单段视频驱动机器人干十分钟活，Skild AI 的 S1 离工厂落地还差几步

S1 把单段演示视频当作 Prompt，靠 In-context learning 直接驱动机械臂执行冲咖啡、装配零件这类最长 10 分钟的任务，全程不更新权重，也不为新手艺做 Post-training。官方给出的成功率为同类系统的 7 倍，但单步 66% 的数值意味着每走三步就有一步要赌运气，放到精密产线上，这种容错水平仍然让工程师捏把汗。

换工位、换零件，传统工业机器人通常得重写轨迹或重新采数据训练。S1 的思路是直接拿视频当指令：操作员录一段演示，模型拆解意图、锁定目标物体和动作顺序，再映射到当前机器人的关节空间。官方案例里从录完到自主执行只花了 11 分钟；一段短视频等价于 380 个手动训练样本，按人工采集折算能省 50 到 100 个小时；10 分钟的复杂任务里还能扛住物体位移后的自适应恢复。

争议点集中在概率账上。多步骤新任务每步成功率约 66%，对照组只有 9%，7 倍提升的数字确实抢眼，但 10 个步骤乘下来，完整跑通的概率只有 0.66^10 ≈ 1.5%。没有强纠错机制兜底，这种通用性在精密制造里很难直接兑现。Skild AI 在 Foxconn 用双臂机器人组装 NVIDIA Blackwell 系统，涉及安装母线排和拧 16 颗螺丝，这一步依赖接触感知控制。动作序列的鲁棒性真能解决的话，In-context learning 确实有机会压低工业机器人最贵的部署成本。

S1 的底座绑在 NVIDIA 基础设施上。Isaac Lab 负责大规模仿真环境生成多样化合成数据，Cosmos 承担物理 AI 的视觉与空间理解。没有这两层支撑，单视频学习本质上是在极高维度上做泛化，而泛化的前提是训练阶段见过海量物理模拟数据，推理时才能靠一段视频临时「悟」出执行方案。

Skild AI 声称年收入 1 亿美元、合作方超 60 家，但开发者真要上手这类方案，仍要面对几个现实约束：录制视频的光影、角度和执行现场一旦有偏差，成功率会继续走低；In-context learning 要处理视频 token，对端侧算力或边缘服务器延迟很敏感；不更新权重意味着没法靠传统调参修正某个具体动作错误，只能反复优化演示视频来引导，这种调试方式对工程师既陌生又难量化。

S1 目前覆盖的是预训练和 In-context learning 两个阶段，Skild Team 在 2026 年 9 月 23 日公布了下一步的 post-training 成果，方向是 Physical Self-Play：让 S1 这类基础模型在仿真环境里自己跟自己对抗，去学足球这种极需灵巧度和动态反应的动作。核心判断是，S1-class 模型预训练数据来自人类，能力上限被人的表现卡住，而物理自博弈能让机器人超出人的水平。Self-play 在 AI 史上早有先例——AlphaGo 在 2016 年击败李世石时下出的「非人类」第 37 手就是标志，AlphaGo Zero 开始自我对弈仅三天，就以 100 比 0 击败初代 AlphaGo。物理版的 Self-Play 能否复制这条曲线，还要等后续数据说话。