Skild AI 借助 NVIDIA 物理智能 從單段视频教會機器人新任務

在制造业和物流业的实际生产环境中，一个长期存在的痛点是：生产线的产品换型、仓库的货位调整、装配工艺的迭代都极为频繁，而传统工业机器人一旦部署，往往需要专业工程师逐行重新编写程序才能适应变化，动辄数天甚至数周的时间成本和人力成本，让许多本可以自动化的任务望而却步。正是在这样的背景下，机器人学习初创公司 Skild AI 推出了全新的 S1 机器人基础模型。根据 NVIDIA 官方博客披露的信息，S1 能够仅凭一段人类操作员拍摄的示范视频，就学会此前从未接触过、且持续时间较长的操作任务。这一能力将机器人从「需要精确编程」推向「可以观察即学会」的新阶段，被视为具身智能走向工业级实用化的关键一步。

要理解 S1 的意义，需要拆解传统机器人部署与新范式的根本差异。传统工业机器人的核心逻辑是确定性控制：工程师必须告诉机器人每一个关节的角度、每一段运动轨迹、每一个抓取坐标，系统对环境的任何偏离都会导致任务失败。这种方式在结构化、可预测的工厂环境中表现稳定，但一旦产品规格或作业流程发生变化，重新编程的成本就非常高昂。而 Skild AI 走的是数据驱动的路线，其思路与当前大语言模型、视觉大模型的演进路径高度一致，即把「从示范中泛化」作为核心能力。S1 作为基础模型，意味着它不是为某一个特定任务训练的专用模型，而是学习了一类通用的操作策略，能够把视频中的视觉线索转化为对物体、工具、动作序列的理解，再输出可执行的机器人动作。这种「看见即控制」的能力，正是具身智能区别于传统自动化的关键——它让机器人具备了应对未见过场景的泛化潜力，而不是只能在预设轨道上重复运动。

从商业角度看，这一技术路线直接冲击的是机器人行业的部署与服务成本结构。目前机器人领域存在一条隐性的价值链：硬件厂商卖机械臂，集成商负责现场编程与调试，第三方服务商提供后续的维护与再部署，整个链条中人力成本往往占据很大比重。S1 所代表的「视频即编程」能力，理论上可以把大量原本需要专业工程师完成的调试工作，压缩成一线工人拍摄一段视频、机器人自行学习的简单操作。这对系统集成商、机器人编程培训市场乃至相关的人力资源结构都会产生深远影响。同时，S1 基于 NVIDIA 的物理智能平台构建，意味着它在仿真环境、算力基础设施和训练数据生态上能够借助 NVIDIA 已有的布局，从而在研发效率和落地速度上获得优势。这种「初创公司的算法创新 + 大平台的工程与生态支撑」的组合，正是当前 AI 各赛道反复验证的有效打法。

对于整个行业而言，值得关注的信号有几个方面。其一是示范数据的获取成本：目前 S1 依赖人工拍摄视频来示范任务，如何规模化地低成本采集高质量示范数据，将决定这类模型能否真正铺开，数据闭环的构建能力可能成为未来的竞争壁垒。其二是长周期任务的可靠性：视频学习的难点在于如何保证机器人在长达数十分钟甚至更长的操作过程中保持稳定，任何中间环节的失误都可能导致整个任务失败，工程上的鲁棒性仍需时间检验。其三是对标竞争：机器人学习赛道并不拥挤但增速极快，Figure、1Z0 等一批公司都在探索类似的从示范中学习的路线，S1 的落地表现将成为衡量各家技术成色的重要参照。综合来看，S1 的价值不仅在于单项能力的突破，更在于它用一种更贴近人类学习方式的路径，把机器人从「精密但僵化」推向「灵活且可习得」，这条路线能否最终在工厂车间里大规模跑通，将是判断具身智能是否真正迎来拐点的核心观察点。