。