我们曾无数次被许诺机器人界的“iPhone时刻”即将到来，以至于这几乎成了圈内的一个老梗。但每隔一段时间，总会有些硬核突破，让最挑剔的观察者也不得不坐直了身子。这一次，故事的主角是一个机器人、一把锅铲和一张煎饼。
Skild AI，这家融资拿到手软、估值已超过 140 亿美元（约合人民币 1000 亿元）的明星初创公司，刚刚发布了其 S1 基础模型。这个模型最“黑科技”的地方在于：它只需观看一段视频，就能学会一个长达 10 分钟的复杂任务。无需微调，无需数月的繁琐数据收集，更不需要成群结队的远程操作员。看一眼，就能上手。
当机器人第一次完美地翻转煎饼时，Skild 团队的反应像极了典型的程序员：他们第一反应是这肯定是个 Bug。他们花了整整两天时间翻遍了那包含百万小时数据的预训练数据集，坚信是某些制作早餐的数据偷偷溜了进去。结果一无所获。机器人完全是凭借通用的物理常识，从一段视频提示中推断出了“翻转”这一超出其训练分布（out-of-distribution）的任务。这不仅仅是模仿，更是物理常识的觉醒。
微调的“暴政”宣告终结
多年来，让机器人学习一项新任务简直是一场令人崩溃的数据采集拉锯战。为了让机器人稳定地完成一项新工作，公司往往要花费 50 到 100 个小时去收集数据并不断微调模型。这种极其烧钱且耗时的瓶颈，正是让通用机器人一直被困在实验室里的罪魁祸首。Skild 的 S1 则提出了一个激进的替代方案，其原理与让 ChatGPT 风靡全球的逻辑如出一辙：上下文学习（In-context learning）。
你不再需要费力地重新训练模型，只需在它的“上下文窗口”里放进一个示例。对于大语言模型（LLM）来说，那是一段文本；而对于 S1，那是一段人类执行任务的第一视角视频。该模型在海量的互联网视频、模拟环境和真实世界的远程操作数据中进行了预训练，从而构建了对物理交互的通用理解。在此基础上，一次演示就足以解锁一项新技能，无论是给植物盆栽、组装卫生包，还是冲一杯手冲咖啡。
“这个概念被称为上下文学习，它定义了从 GPT-1、GPT-2 这种研究项目向 ChatGPT 这种革命性产品的跨越，”该公司在发布视频中表示，“你将演示放入上下文窗口……它就会发出机器人动作指令来完成任务。”
这种方法不仅行得通，而且表现远超传统方式。对于模型已经熟悉的任务，S1 的表现与传统的视觉-语言-动作（VLA）模型旗鼓相当。但对于从未见过的新任务，两者的差距简直是天壤之别。
物理智能的缩放法则（Scaling Laws）
真正的魔法发生在规模化之后。Skild 发布了一张足以让每个机器人实验室都感到震撼的图表。它显示，随着预训练数据的增加，S1 通过上下文学习处理新任务的能力呈指数级飙升，而基于语言提示的 VLA 模型则陷入了边际收益递减的泥潭。
在经过 10 万小时的预训练后，S1 在分布外任务上的成功率达到了 66%。而那些靠语言指令驱动的 VLA 呢？成功率仅为可怜的 9%。这不只是量变，而是质变。它预示着，就像大语言模型一样，机器人领域同样存在可预测的“缩放法则”（Scaling Laws）。只要喂入足够的数据，全新的能力就会破茧而出。模型不仅变得更强，而且变得更聪明。
这种智能并非弱不禁风。Skild 展示了 S1 如何应对干扰，如何在出错后自我修正，甚至能纠正演示视频中人类犯下的错误。即使物体被移动或更换，它也能应对自如，这说明它拥有一种超越简单路径回放的鲁棒性理解。
从实验室 Demo 到工业现实
如果这只是又一个大学科研项目，那它顶多算是有趣。但 Skild AI 是一个背后站着 SoftBank（软银）、NVIDIA（英伟达）和杰夫·贝索斯旗下 Bezos Expeditions 的商业巨兽。它拥有 140 亿美元的估值，据报道去年仅几个月就创造了 3000 万美元的收入。这不仅仅是一个 Demo，而是一个拥有现有 OEM 合作伙伴和数百台落地机器人的公司发布的产品宣言。
这是他们打造通用型 Translation not available (zh) 愿景中的关键一步。我们此前已经见过他们教机器人 Translation not available (zh) ，但 S1 代表了部署模式的根本转变。其目标是改变自动化的经济模型，让那些请不起机器人博士来重新训练机器的小企业、医院和杂货店也能用上自动化。
当然，挑战依然存在。目前的基准测试数据来自内部，Skild 尚未发布技术论文、API 或模型权重。但视频展现出的实力令人信服，其商业势头也不容小觑。“一机一用”的时代可能终于要画上句号了。通过 S1，Skild 正在向世界证明：机器人的未来与其说是“编程”，不如说是“演示”。而这一切，都始于那张煎饼。