Skild AI發佈單樣本機器人模型S1
Skild AI推出機器人基礎模型S1，宣稱模型可通過一段視頻示範，在不微調的情況下學習此前未見過的任務，並實時執行。
公司稱，S1可學習超過10分鐘的長時程操作任務；模型會組合預訓練階段形成的技能或生成新技能，演示任務包括衝咖啡、給植物換盆和煎鬆餅。
S1使用視頻作爲上下文提示，輸出機器人動作序列；公司稱其可在不同環境和不同機器人本體上完成相應任務，而非只能在原始錄製場景中復現動作。
Skild AI稱，S1首次翻鬆餅時未依賴同類預訓練樣本；團隊檢索了完整預訓練數據後表示，未發現翻鬆餅的訓練示例，認爲模型從一次視頻中推斷出了分佈外操作任務。
公司稱，S1不會機械回放視頻，能夠應對干擾、在操作失誤後調整，並可在部分場景中實現高於示範者的精度；這些均爲公司披露的模型評估結論。
按Skild AI的比較，要達到S1單次示範的準確率，現有視覺—語言—動作模型需要額外收集50至100小時數據並進行微調；該公司未在貼文中公佈基準任務、成功率、硬件配置或第三方復現實驗。
S1已先向數量有限的工業合作方部署，Skild AI計劃未來數月擴大客戶覆蓋。公司此前展示Locoformer處理機器人移動控制與故障適應，S1則把其上下文學習能力擴展至通用機械操作。
市場機制上，若單視頻學習在工廠現場穩定成立，買方將是需頻繁更換工序、SKU或物料的製造與物流運營商，資金會從人工採集、標註和逐任務微調轉向通用機器人數據、部署集成與推理基礎設施；傳統依賴數十小時專屬數據訓練的機器人集成商承壓，而擁有跨本體數據、真實場景部署渠道和安全驗證能力的模型平臺受益。
來源：公開信息
ABAB AI 解讀
Skild AI的公開技術路線早於S1。該公司在2025年展示過“Skild Brain”與Locoformer，主張同一控制系統可適配不同機器人本體，並在腿部失效、車輪鎖死等擾動下繼續執行移動任務；S1意味着其將“跨本體適應”從移動控制延伸至抓取、擺放、烹飪等操作鏈條。真正的技術難點不只是識別畫面，而是把視頻中人的意圖、物體狀態與接觸力學轉換爲連續動作控制。
資本路徑上，單樣本學習瞄準的是機器人商業化中最貴的一段：每部署一項新工序，企業通常要重做數據採集、失敗樣本覆蓋、策略訓練、現場調參和安全驗收。若S1的50至100小時對比在工業任務中成立，採購預算會從“爲每個工站購買一個專用自動化項目”遷往基礎模型訂閱、邊緣算力、傳感器、機器人本體兼容與現場數據閉環；工業合作方將成爲驗證和補充數據的入口。
可比路徑是Google DeepMind的RT系列、Physical Intelligence的π系列及Figure的Helix：它們都在嘗試以視覺、語言和動作的統一模型替代傳統機器人中分離的感知、規劃和控制軟件。差異在於，Skild把“一個視頻示範”置於產品主張中心。行業仍處於從演示能力走向受約束生產部署的擴張期，決定勝負的不是單個視頻表現，而是異常率、恢復能力、維護成本和跨場地複製率。
這本質上是產業鏈重構。過去自動化價值主要沉在機械臂、夾具、控制器與系統集成商的工程工時中；基礎模型若能把新任務配置壓縮爲一次示範，價值會向擁有預訓練數據、通用策略、算力和機器人接口層的公司集中。機制不是“機器人更聰明”本身，而是把非標準工序從定製工程問題變成可迭代的軟件問題，從而壓低部署邊際成本並提高硬件利用率。
ABAB News · 認知定律
數據越難採集，單樣本能力越接近定價權
自動化的終局不是替代動作，而是壓縮配置成本
通用模型贏的不是演示，而是異常恢復