機器人學界長期以來有個經典困境：你要教會一個機械手臂撿起地上的螺絲釘，得先花好幾週採集上千筆「成功／失敗」的示範數據，然後在模擬環境裡反覆訓練，最後部署到真實產線時，只要光線角度變了，模型可能又要砍掉重練。這種「換一個任務就重訓一次」的噩夢，現在有人宣稱找到了破解方法。
總部位於匹茲堡的Skild AI，本週二發表了名為S1的機器人基礎模型，喊出一個相當大膽的承諾：機器人只需要看一段影片示範，就能即時理解任務指令，並且連續執行長達十分鐘的複雜動作，過程中不必針對該任務進行任何額外微調。這不是什麼遠程願景，而是他們口中已經實現的產品能力。
「看一次就會」背後的技術拐點
傳統的機器人學習路徑，基本上是一條又長又貴的管線。你得先為特定任務設計獎勵函數、蒐集大量示範數據、在模擬器裡跑幾萬次迭代，最後部署到實體時還要應付模擬與真實之間的落差。每換一個新任務，上述流程就幾乎得從頭來過。
S1打出的核心王牌，是所謂的「內文學習」（in-context learning）。這個詞在大型語言模型領域已經不算新鮮，ChatGPT看幾則問答範例就能模仿語氣回答問題，背後的邏輯是相同的——模型把「視覺示範」直接解讀為當下任務的指令，而不是把它當成需要更新模型權重的訓練數據。換句話說，S1不是在「記住」任務，而是在「理解」任務結構，然後現場發揮。
紅杉資本在描述Skild AI時，用了「可擴展的機器人AI基礎模型」這個標籤。白話文來說，這家2023年才成立的新創公司，從一開始就沒打算做一台專用機器人，而是想打造一個能裝在不同硬體上的「通用大腦」。S1就是這個大腦的第一個具體輸出——它不再只是控制機器人走路或抓取這類基本動作，而是讓機器人能在現場看懂新指令、直接上手。
從「專用工具」到「通用勞動力」的想像
Skild AI的願景其實很清晰：他們認為AI進入實體世界的關鍵，不是去開發更多種類的專用機器人，而是建立一個統一的「泛用型智慧層」，讓同一套模型層可以控制不同型態的硬體去執行多樣任務。這個想法如果成真，會徹底改變機器人產業的成本結構。
目前業界的現實是：一個機器人手臂進工廠之後，整合商得花數週甚至數月時間做任務規劃與調參，而這部分的服務費往往比硬體本身還高。S1這種「一次示範即可上線」的能力，如果能穩定落地，首先被縮減的就是這塊高昂的系統整合成本。紅杉資本之所以在早期就押注這家公司，顯然看到的不只是技術突破，而是一整套機器人部署的經濟模型正在被改寫。
十分鐘的承諾，三層現實考驗
不過話說回來，S1目前展示的「長達十分鐘的複雜任務」，在實驗室環境與真實世界之間還存在幾道需要跨越的鴻溝。
首先，內文學習雖然省去了微調步驟，但這建立在基礎模型本身已經夠強的前提之上。S1在預訓練階段到底用了多大量級、多高品質的數據，Skild AI這次並沒有公布具體細節，而這正是決定模型泛化能力的根本。其次，十分鐘的連續執行時間，在倉儲或製造場景中確實已經具備商業價值，但機器人在這十分鐘內一旦遇到環境變異（比如物體被碰歪、光線突然改變），系統能否即時修正軌跡，還是會直接進入錯誤循環，這需要更多實際場域的驗證報告才能判斷。
最後，也是最現實的一點：這套「通用大腦」能否真正相容市面上多數機器人硬體平台，還是只針對特定幾款機構設計，將決定它最終是「產業級解決方案」還是「實驗室級展示品」。Skild AI從成立之初就把「不受限於單一機器人類型」掛在嘴邊，但具體的硬體適配清單與API開放程度，會是接下來業界緊盯的焦點。
編輯觀點
從產業面來看，S1這類模型的出現，其實反映了AI領域一個更深層的趨勢轉向：當語言模型的內文學習能力被成功複製到視覺與動作控制時，機器人產業的競爭焦點會從「誰的硬體更精密」逐漸移向「誰的模型層更聰明」。這對臺灣以硬體製造見長的供應鏈來說，既是警訊也是機會。警訊在於，如果模型層真的走向標準化，硬體的差異化空間會被壓縮；機會則是，誰能最先將這類模型整合進自家的機器人控制器或邊緣運算裝置，誰就有機會在下一波智慧製造的換機潮中拿到定價權。換個角度想，S1現在喊出的十分鐘示範學習，真正要挑戰的不是技術極限，而是整個產業對「機器人部署應該花多少時間」的既有認知。
如果往後推演三到五年，當這類基礎模型持續疊代，部署機器人可能會變得像「設定一台新手機」那麼直覺——你不需要聘請一批工程師來調參，只需要操作員錄一段示範影片，模型就接手剩下的工作。到那時候，機器人應用的邊界會從工廠產線大幅擴張到零售補貨、物流分揀、甚至家庭服務，而這背後的技術關鍵，不是單一任務的精準度，而是模型面對未知情境時的適應彈性。
Skild AI選在2026年這個時間點端出S1，時機頗為巧妙。現在市場上討論機器人基礎模型的聲音愈來愈多，但真正敢喊出「免微調、看一次就做十分鐘」的，仍是少數。這家公司從2023年成立至今不過三年，背後有紅杉資本這類頂級創投撐腰，明顯走的是「技術先行、場景後補」的路線。接下來的觀察重點，會是他們能否在未來一年內公布具體的商業合作案例，以及這些案例中S1的實際表現與成本節省幅度是否符合預期。
對一般人來說，你可能短期內還不會在家裡看到一台看一次影片就會幫你摺衣服的機器人。但如果你所在的行業涉及倉儲、製造或任何重複性勞動密集的場域，現在或許是時候開始思考：當部署機器人的門檻從「需要一群博士」降到「需要一個示範影片」時，你的工作流程會被改寫到什麼程度。
本文改寫整理自公開新聞來源，原始報導由Yahoo奇摩新聞發布。
常見問題 FAQ
S1模型跟過去機器人學習方式最大的差別是什麼？
最大的差別在於不需要針對每個新任務重新訓練或微調。傳統方式需要蒐集大量任務專屬數據並進行漫長訓練，而S1只要看一段影片示範就能即時理解並執行，部署時間從數月縮短到十分鐘內。
「內文學習」是什麼意思？跟一般AI學習有什麼不同？
內文學習指的是模型把視覺示範直接當成當下任務的指令來解讀，不需要更新模型內部的權重參數。這跟一般AI需要針對新任務重新訓練（更新權重）完全不同，更像是一個人看別人做一次就學會，而不是靠反覆練習來記憶。
S1目前已經可以商用部署了嗎？
Skild AI已發表S1的具體產品能力，但目前公布的資訊仍偏向技術展示階段。實際商用部署需要等待更多硬體適配驗證與場域測試報告，建議有導入需求的企業持續關注該公司後續公布的商業合作案例。
這項技術對臺灣製造業有什麼具體影響？
如果S1這類模型穩定落地，製造業的機器人導入成本將大幅下降，尤其對中小型工廠來說，過去負擔不起的高額系統整合費用可能不再是障礙。但同時，硬體製造商的利潤空間可能被壓縮，價值會進一步往模型層與軟體層轉移。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。