硅谷今日最熱具身模型！不用後訓練，看一遍就學會

自上週Generalist發佈能夠學習3到12秒動作的具身大腦Gen 1.5 以來～ 剛剛，北美具身初創Skild AI又發佈了全新機器人基礎模型S1，直接把機器人上下文學習的任務長度拉到了10分鐘往上。這次的S1主打上下文學習（in-context learning，ICL）： 無需在後訓練階段專門學習新的操作數據，只需看一段人類示範視頻，就能“照貓畫虎”，直接完成一整套從未見過的複雜操作流程。在官方演示裡，機器人完成了煎餅、沖泡咖啡、給植物換盆，以及設備組裝等長程任務。並且在未見過的任務上，把成功率幹到了66%，遠超基於語言提示的VLA（只有 9%）。

另外，哪怕是走傳統後訓練微調的路線，想追平S1只看一次演示的效果，大概也要喂進去380次左右的任務演示。非常amazing！可以說，最近這一波集中在上下文學習的工作，又給不少人重新燃起了對具身的希望。有推特網友表示，通用機器人可能兩年後就會出現，而不是七年。還有網友表示，從Rhoda，到上週Generalist，再到現在Skild S1的10分鐘任務，機器人真正的GPT時刻似乎正在出現。因為一旦這種能力真的泛化，以後開發機器人技能，可能真的會變得像給ChatGPT 寫 Prompt一樣。真有這麼神嗎？我們一起來看。

從BERT時代，邁向GPT時代 想要理解S1這次到底怎麼個上下文學習，咱們得先看看，傳統機器人是怎麼學習一個新技能的。在傳統的pipeline裡，機器人學習其實和大模型差不多： 先在海量數據上進行預訓練，學會一些基礎能力；然後到了具體場景，再針對某個任務收集數據，通過後訓練，讓機器人學會專有技能。只不過問題在於，機器人和大模型雖然流程差不多，但數據成本卻完全不是一回事。大模型的預訓練數據，大量來自互聯網；哪怕到了編程、Agent這些專門場景，很多後訓練數據也可以在線上快速獲得，甚至自動生成。但機器人就比較慘了。預訓練數據得在現實世界裡採，後訓練數據還是得在現實世界裡採。

所以，在技術博客中，Skild AI就直接開麥了： 如果一個機器人基礎模型，每學一個新任務仍然需要幾十、幾百小時真機數據，再重新後訓練，那我請問，這個“基礎模型”，基礎在哪兒？他們甚至引用已有研究指出，如果針對一個新任務的數據已經足夠多，那麼從零訓練的模型甚至都可能追平經過預訓練再微調的基礎模型。所以，具身預訓練的意義到底是啥？對此，Skild給出的答案是：上下文學習。為了有一個參考座標，Skild拉來了大模型的發展路線作為對照。早期的BERT已經很強了，但每碰到一個新任務，往往還是得重新準備數據，再微調一遍。

真正改變遊戲規則的，是後來GPT-3之後逐漸顯現出來的上下文學習能力： 不用改模型權重，只要在Prompt裡給幾個例子，模型就能臨時“學會”一個新任務。基於此，Skild認為，機器人現在其實還困在類似的BERT時代，他們真正想要的是，是讓機器人也完成同樣一次範式轉換。也就是說，預訓練真正的價值，不應該只是讓後訓練少採一點數據，而是讓機器人最終獲得“從上下文裡直接學習”的能力。上下文學習 那麼，S1這次到底從上下文裡學到了什麼？

Skild認為，真正能檢驗機器人上下文學習能力的，其實就兩個維度： 一個是，能不能學會訓練時根本沒見過的新技能；另一個是，能不能把已有技能重新組合起來，完成一個很長、很複雜的新任務。比如，機器人只需觀看一段翻煎餅的視頻，就能學會如何製作煎餅—— 即便這項技能此前從未出現在它的訓練數據中。與此同時，相較於上週Gen-1.5展示的秒級視頻，S1這次直接把上下文學習拉到了最長10分鐘。在植物換盆等任務中，每個任務都需要連續完成幾十個操作步驟。在這些長程任務的演示中，機器人不僅需要做到照貓畫虎，還需要知道： 我現在做到哪一步了，下一步該幹嘛，技能之間怎麼組合，中間搞砸了又該怎麼繼續。

也就是說，機器人需要真正理解視頻演示裡任務-動作的意圖，見招拆招、隨機應變，而不僅僅是行為克隆那麼簡單。此外，在植物換盆任務中，從開始錄演示，到機器人自己上手，只花了11分鐘，直接在效率這一塊，給傳統後訓練秒了。最後，在整個過程中，S1沒有用fine-tuning，也沒上post-training，模型權重完全不變，用同一套權重，就完成了博客裡展示的所有任務。基本對齊了大模型從Bert需要特定場景微調，到GPT-3只看演示就能完成OOD任務的跨越。唯一的不同就是，用的prompt不再是語言，而是用了能夠更好對齊下游任務的動作視頻。實驗：ICL到底是不是更能scale？

在實驗部分，Skild先在（訓練數據）見過的任務和未見過的任務上，對比了ICL視頻Prompt和傳統的語言Prompt VLA。測試結果表明，當訓練數據只有1000小時時，語言Prompt效果更好，而隨著數據規模增加，ICL開始反超。到了10萬小時，訓練時見過的任務上：ICL 96%，語言Prompt 89%。而在真正關鍵的OOD任務上：ICL 66%，語言Prompt只有9%，直接拉開了7倍以上的差距。為了驗證S1的泛化性，Skild又在不同的實驗條件下進行測試。結果表明，語言Prompt VLA的性能下降幅度，最高達到ICL的3倍。

也就是說，ICL學到的不是固定場景裡的動作復讀，而是更能跟著當前環境重新規劃怎麼做。最後，在One shot learning方面。S1在新任務上完全不做post-training，只看一條視頻演示，成功率就達到66%。相較之下，傳統VLA則大概要經過約380次演示的後訓練，才能追到同樣水平。當然，繼續堆到2000次演示後，傳統post-training最終能做到86%。所以結論可能不是“以後機器人不用訓練了”，而是： 以前一個新技能可能得教幾百遍，現在先看一遍，就能直接做到六七十分。

這也是Skild所謂的ICL scaling law： 數據越多，模型不只是會更多技能，而是越來越會“從演示裡學技能”。Skild AI是誰？Skild成立於2023年，背後站著兩個CMU機器人圈的老熟人：Deepak Pathak和Abhinav Gupta。兩人都是卡內基梅隆大學機器人研究所的教授，Deepak主要研究機器人學習、強化學習和計算機視覺，Abhinav則是計算機視覺、自監督學習領域的大神。早在2022年，兩人就合作過WHIRL，讓機器人通過觀看人類視頻進行one-shot imitation，可以說S1這條路線，也不是突然從石頭縫裡蹦出來的。

作為北美具身圈的明星企業，2024年Skild剛走出隱身模式，就拿下3億美元A輪、估值15億美元； 到了今年1月，又完成14億美元C輪融資，估值直接幹到了140億美元以上，SoftBank領投，英偉達、貝索斯等繼續上桌。兩年多時間，估值接近翻了10倍。橫向對比來看，Skild在北美具身圈的定位也相當特殊。相比於PI更像是在搞“機器人GPT”，Generalist最近強調的是one-shot learner，以及Genesis AI、Sunday最近的全棧勢頭，Skild一直強調的是一句話：Any robot,any task, one brain。

它更強調跨embodiment，希望同一個Skild Brain能夠跑在機械臂、四足、人形等不同身體上。說的通俗一點，就是想成為機器人時代的安卓：一個智能層，塞進各種不同的身體裡。這也由此決定了Skild的數據策略：全都要。Skild把機器人數據看成hardware proximity、diversity和scalability三個維度： 真機遙操最接近硬件，但貴；第一視角人類視頻最容易規模化，但和機器人身體差得遠；仿真便宜能猛造，卻又有sim-to-real gap。

所以他們對於Robot Teleop、UMI、Egocentric Video、Simulation，基本上採取的就是都用的策略。而S1的ICL，其實也是這條路線自然延伸： 2025年9月LocoFormer → 2026年2月首次In-Domain ICL → 5月第一次翻煎餅 → 8月S1發佈，直接把上下文學習推到最長10分鐘的OOD長程任務。所以現在真正值得關注的問題，可能已經不是機器人還能不能學會更多技能，而是： 機器人學習一個新技能的成本，能不能真的從“教幾百遍”，變成“你做一遍，它看一遍”。

如果這個scaling law還能繼續成立，那所謂機器人的GPT moment，可能真的不只是又一個營銷梗了。參考鏈接 [1]https://www.skild.ai/blogs/s1 版權所有，未經授權不得以任何形式轉載及使用，違者必究。