Skild AI发布S1模型：单条视频提示即可执行10分钟未见任务

会懂网AI资讯，9月8日，Skild AI的S1模型实现”零任务后训练”突破：仅凭一条视频提示，即可执行长达10分钟、训练中从未见过的操作任务序列。这一成果指向”视频即任务描述”的全新范式。

传统机器人学习新任务，通常需要大量示范数据或强化学习训练。即便是泛化能力较强的模型，面对全新的任务组合也往往需要微调。S1声称的”零后训练”，意味着模型可以直接从一条视频理解任务并执行。

10分钟的长时程任务是另一个关键指标。多数机器人演示仍停留在几秒到几十秒的短动作，而真实场景的任务往往是连续的：打开柜门、取出物品、放到桌面、关闭柜门，每一步都依赖上一步的结果。

“视频即任务描述”的意义在于降低使用门槛。如果机器人能通过观看人类演示来学习，那么部署新任务就不再需要专业的算法团队，一线操作员用手机拍一段视频就能教会机器人一个新动作。

当然，从实验室演示到工业可用仍有距离。视频中的光照、背景、物体摆放与实际场景可能存在差异，模型需要过滤掉无关信息、提取真正的任务逻辑。鲁棒性如何，需要在真实环境中反复验证。

从技术路线看，这与世界模型的思路高度相关：模型需要理解视频中物体的状态变化与因果关系，才能在新环境中复现同样的效果。Skild AI的成果，某种程度上验证了世界模型路线在机器人领域的可行性。

从应用前景看，若视频学习能力成熟，机器人的部署方式将被彻底改变。工厂更换产线、家庭新增任务，都不再需要工程师重新编程，只需提供一段示范视频。这种”即学即用”的能力，是通用机器人走向普及的前提。

从技术挑战看，视频理解与动作生成之间的鸿沟仍未完全弥合。模型需要把观察到的视觉变化，转译为自身可执行的动作序列，而不同机器人的本体结构差异巨大。跨本体的泛化能力，是这一路线能否成立的关键。