最近刷到机器人圈这则消息的人，多半第一反应都是：难不成机器人的“提示词时刻”，真的要来了？
就在8月底，美国机器人初创公司Skild AI正式发布了全新基础模型S1，最炸的卖点只有一句话：给它看一遍人类操作的演示视频，不用微调模型、不用改权重参数，它就能直接上手完成最长10分钟的复杂多步骤任务。
别以为是什么夹取方块的实验室小儿科。官方放出的演示里，从煎松饼、手冲咖啡，到给绿植移栽换盆、组装零件套件，全是有严格先后顺序、要精准控制力度和角度的细活，一套流程几十个步骤，中间错一步就没法往下走。
光说概念没实感，看对比数据才知道差距在哪。按照Skild公开的基准测试结果，面对从没接触过的全新任务，S1只看一遍视频的单步成功率就能达到66%。
而走传统模仿学习路线的模型，要摸到差不多的水平，得先采集50到100小时的专属演示数据，再针对单个任务做专门的微调训练，前后折腾几周都是常事。
单看66%这个数字，真算不上惊艳，甚至有人会吐槽“才六成多也好意思拿出来说”。但得算明白背后的账：传统方案是堆时间、堆人力换一个任务的熟练度，S1是花几分钟拍条视频，直接解锁一个新任务。
这根本不是精度高低的比拼，是两种完全不同的做事范式。说白了，S1这套玩法，就是把大语言模型的上下文学习逻辑，搬到了机器人身上。
以前教机器人干活只有两条路：要么把任务训死在模型权重里，换个工序就得全部重来；要么靠语言指令下达任务，但一句话根本说不清楚“握杯子用多大力”“倒水倾斜多少度”这种物理细节。
S1走了第三条路：把一段演示视频当成“视觉提示词”塞进模型的上下文窗口，它自己就能把视频里的人类动作拆解、映射到机器人的关节上，直接输出可执行的动作序列。
更有意思的细节是，它不是在死记硬背视频里的动作。
官方研发人员透露过，S1第一次完成煎松饼翻面的时候，他们翻遍了整个预训练数据集，都没找到单独的“翻面”动作样本。它是把之前学过的抓取、腕部翻转、平稳放置这些基础技能重新组合，自己凑出了完整的煎制流程。
换句话说，它学的是“做事的逻辑”，不是“做这件事的固定动作”。而且这套能力的缩放效应非常明显，和大模型的成长曲线几乎一模一样。
当预训练数据只有1000小时的时候，视频提示的效果还不如传统的语言指令；但预训练量冲到10万小时之后，在全新任务上，S1的成功率直接达到了传统语言提示模型的7倍多，对方只有9%，它做到了66%。
但话说回来，我反而觉得现在就喊“机器人的GPT时刻”，属实有点操之过急。
先给大家泼点冷水：目前所有的测试数据都是厂商自己放出的内测结果，还没有第三方机构独立复现验证。而且这个66%是单步成功率，不是全程无人干预的完赛率，测试过程中是有人工介入帮它从失败状态复位的，真放到无人看管的真实工厂或者家庭场景里，实际表现肯定要打折扣。
再往细了说，现在能稳定搞定的还都是结构化的桌面操作任务，环境固定、物件规整，真放到杂乱的仓库、堆满杂物的普通人家里，容错率还得往下掉不少。
但即便有这些局限，它的真正价值从来不是多煎了几个松饼。
过去工业机器人落地贵，贵的从来不是机械臂硬件，是调试和适配成本。生产线换个产品、仓库换个包装规格，就要专业工程师花几周时间重新编程、采集数据、微调模型，这也是中小工厂迟迟用不起机器人的核心原因。
如果视频提示的路线能真正跑通，意味着教机器人干活的门槛，直接从专业工程师降到了任何会拍视频的普通人。你对着自己的操作拍一遍，机器人就能跟着做，这个成本下降的幅度，才是真正能撬动整个行业的变量。
这就像手术机器人领域正在发生的变化：过去换一种术式就要工程师重新编程、采集数据、反复调试，和工厂机器人换个产品卡在同一个坑里。
但现在更多团队在试的路子是，让机器人直接观摩专家操作视频，自己拆解动作背后的逻辑，而不是一行行代码告诉它怎么下刀。你看，不管抓钳子还是翻松饼，教机器人干活这件事本身，正在从“写程序”变成“看视频”。
这表明机器人的学习范式真的在拐弯。但也别抱着明天就能走进生活的期待股票配资查询网，现在顶多算是摸到了规模化落地的门槛，等预训练数据再翻一个量级，能搞定的场景再宽一倍，那时候才是真正的爆发点。
哈福配资提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
