Skild AI S1：机器人看一段视频，就能学会新任务吗？

机器人要学会新工作，过去往往意味着重新采集数据、远程操控示范、编写程序，甚至启动一轮新的训练。Skild AI推出的S1，试图把这个过程改成更像“教人”：人做一遍，机器人看一段视频，然后自己尝试完成任务。

Skild称，S1能够通过单段视频提示执行此前未出现在预训练数据中的多步骤操作，任务时长最长可达约10分钟，而且不需要针对每项新任务进行微调或观察后的训练循环。1

S1的核心：把视频当成“指令”

S1采用的是视觉上下文学习（visual in-context learning）。在人类演示视频中，人的动作不是被直接逐帧复制，而是在推理阶段充当一条视觉任务指令。模型需要从视频中理解目标、动作顺序以及物体之间的关系，再将预训练阶段学到的技能转化为当前机器人的动作。按照Skild的说法，面对每个新演示时，模型权重不会被重新更新。1

这与传统机器人训练的思路不同。传统方法通常需要为特定机器人和特定任务准备大量示范数据；而S1的设想是，模型先掌握可复用的基础能力，例如抓取、移动、放置和操纵物体，再根据一段视频把这些能力组合成新的流程。

Skild公开展示过的任务包括手冲咖啡、给植物换盆、组装套件和翻煎饼。135这些任务并非单一动作，而是包含目标识别、物体操作、步骤排序和持续控制。

难点在于：10分钟的“长时程”操作

让机器人完成一个短动作，和让它连续工作10分钟，是两种不同的挑战。

长时程任务可能包含数十个动作与决策：物体位置会变化，抓取可能失败，机器人还要根据现场情况调整下一步。S1要解决的并不是简单地复现演示者的机械轨迹，而是在环境发生变化时，持续抓住任务目标，并重新安排动作序列。

这也是S1最受关注的地方。此前，机器人面对一个新任务，通常需要专门的数据采集和训练流程；S1则试图让“看一遍”直接成为执行前的输入。不过，能够在演示中理解任务，并不等于能够在所有家庭或工厂环境中稳定完成任意工作。

视频提示为何明显优于语言提示？

在Skild披露的一项此前未见任务评测中，训练规模为100,000小时的情况下，视频提示策略的平均单步成功率为66%，而可比的语言提示视觉-语言-动作（VLA）策略为9%。32

这个差距说明，视频能够传递许多语言不容易精确表达的物理信息，例如：

• 应该抓取哪个物体；
• 物体需要以什么方向摆放；
• 多个动作应当按照什么顺序进行；
• 演示者如何应对现场变化。

但这组数据需要谨慎解读。它来自Skild披露的内部评测，目前不能视为已经被独立复现的行业标准基准。更重要的是，“平均单步成功率66%”并不等于机器人完成整项10分钟任务的概率就是66%。一项长任务包含许多步骤，任何一步出错都可能影响最终结果。

S1展示过哪些任务？

目前公开材料提到的示例主要包括：

• 制作手冲咖啡；
• 给植物换盆；
• 组装套件；
• 翻煎饼。13335

这些任务能够同时考验视觉识别、抓取与摆放、动作排序和持续控制，因此比单独测试一次抓取更能体现S1的目标。

不过，现有证据主要来自Skild及转述公司说法的报道。公开演示可以说明S1想要提供怎样的交互方式，却不能据此证明它能够可靠处理任意家务、在无人监督下工作，或应对生产现场中的全部物理变化。133

看完视频后，机器人多久能开始？

S1宣传的优势是：机器人观察演示后，可以在推理阶段直接开始执行，不必先进入一轮新的任务专属训练。Skild及相关报道将其描述为实时的上下文执行。130

但目前公开资料没有提供足够可靠的精确延迟数据，例如视频结束后经过多少秒机器人开始第一个动作。因此，“无需微调”应理解为模型不进行新的任务专属权重更新，并不代表视频一定会被瞬间处理，也不代表部署时完全不需要设备设置、标定或安全检查。

Skild如何构建更大的“机器人脑”？

S1是Skild更大范围的Skild Brain战略的一部分。该战略希望训练一个能够跨任务、跨机器人形态工作的通用模型，而不是为每台机器人、每份工作分别建立策略。

Skild表示，公司在模拟环境中构建了包含100,000种机器人变体的“宇宙”，并测试模型对训练集中未出现的机器人形态进行零样本泛化。6其公开材料还提到，Skild Brain面向人形机器人、四足机器人、桌面机械臂和移动操作机器人等不同形态。310

市场上有人声称Skild拥有比竞争对手多100至1,000倍的数据，但现有资料没有给出经过统一口径、独立审计的各家公司数据规模与质量对比。因此，更稳妥的表述是：Skild试图通过跨形态训练、模拟数据和视觉人类数据来扩大训练基础，而不是只依赖某一硬件平台的定制示范。610

“全形态机器人脑”到底意味着什么？

“Omni-bodied”是Skild对其跨机器人形态能力的称呼。它的基本设想是，让同一个基础模型学习较高层次的任务概念和控制规律，再适应不同机器人的腿、轮子、机械臂、传感器及执行器布局。Skild称，在模拟测试中，模型可以对训练时排除的机器人形态进行零样本控制。6

这并不意味着硬件差异可以被忽略。不同机器人仍然拥有不同的传感器、夹爪、关节范围、负载能力、控制接口、延迟和安全约束。即使模型能够跨形态泛化，落地到目标环境时仍需要硬件兼容、系统集成和安全验证。

换句话说，“一个脑”可能减少为每台机器人从头适配的工作量，但并不等于所有机器人插上模型后就能立即承担生产任务。

它已经部署在哪里？效果如何？

公开报道援引的信息显示，Skild的软件已运行在工厂、数据中心和物流场景中的数百台机器人上，涉及英伟达休斯敦工厂、拉瓜迪亚机场试验，以及电线和建筑相关企业。Skild还宣布与ABB Robotics、Universal Robots和英伟达开展合作。174

此外，Technical.ly报道称，Skild计划与电子制造商富士康合作，将模型部署到美国得州休斯敦、生产英伟达Blackwell GPU服务器系统的机器人装配线上。43这说明相关技术正在进入真实工业测试或部署阶段，但并不能证明其已经实现大规模、完全自主的工厂运营。

目前公开资料不足以计算这些项目的独立验证生产完成率、设备正常运行时间、成本节约或投资回报率。实验室中的66%单步成功率，也不应直接当作工厂生产指标。

14亿美元融资，距离“实体AI的ChatGPT时刻”还有多远？

资本市场对Skild的关注度很高。据彭博报道，公司在2026年1月完成由软银领投、规模约14亿美元的C轮融资，估值超过140亿美元。13在此之前，Skild于2024年7月宣布完成3亿美元A轮融资，当时估值为15亿美元。9

“实体AI的ChatGPT时刻”这个说法，指向一种更直观的机器人交互方式：工作人员不必为每项任务编程或重新训练机器人，只需演示想要的行为，通用模型就能负责把示范转译成动作。S1确实展示了朝这个方向迈出的一步。

但它还不是通用机器人大规模到来的证明。当前最有代表性的结果主要由公司披露，公开任务范围仍然有限，工业现场也缺少独立验证的完成率和运营指标。

更审慎的结论是：S1展示了一种有潜力降低机器人任务专属训练成本的方法——把视频作为指令，让大规模预训练提供可复用技能，再检验这些技能能否组合成此前未见的长时程任务。它可能改变人类教机器人做事的方式，但距离“看一遍就能稳定完成任何工作”，仍有明显距离。