硅谷今日最热具身模型！无需后训练，看一遍就学会
具身智能正迈向“GPT时刻”。
具身智能的大突破，要来了！！！
自上周 Generalist 发布能够学习 3 至 12 秒动作的具身大脑 Gen 1.5 以来，刚刚，北美具身智能初创公司 Skild AI 又发布了全新机器人基础模型 S1，直接将机器人上下文学习的任务时长拉到了 10 分钟以上。
这次，S1 主打上下文学习（in-context learning，ICL）：
无需在后训练阶段专门学习新的操作数据，只需观看一段人类示范视频，就能“照猫画虎”，直接完成一整套从未见过的复杂操作流程。
在官方演示中，机器人完成了煎饼制作、咖啡冲泡、植物换盆以及设备组装等长程任务，并且在未见过的任务上将成功率提升至 66%，远超基于语言提示的 VLA（仅为 9%）。
另外，即便采用传统的后训练微调路线，想要追平 S1 只看一次演示所达到的效果，大约也需要输入 380 次任务演示。
非常惊艳！
可以说，最近这一波集中于上下文学习的工作，又让不少人重新燃起了对具身智能的希望。
有推特网友表示，通用机器人可能两年后就会出现，而不是七年后。
还有网友表示，从 Rhoda，到上周的 Generalist，再到如今 Skild S1 所展示的 10 分钟任务，机器人的“GPT 时刻”似乎正在到来。
因为一旦这种能力真正实现泛化，未来开发机器人技能，可能真的会变得像给 ChatGPT 编写 Prompt 一样。
真有这么神吗？我们一起来看。
从 BERT 时代迈向 GPT 时代
想要理解 S1 这次究竟是如何进行上下文学习的，得先看看传统机器人是如何学习新技能的。
在传统的 pipeline 中，机器人的学习过程其实和大模型差不多：
先在海量数据上进行预训练，学会一些基础能力；然后进入具体场景，针对某个任务收集数据，通过后训练让机器人掌握专有技能。
只不过，机器人和大模型虽然流程相似，但数据成本却完全不是一回事。
大模型的预训练数据大量来自互联网；即便到了编程、Agent 等专门场景，许多后训练数据也可以在线上快速获得，甚至自动生成。
但机器人就比较困难了：预训练数据得在现实世界中采集，后训练数据同样得在现实世界中采集。
所以，在技术博客中，Skild AI 直接提出：
如果一个机器人基础模型每学习一个新任务，仍然需要几十、几百小时的真机数据，再重新进行后训练，那我请问，这个“基础模型”的基础体现在哪里？
他们甚至引用已有研究指出，如果针对一个新任务的数据已经足够多，那么从零训练的模型甚至都可能追平经过预训练再微调的基础模型。
所以，具身预训练的意义到底是什么？
对此，Skild 给出的答案是：上下文学习。
为了提供一个参考坐标，Skild 将大模型的发展路线作为对照。
早期的 BERT 已经很强了，但每遇到一个新任务，往往仍然需要重新准备数据，再进行一轮微调。
真正改变游戏规则的，是 GPT-3 之后逐渐显现出的上下文学习能力：
无需修改模型权重，只要在 Prompt 中提供几个示例，模型就能临时“学会”一个新任务。
基于此，Skild 认为，机器人目前其实还困在类似 BERT 的时代。他们真正想做的，是让机器人也完成同样的范式转换。
也就是说，预训练真正的价值，不应该只是让后训练少采集一些数据，而是让机器人最终获得“从上下文中直接学习”的能力。
上下文学习
那么，S1 这次究竟从上下文中学到了什么？
Skild 认为，真正能够检验机器人上下文学习能力的，其实有两个维度：
一是能否学会训练时根本没有见过的新技能；二是能否将已有技能重新组合起来，完成一个很长、很复杂的新任务。
比如，机器人只需观看一段翻煎饼的视频，就能学会如何制作煎饼——即便这项技能此前从未出现在它的训练数据中。
与此同时，相较于上周 Gen-1.5 展示的秒级视频，S1 这次直接将上下文学习的时长拉到了最长 10 分钟。
在植物换盆等任务中，每个任务都需要连续完成几十个操作步骤。在这些长程任务的演示中，机器人不仅需要做到照猫画虎，还需要知道：
我现在进行到了哪一步，下一步该做什么，技能之间如何组合，以及中途出错后该如何继续。
也就是说，机器人需要真正理解视频演示中任务与动作的意图，见招拆招、随机应变，而不仅仅是进行行为克隆。
此外，在植物换盆任务中，从开始录制演示到机器人自己上手，只用了 11 分钟，直接在效率上将传统后训练比了下去。
最后，在整个过程中，S1 没有使用 fine-tuning，也没有进行 post-training；模型权重完全不变，仅凭同一套权重，就完成了博客中展示的所有任务。
这基本对齐了大模型从 BERT 需要针对特定场景进行微调，到 GPT-3 只看演示就能完成 OOD 任务的跨越。
唯一的不同是，所使用的 Prompt 不再是语言，而是采用了能够更好对齐下游任务的动作视频。
实验：ICL 是否更具扩展性？
在实验部分，Skild 首先在训练数据中出现过的任务和未出现过的任务上，对比了 ICL 视频 Prompt 与传统语言 Prompt VLA 的表现。
测试结果表明，当训练数据只有 1000 小时时，语言 Prompt 的效果更好；但随着数据规模增加，ICL 开始反超。
当数据规模达到 10 万小时时，在训练时见过的任务上，ICL 的成功率为 96%，语言 Prompt 为 89%。
而在真正关键的 OOD 任务上，ICL 的成功率为 66%，语言 Prompt 仅为 9%，直接拉开了 7 倍以上的差距。
为了验证 S1 的泛化性，Skild 又在不同实验条件下进行了测试。
结果表明，语言 Prompt VLA 的性能下降幅度最高达到 ICL 的 3 倍。
也就是说，ICL 学到的并不是固定场景中的动作复读，而是能够根据当前环境重新规划行动方式。
最后，在 one-shot learning 方面，S1 在新任务上完全不进行 post-training，只观看一条视频演示，成功率就达到了 66%。
相比之下，传统 VLA 大约需要经过 380 次演示的后训练，才能达到同等水平。
当然，继续增加到 2000 次演示后，传统 post-training 最终可以达到 86%。
所以，结论可能并不是“以后机器人不用训练了”，而是：
以前一个新技能可能需要教几百遍，现在先看一遍，就能直接做到六七十分。
这也是 Skild 所谓的 ICL scaling law：
数据越多，模型学会的不只是更多技能，而是越来越擅长“从演示中学习技能”。
Skild AI 是谁？
Skild 成立于 2023 年，背后站着两位 CMU 机器人领域的老熟人：Deepak Pathak 和 Abhinav Gupta。
两人都是卡内基梅隆大学机器人研究所的教授。Deepak 主要研究机器人学习、强化学习和计算机视觉；Abhinav 则是计算机视觉、自监督学习领域的专家。
早在 2022 年，两人就曾合作推出 WHIRL，让机器人通过观看人类视频进行 one-shot imitation。可以说，S1 的这条路线并不是突然出现的。
作为北美具身智能领域的明星企业，2024 年，Skild 刚走出隐身模式，就拿下 3 亿美元 A 轮融资，估值达到 15 亿美元。
到了今年 1 月，公司又完成 14 亿美元 C 轮融资，估值直接达到 140 亿美元以上。该轮融资由 SoftBank 领投，英伟达、贝索斯等继续参与。两年多时间里，公司估值接近翻了 10 倍。
横向对比来看，Skild 在北美具身智能领域的定位也相当特殊。
相比之下，PI 更像是在打造“机器人 GPT”；Generalist 最近强调 one-shot learner；Genesis AI、Sunday 则展现出全栈发展势头。Skild 一直强调的一句话是：Any robot, any task, one brain。
它更强调跨 embodiment，希望同一个 Skild Brain 能够运行在机械臂、四足机器人、人形机器人等不同身体上。
通俗一点说，就是想成为机器人时代的安卓：将一个智能层装进各种不同的身体里。
这也决定了 Skild 的数据策略：全都要。
Skild 将机器人数据归纳为 hardware proximity、diversity 和 scalability 三个维度：
真机遥操作与硬件最接近，但成本高；第一视角人类视频最容易规模化，但与机器人身体相距较远；仿真成本低、可以大量生成数据，却又存在 sim-to-real gap。
所以，对于 Robot Teleop、UMI、Egocentric Video、Simulation，Skild 基本采取了全部使用的策略。
而 S1 的 ICL，其实也是这条路线的自然延伸：
2025 年 9 月，LocoFormer 发布；2026 年 2 月，首次实现 In-Domain ICL；5 月，首次展示翻煎饼；8 月，S1 发布，直接将上下文学习推向最长 10 分钟的 OOD 长程任务。
所以，现在真正值得关注的问题，可能已经不是机器人还能不能学会更多技能，而是：
机器人学习一个新技能的成本，能不能真的从“教几百遍”变成“你做一遍，它看一遍”。
如果这个 scaling law 还能继续成立，那么所谓机器人的 GPT moment，可能真的不只是又一个营销梗了。
参考链接：