如果今天工廠突然跟你說：
「明天開始，這台機器人不要裝 A 零件了。」
「改成另外一種零件。」
「順序也換一下。」
對人來說，
可能就是主管站旁邊做一次給你看。
你看懂之後，
開始試。
但對很多機器人來說，
事情沒有這麼簡單。
機器人最麻煩的地方，不是它不會動
現在的機器手臂，
其實早就可以：
拿東西。
放東西。
搬運。
堆疊。
組裝。
問題是：
工作一改，它常常就要重新學。
Skild AI 在介紹 S1 時直接指出，
傳統機器人要部署一個新的操作任務，
通常得先蒐集數小時的 Teleoperation 示範資料，
再針對這個工作做 Task-specific Fine-tuning。
如果想讓一個陌生的長流程工作變得更可靠，
需要的示範甚至可能更多。
這在實驗室裡或許還可以。
但真正的工廠不會永遠不變。
工廠最常發生的事情，就是「又改了」
供應商換了一個零件。
工作站重新排列。
產品改版。
組裝順序改掉。
包裝方式換了。
只要流程一變，
原本調好的機器人，
就可能又要重新處理。
Skild 自己最近談實際部署經驗時也說得很直接：
如果每次改變都必須重新收資料、再 Post-training，
那等於機器人只要在工廠工作一天，
你就必須永遠持續替它重新訓練。
這很難規模化。
所以 Skild 想解決的，
其實不是「怎麼讓機器人的手再靈活一點」。
而是：
怎麼讓它更快學會一件以前沒做過的事。
Skild 的答案：不要重新訓練，先做一次給它看
Skild 最新的機器人 Foundation Model 叫做：
S1。
它最大的不同，
是把我們已經很熟悉的 AI 概念：
In-context Learning
搬進了機器人。
我們現在用 ChatGPT 時，
如果要它照某個格式寫東西，
不一定要重新訓練一個 ChatGPT。
你可以直接給它一個範例。
然後說：
「照這個做。」
S1 想把同樣的事情，
帶進真實世界。
只是它看的 Prompt，
不是文字。
而是：
影片。
例如：我要教它種一盆植物
你準備：
一個盆子。
一些土。
一株植物。
一個澆水壺。
然後真的做一次。
先放土。
挖出位置。
把植物放進去。
補土。
最後澆水。
攝影機把整段過程錄下來。
過去，
這段影片可能只是拿去當：
訓練資料。
接下來還要整理資料。
再訓練模型。
再測試。
再修改。
但 S1 的做法不同。
這支影片本身就是 Prompt。
它直接進入模型的 Context。
模型不去修改原本的 Weight，
也不替這一個新工作另外 Fine-tune。
那它是在照抄影片嗎？
也不是。
這點非常重要。
因為如果只是把影片裡：
手往左 10 公分。
再往下 5 公分。
全部原封不動重播，
那其實沒有太大價值。
真實世界不可能永遠一模一樣。
盆栽位置可能換了。
杯子可能放到另一邊。
工具可能不是同一個。
所以 S1 要做的是：
從影片裡理解：
人在完成什麼目標。
哪些東西有什麼功能。
步驟之間是什麼關係。
現在做到哪一步。
接下來應該做什麼。
再把這些資訊，
轉成眼前這台機器人的動作。
Skild 表示，同一個 S1 Model Weight 可以處理看過與沒看過的任務，不需要針對每個新任務重新 Fine-tune。
最吸引人的數字是 11 分鐘
Skild 做過一個種盆栽測試。
晚上 9:16，
開始準備錄影。
9:22，
錄完一支人類示範影片。
9:27，
S1 已經開始在真正的 Robot Hardware 上自己執行。
也就是：
從示範影片錄完，到機器開始自己做，只花大約 11 分鐘。
這就是這個故事真正重要的地方。
不是：
「機器人終於會種盆栽了。」
種盆栽本身沒有那麼重要。
重要的是：
教它一個新工作的時間，可能開始大幅縮短。
而且不是只有三秒鐘的小動作
很多 Robot Demo 很漂亮。
拿起杯子。
放下一個零件。
開一個抽屜。
影片看起來很厲害，
但可能幾秒就結束。
真正困難的是：
把很多動作串在一起。
因為流程越長，
出錯的機會越多。
前面一個東西沒放好，
後面可能全部亂掉。
Skild 展示的 S1 任務最長可以做到約 10 分鐘，
包含：
種盆栽。
煎鬆餅。
手沖咖啡。
組裝套件。
這些工作可以包含幾十個操作步驟，
而且都是模型在 Pre-training 時沒有做過的完整任務。
翻鬆餅其實就是一個很好的例子
如果我跟你說：
「把鬆餅翻面。」
人類大概知道意思。
但對機器人來說，
語言裡沒有告訴它：
鍋鏟要從哪裡插。
角度是多少。
手腕要怎麼轉。
力道怎麼控制。
鬆餅翻到空中時，
接下來怎麼接。
有些身體動作，
真的很難只靠一句話解釋。
這就是為什麼 Skild 認為，
對複雜的 Physical Task，
直接「做給它看」可能比「用文字告訴它」更有效。
但現在還不能說它「看一次就一定會」
這裡一定要講清楚。
Skild 做了一組陌生多步驟任務測試。
當 Pre-training 資料規模增加到 10 萬小時時，
使用影片示範做 In-context Learning 的模型，
平均累積每步成功率約為：
66%。
對照的 Language-prompted VLA Policy，
則約為：
9%。
66% 比 9% 高非常多。
但 66% 也不是 100%。
也就是說：
今天還不能把 S1 理解成：
「拿手機拍一下，工廠明天就完全不用工程師了。」
距離真正大規模、長時間、高可靠度的生產，
還有很多問題要解決。
甚至 Skild 自己的評估還允許人工恢復
Skild 在比較陌生長流程任務時，
為了讓整個任務可以完整跑到底並計算每一步表現，
測試過程在失敗後可以由人介入，
讓流程恢復後繼續往下測。
這也代表那個 66%：
不是「機器可以完全無人監督地完成 66% 的整個任務」。
而是平均的 cumulative per-step success rate。
這兩個概念不能混在一起。
那為什麼這件事還是很重要？
因為真正的比較不是：
66% 跟完美的 100%。
而是：
教一個新工作的成本到底可以降多少。
Skild 另外做了一個測試。
如果走傳統 Post-training 路線，
要讓對照模型達到跟 S1 單一影片示範接近的 66% 表現，
大約需要：
380 次 Post-training 示範。
而這些 4～10 分鐘的長流程 Demo，
蒐集起來大約需要：
50～100 小時 Teleoperation。
S1 使用的則是：
一個影片示範。
差別就在這裡。
機器人正在出現自己的「Prompt 時代」
以前生成式 AI 最大的改變之一，
就是普通人不需要重新訓練一個模型。
你只需要告訴它：
我要什麼。
給它一些 Context。
給它範例。
它就開始做。
現在 Physical AI 也正在嘗試走同一條路。
未來工廠主管或技術人員，
可能不需要每次流程改變，
就先成立一個新的 Robot Training Project。
有些工作也許只需要：
把新流程做一次。
錄下來。
交給機器。
讓它先試。
然後人再看哪裡出錯。
這才可能真正改變機器人進工廠的速度
工廠一直都不是缺會重複做一件事的機器。
傳統機械手臂，
早就非常會做固定工作。
真正麻煩的是：
一變就不會。
零件移動了。
不會。
流程改了。
重新設定。
新產品來了。
重新訓練。
如果未來機器真的能從一次示範快速適應，
真正被改變的就不是某一台機器手臂。
而是：
工廠教機器工作的方式。
這也可能讓「人的示範能力」變得更重要
以前我們常問：
未來人要不要學寫 Prompt？
如果 Physical AI 繼續往這個方向走，
工廠裡可能還會多一種 Prompt：
你親手做給它看。
因為機器看到的示範越清楚，
工作目標越明確，
它越有機會理解：
你到底想完成什麼。
到那時，
真正重要的能力可能不只是會操作機器。
而是：
會把工作拆清楚。
知道正確順序。
知道哪個步驟最關鍵。
知道怎麼示範一個好的流程。
這些其實本來就是熟練工人的經驗。
只是未來，
他們可能不只是在教新人。
還會開始：
教機器。
所以 Skild S1 真正有意思的，不是它會煎鬆餅
煎鬆餅很吸睛。
種盆栽很好拍。
手沖咖啡也很適合 Demo。
但真正值得看的，
其實是這件事：
機器人學新工作的入口，正在從「重新訓練模型」，慢慢變成「給它一個 Context」。
今天還只有大約 66% 的陌生任務每步成功率。
離真正可靠還有距離。
但如果這條路繼續進步，
未來工廠裡很可能出現一個以前很少看到的畫面：
一名熟練工人站在工作台前。
做一次。
旁邊的機器看一次。
然後換它開始做。
到那個時候，
我們教 AI 的方式，
就真的從鍵盤上的 Prompt，
走進了真實世界。
你覺得未來最有價值的人，
會不會不是「跟機器比誰做得快」，
而是「最知道該怎麼把工作教給機器的人」？
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
AI 不只活在螢幕裡：日本正把實體 AI 帶進工廠、醫療與生活現場
