Skild AI S1：機械人睇一段片，就學識做新工作？

Skild AI推出的S1，核心概念很簡單：先畀機械人睇一段人類示範影片，再叫佢照住完成工作。Skild表示，S1能處理預訓練時未見過、最長達10分鐘的任務，而且毋須為每項工作重新微調模型，亦毋須改動模型權重。15

如果這項能力經得起獨立測試，機械人學習新技能的方式可能會由「每項任務逐一重新訓練」，轉向「睇示範、即場理解」。不過，這並不等於通用機械人已經可以無限制地處理家務或工廠工作。現時最亮眼的結果主要來自Skild自己的示範及內部測試，外界仍需要更多可重複、標準化的驗證。

S1到底特別在哪裏？

傳統機械人學習系統，往往針對某一項任務、某一款機械人，或者某一組固定環境訓練。S1則將示範影片當成一個可以執行的「提示」：模型需要由影片推斷目標、動作次序、物件之間的關係，以及完成工作時所需的力度和調整。13

例如，單靠一句「沖咖啡」只能講出目標；一段影片卻可以展示應該先後做甚麼、如何握住物件、工具放在哪裏，以及整個流程怎樣一步步完成。Skild的主張是，這種更豐富的提示，能幫助S1處理預訓練資料中未曾出現的長流程任務。15

公司將這種方法形容為機械人版本的語言模型提示（prompting）：模型本身的能力不變，示範影片就提供今次任務所需的具體情境。

沖咖啡、種植物、煎薄餅：S1示範過甚麼？

Skild公開展示過的操作包括：

• 沖手沖咖啡
• 將植物移植到花盆
• 組裝套件
• 翻煎薄餅

部分示範長達10分鐘，涉及數十個連續步驟。135

Skild亦表示，S1在一些定性測試中不只是機械式重播動作。當場景出現變化時，模型據報能作出調整；出錯後會嘗試重做；示範中的澆水壺不可用時，會改用杯子；示範者處理雞蛋的方式不太理想時，模型亦據報會作出修正，而不是原樣照抄。5

這些表現顯示出一定的靈活性，但要留意：幾段影片示範，並不足以證明系統在廣泛環境下都可靠。實際工業應用還要考驗它面對不同物件、光線、工具、障礙、機械人故障及安全風險時的表現。

同語言提示的VLA模型比較，結果如何？

Skild提供的其中一項最具體比較，是針對模型未見過的任務進行內部評估。在使用10萬小時訓練數據的條件下，公司報告稱，影片提示的情境內政策平均每一步成功率為66%，相對之下，配對的語言提示視覺—語言—動作模型（vision-language-action，簡稱VLA）基線只有9%。14

Skild又表示，當部署環境出現較大變化，例如物件與示範不同，或者執行計劃要求改用另一隻手臂時，語言提示VLA的表現跌幅最多是S1的三倍。1

另一項公司報告的估算則指，一段影片提示帶來的表現，大致相當於在一個預訓練政策上進行約380次特定任務的後訓練回合。1

這些數字解釋了影片提示為何可能重要：影片不只說明「要得到甚麼結果」，亦傳達動作次序、時間節奏、物件擺放、工具使用方式及身體操作策略。

但以上仍然是Skild的內部證據，而不是已由外部研究團隊重現的公平對比。現有資料沒有提供公開論文、模型權重，亦沒有標準化的第三方評估。415

機械人要睇完片幾耐才開始做？

Skild形容S1可以在觀看示範後以即時方式運作；發布消息亦指，機械人可以在看完影片後立即執行任務。25

不過，現有來源不足以支持一個普遍適用的精確時間，例如「幾秒內」或「11分鐘內」。影片結束至機械人正式開始動作之間的具體時間，目前未有獲充分驗證的數字。

這個分別在工業環境尤其重要，因為實際部署不只看任務成功率，還要計算設定時間、推理延遲、安全檢查，以及出錯後能否自行恢復。Skild公開的說法是可即時執行，但不應將此解讀成所有情況下都能無縫、即看即做。

Skild靠甚麼數據訓練？

Skild表示，其通用機械人模型依靠多元數據管線，包括大規模模擬、人類在互聯網上的動作影片、機械人數據、遙距操作，以及真實部署時收集的資料。公司在Series C資料中亦描述了一個「數據飛輪」：機械人部署得越多，累積的實際經驗越多，模型便有機會在更多機械人及環境上改進。37

在SMARTCLOUD SHOW上，聯合創辦人Abhinav Gupta據報表示，Skild採用「所有種類」的機械人數據收集方法，數據量達競爭對手的100至1,000倍。不過，這個倍數是公司的說法，並非公開審核過的業界比較。6

不同數據來源各自補足不同部分：人類影片提供物件和動作的例子；模擬環境擴大機械人身體及場景的變化範圍；真實機械人數據則把這些抽象理解連接到實際的物理控制。

「全身型」機械人大腦是甚麼意思？

S1屬於Skild更大規模的「omni-bodied」策略，即一個可以跨越不同機械人形態的機械人大腦。這個詞並不是指雙足、四足、輪式機械人及機械臂會做出完全相同的動作。它們的關節、感測器、四肢、輪子，以及實際可做到的動作都不同。45

Skild想做的是，讓同一個模型先學習跨平台共通的物理規律，再按照某一部機械人的感測器、驅動器及身體結構，將理解轉化成可行動作。換句話說，同一個「大腦」可以共享知識，但輸出會配合不同機械人的能力。45

這種設計旨在減少為每種硬件配置各自建立及維護完整模型的需要。Skild亦曾表示，訓練過程包括大量不同的模擬機械人，希望模型學到更一般化的物理行為。4245

已經在哪些地方部署？

Skild已宣布與ABB Robotics及Universal Robots合作，將軟件整合到工業系統。路透社亦報道，Skild與Nvidia正把機械人大腦部署到與Nvidia Blackwell系統相關的裝配線上。3444

這些消息顯示S1及Skild Brain正進入商業測試和整合階段，但並未構成一份完整的公開表現報告。現有證據沒有提供工廠產量、運行時間、錯誤率、安全事故或投資回報的獨立審核數字。

換句話說，「已部署」代表技術正在測試或整合，並不等於已經大規模取代傳統自動化系統。

超過140億美元估值代表甚麼？

投資者對Skild的興趣相當高。彭博報道，SoftBank牽頭的14億美元Series C融資，令公司估值達到超過140億美元，約七個月內增逾三倍。17

其他報道估算Skild累計融資超過18億美元，但不同來源的數字並不完全一致，因此不應當成已經審核的確定總額。182122

這個估值反映投資者相信：機械人軟件有機會成為跨硬件平台的基礎層，而不只是依附於某一款人形機械人。不過，「機械人的ChatGPT時刻」目前仍然只是一個比喻，而非已經定案的結論。

S1確實提出了一種可能的轉變——機械人不再需要為每項新工作逐一重新訓練，而是可以透過示範影片學習。投資者Ravi Mhatre形容這是長流程人類勞動任務的「GPT-3時刻」，但這屬於投資者判斷，並非獨立科研驗證。10

總結：重要的是「用示範組合技能」，不是單純模仿

S1最值得留意的地方，不只是機械人可以模仿一段影片，而是基礎模型可能利用一次示範，組合原有技能、理解場景變化，再完成一連串長流程動作，而且毋須為今次任務更新模型權重。

Skild報告的**66%對9%**內部基準結果，以及長達10分鐘的示範，令這項技術主張具備一定技術意義。14但另一半同樣重要：現時公開證據仍主要來自公司資料、精選示範及早期部署消息。

在外部研究人員以標準化條件重現結果之前，以及工業客戶公開可靠性和安全數據之前，S1較適合被視為物理AI的一條有潛力發展方向，而不是「通用機械人大腦已經正式到來」的確證。