如果今天工厂突然跟你说：
「明天开始，这台机器人不要装 A 零件了。」
「改成另外一种零件。」
「顺序也换一下。」
对人来说，
可能就是主管站旁边做一次给你看。
你看懂之后，
开始试。
但对很多机器人来说，
事情没有这么简单。
机器人最麻烦的地方，不是它不会动
现在的机器手臂，
其实早就可以：
拿东西。
放东西。
搬运。
堆栈。
组装。
问题是：
工作一改，它常常就要重新学。
Skild AI 在介绍 S1 时直接指出，
传统机器人要部署一个新的操作任务，
通常得先搜集数小时的 Teleoperation 示范数据，
再针对这个工作做 Task-specific Fine-tuning。
如果想让一个陌生的长流程工作变得更可靠，
需要的示范甚至可能更多。
这在实验室里或许还可以。
但真正的工厂不会永远不变。
工厂最常发生的事情，就是「又改了」
供应商换了一个零件。
工作站重新排列。
产品改版。
组装顺序改掉。
包装方式换了。
只要流程一变，
原本调好的机器人，
就可能又要重新处理。
Skild 自己最近谈实际部署经验时也说得很直接：
如果每次改变都必须重新收数据、再 Post-training，
那等于机器人只要在工厂工作一天，
你就必须永远持续替它重新训练。
这很难规模化。
所以 Skild 想解决的，
其实不是「怎么让机器人的手再灵活一点」。
而是：
怎么让它更快学会一件以前没做过的事。
Skild 的答案：不要重新训练，先做一次给它看
Skild 最新的机器人 Foundation Model 叫做：
S1。
它最大的不同，
是把我们已经很熟悉的 AI 概念：
In-context Learning
搬进了机器人。
我们现在用 ChatGPT 时，
如果要它照某个格式写东西，
不一定要重新训练一个 ChatGPT。
你可以直接给它一个范例。
然后说：
「照这个做。」
S1 想把同样的事情，
带进真实世界。
只是它看的 Prompt，
不是文字。
而是：
视频。
例如：我要教它种一盆植物
你准备：
一个盆子。
一些土。
一株植物。
一个浇水壶。
然后真的做一次。
先放土。
挖出位置。
把植物放进去。
补土。
最后浇水。
摄影机把整段过程录下来。
过去，
这段视频可能只是拿去当：
训练数据。
接下来还要整理数据。
再训练模型。
再测试。
再修改。
但 S1 的做法不同。
这支视频本身就是 Prompt。
它直接进入模型的 Context。
模型不去修改原本的 Weight，
也不替这一个新工作另外 Fine-tune。
那它是在照抄视频吗？
也不是。
这点非常重要。
因为如果只是把视频里：
手往左 10 公分。
再往下 5 公分。
全部原封不动重播，
那其实没有太大价值。
真实世界不可能永远一模一样。
盆栽位置可能换了。
杯子可能放到另一边。
工具可能不是同一个。
所以 S1 要做的是：
从视频里理解：
人在完成什么目标。
哪些东西有什么功能。
步骤之间是什么关系。
现在做到哪一步。
接下来应该做什么。
再把这些信息，
转成眼前这台机器人的动作。
Skild 表示，同一个 S1 Model Weight 可以处理看过与没看过的任务，不需要针对每个新任务重新 Fine-tune。
最吸引人的数字是 11 分钟
Skild 做过一个种盆栽测试。
晚上 9:16，
开始准备录像。
9:22，
录完一支人类示范视频。
9:27，
S1 已经开始在真正的 Robot Hardware 上自己运行。
也就是：
从示范视频录完，到机器开始自己做，只花大约 11 分钟。
这就是这个故事真正重要的地方。
不是：
「机器人终于会种盆栽了。」
种盆栽本身没有那么重要。
重要的是：
教它一个新工作的时间，可能开始大幅缩短。
而且不是只有三秒钟的小动作
很多 Robot Demo 很漂亮。
拿起杯子。
放下一个零件。
开一个抽屉。
视频看起来很厉害，
但可能几秒就结束。
真正困难的是：
把很多动作串在一起。
因为流程越长，
出错的机会越多。
前面一个东西没放好，
后面可能全部乱掉。
Skild 展示的 S1 任务最长可以做到约 10 分钟，
包含：
种盆栽。
煎松饼。
手冲咖啡。
组装套件。
这些工作可以包含几十个操作步骤，
而且都是模型在 Pre-training 时没有做过的完整任务。
翻松饼其实就是一个很好的例子
如果我跟你说：
「把松饼翻面。」
人类大概知道意思。
但对机器人来说，
语言里没有告诉它：
锅铲要从哪里插。
角度是多少。
手腕要怎么转。
力道怎么控制。
松饼翻到空中时，
接下来怎么接。
有些身体动作，
真的很难只靠一句话解释。
这就是为什么 Skild 认为，
对复杂的 Physical Task，
直接「做给它看」可能比「用文字告诉它」更有效。
但现在还不能说它「看一次就一定会」
这里一定要讲清楚。
Skild 做了一组陌生多步骤任务测试。
当 Pre-training 数据规模增加到 10 万小时时，
使用视频示范做 In-context Learning 的模型，
平均累积每步成功率约为：
66%。
对照的 Language-prompted VLA Policy，
则约为：
9%。
66% 比 9% 高非常多。
但 66% 也不是 100%。
也就是说：
今天还不能把 S1 理解成：
「拿手机拍一下，工厂明天就完全不用工程师了。」
距离真正大规模、长时间、高可靠度的生产，
还有很多问题要解决。
甚至 Skild 自己的评估还允许人工恢复
Skild 在比较陌生长流程任务时，
为了让整个任务可以完整跑到底并计算每一步表现，
测试过程在失败后可以由人介入，
让流程恢复后继续往下测。
这也代表那个 66%：
不是「机器可以完全无人监督地完成 66% 的整个任务」。
而是平均的 cumulative per-step success rate。
这两个概念不能混在一起。
那为什么这件事还是很重要？
因为真正的比较不是：
66% 跟完美的 100%。
而是：
教一个新工作的成本到底可以降多少。
Skild 另外做了一个测试。
如果走传统 Post-training 路线，
要让对照模型达到跟 S1 单一视频示范接近的 66% 表现，
大约需要：
380 次 Post-training 示范。
而这些 4～10 分钟的长流程 Demo，
搜集起来大约需要：
50～100 小时 Teleoperation。
S1 使用的则是：
一个视频示范。
差别就在这里。
机器人正在出现自己的「Prompt 时代」
以前生成式 AI 最大的改变之一，
就是普通人不需要重新训练一个模型。
你只需要告诉它：
我要什么。
给它一些 Context。
给它范例。
它就开始做。
现在 Physical AI 也正在尝试走同一条路。
未来工厂主管或技术人员，
可能不需要每次流程改变，
就先成立一个新的 Robot Training Project。
有些工作也许只需要：
把新流程做一次。
录下来。
交给机器。
让它先试。
然后人再看哪里出错。
这才可能真正改变机器人进工厂的速度
工厂一直都不是缺会重复做一件事的机器。
传统机械手臂，
早就非常会做固定工作。
真正麻烦的是：
一变就不会。
零件移动了。
不会。
流程改了。
重新设置。
新产品来了。
重新训练。
如果未来机器真的能从一次示范快速适应，
真正被改变的就不是某一台机器手臂。
而是：
工厂教机器工作的方式。
这也可能让「人的示范能力」变得更重要
以前我们常问：
未来人要不要学写 Prompt？
如果 Physical AI 继续往这个方向走，
工厂里可能还会多一种 Prompt：
你亲手做给它看。
因为机器看到的示范越清楚，
工作目标越明确，
它越有机会理解：
你到底想完成什么。
到那时，
真正重要的能力可能不只是会操作机器。
而是：
会把工作拆清楚。
知道正确顺序。
知道哪个步骤最关键。
知道怎么示范一个好的流程。
这些其实本来就是熟练工人的经验。
只是未来，
他们可能不只是在教新人。
还会开始：
教机器。
所以 Skild S1 真正有意思的，不是它会煎松饼
煎松饼很吸睛。
种盆栽很好拍。
手冲咖啡也很适合 Demo。
但真正值得看的，
其实是这件事：
机器人学新工作的入口，正在从「重新训练模型」，慢慢变成「给它一个 Context」。
今天还只有大约 66% 的陌生任务每步成功率。
离真正可靠还有距离。
但如果这条路继续进步，
未来工厂里很可能出现一个以前很少看到的画面：
一名熟练工人站在工作台前。
做一次。
旁边的机器看一次。
然后换它开始做。
到那个时候，
我们教 AI 的方式，
就真的从键盘上的 Prompt，
走进了真实世界。
你觉得未来最有价值的人，
会不会不是「跟机器比谁做得快」，
而是「最知道该怎么把工作教给机器的人」？
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
推荐阅读
AI 不只活在屏幕里：日本正把实体 AI 带进工厂、医疗与生活现场
