「Skild Brain S1」—— 一段视频抵 380 次后训练，具身 ICL 把机器人推到 zero-gradient 泛化

2026 年 8 月 25 日深夜，Skild AI 在 X 上贴了一条 4 分钟视频：一个人类示范者手冲咖啡、把滤纸压实、注水、收杯。视频末端，那台没换过一行权重的机械臂按同样的流程把咖啡冲完了。帖子下面挂的 hashtag 只有一个：#onebrain。

这是 Skild Brain S1 的「上岗秀」。它把过去三年机器人圈的一个隐痛摆到了台面：能不能让通用具身模型像 GPT-3 那样，看一眼例子就完成任务，而不是为每条新产线再采几周数据？

S1 给的答案是：能，但只在你也烧得起 10 万小时预训练算力的情况下。

在 Skild 自己控制的对照里，10 万小时预训练后，ICL 视频策略在「训练时没见过」的任务上单步成功率 66%，语言指令 VLA 只有 9%，差距 7 倍以上；同等对照下，传统 VLA 要再补 380 个后训练样本才追上 S1 一次视频演示的水平。换算到工厂侧，意味着给机器人加一项新技能的边际成本，正在从「重新采集数据 + 重新训练」滑向「录一段视频」。

但 S1 的另一组数字同样不能忽略：在已见任务、1 千小时规模上，语言 VLA 还是赢家（53% vs 43%）。换句话说，S1 的胜利不在「熟练度」，而在「泛化」——它赌的是未来几年具身数据会继续暴涨、从未见过的新任务才是工厂的真正瓶颈。

这篇文章想拆开三个东西：

• S1 的 ICL 范式到底凭什么能让一段视频「替代」380 次后训练；
• 这个数据换算成立的话，工厂侧、家用侧的数据成本结构会被怎样重写；
• 66% 这个数字本身被多少层不确定性包裹——尤其是它没有权重、没有技术报告、没有第三方基准。

🌩️ 一、从行为克隆到 ICL：具身范式为什么卡在「数据换」」

具身智能这三年走过一条类似 LLM 的曲线，但落后了三四年。

2022 年是 VLA（Vision-Language-Action）范式起点：RT-2、Octo、OpenVLA 把语言指令和视觉编码塞进同一个端到端策略，输入「把红色方块放进蓝色碗里」直接吐出 7-DoF 关节角度。

到 2024 年底，Physical Intelligence 的 π0 把 dexterous manipulation 推到了一个新高度，π0.5 又把「长程任务 + 多本体」往前推了一步。但所有这些 VLA 的训练范式都绕不开同一个前提：要教机器人一个新任务，先给它采几百到几千条同本体、同任务的遥操数据。

这就像 2018 年的 BERT——每换一个下游任务，就要重新 fine-tune 一次。当时没人觉得这有问题，因为大家都以为「任务」是稳定品类，每条产线一调就是几年。

但工厂不是这么运转的。订单在变、SKU 在变、包装在变、容器在变。一家做混装分拣的工厂，每天的「新任务」数量可能比 BERT 时代的「下游任务」多两个数量级。

这就催生了一个 GPT-3 式的需求：能不能让模型看几个例子就学会，而不是为每条新任务重启训练？

OpenAI 在 GPT-3（2020 年）证明语言任务可以，Anthropic 在 Claude（2022-2024）把 ICL 推到工具调用，DeepMind 在 RT-2 后续工作里小试过视频 prompt。但到 Skild S1 之前，机器人圈没有一家把「一段视频 → 长程 OOD 任务」这套机制做成产品级宣称。

S1 的核心做法，用 Skild 自己的话说是：

我们让视频示范成为「程序」。模型权重不改变，演示视频进入上下文窗口，输出是机器人动作序列。这把数据收集从「每个任务几周」压缩到「每个任务 11 分钟」。

11 分钟这个数字来自植物换盆任务：9:16 开始录人类示范，9:22 录完，9:27 机器人开始执行。换盆是个 7-10 步的连续任务，包含取盆、加土、移植物、压实、浇水，每一步的接触力和空间关系都不一样。

但 ICL 不是免费午餐。Skild 给了两个反直觉的数字：

• 1 千小时预训练时，语言 VLA 53% vs S1 43%（S1 输）；
• 10 万小时预训练时，S1 反超——已见任务 96% vs 89%，未见任务 66% vs 9%。

这意味着 ICL 的胜利有规模门槛。在 1 千小时量级，你继续 fine-tune 反而更划算；只有当预训练规模堆到 10 万小时，ICL 才开始比 fine-tune 便宜且更强。

这对工业部署是个关键限制：没有 Skild 的 10 万小时私货，工厂没法在自己车间复现 S1。这条路在语言模型里走过——OpenAI 用 GPT-3 的 3000 亿 token 私货「锁」住了 ICL 范式的先发优势——Skild 显然想走同一条路。

🧠 二、66% vs 9%：7 倍差距是怎么测出来的

数字必须放回实验设置里看才有意义。Skild 在博客里只放了 4 个对照表，关键细节全部埋在脚注里。整理一下：

注解：表里所有数字都是「单步成功率（per-step success rate）」，不是端到端任务完成率。Skild 用了人介入恢复（human intervention）让失败步骤能被评级，这跟「机器人完全自主完成整个任务」不是一回事。

10 万小时 × 66% 单步 × 几十步序列 = 端到端任务完成率的几何级衰减。如果你把 10 分钟任务的 30 步都乘 0.66，端到端完成率大约在 0.66³⁰ ≈ 1.6×10⁻⁵。

这显然不是 Skild 想要传达的图景。他们在另一处披露了「早期实测 60-80% 完成率」，但这跟上面那张表口径不同——具体怎么算的，没说。

再看 9%。100,000 小时预训练的语言 VLA 在未见任务上只有 9% 单步成功率。这其实是个相当弱的对手，Skild 没有公布它是不是用了他们自己的对照基线、是不是调过 prompt、是不是用了 chain-of-thought 加成。

第三方评测基本缺位。Skild 没放权重（closed platform）、没放技术报告（no technical report）、没放外部基准（no public leaderboard drop）、没放 API（no API）、没放许可证（no licence）、没放定价（no pricing）、没放 trial counts 与 error bar。所有数字都来自一篇博客 + 4 个 demo 视频。

DataNorth 的判断是「这是该领域证据等级最弱的一档」：

66% 是方向性信号，不是基准。一个博客、一份内部评测、四个挑出来的任务——这是你在这个领域能拿到的最弱证据层。

但即使打了所有折扣，这套对照实验的设计本身是值得看的：它把「数据规模 × 策略类型 × 任务分布」三个变量拆开了。这是工业部署里真正需要回答的问题，不是 benchmark 排行榜上那种单数字问题。

⚙️ 三、380 个后训练样本的换算：数据成本被改写了吗

最容易被媒体拿去当标题的数字是「1 段视频 ≈ 380 个后训练样本」。这个换算是 Skild 在 100,000 小时规模上的插值结果：传统 VLA 加到 380 个遥操样本后，单步成功率追上 S1 单视频基线；继续堆到 2,000 个，传统 VLA 反而反超到 86%。

这个换算的工程含义要分两边看。

对单条产线：假设一条分拣线换包装形态，传统做法是 5 个工人 × 5 天 × 每天 100 次 = 2,500 个遥操样本，按 VLA 训练 1 天 ≈ 50 万元工程成本。S1 模式下，一个工程师录一段 5 分钟视频，11 分钟上线，省掉的是 99% 的采集 + 训练成本。

对整个产业：前提是 Skild 的 100,000 小时预训练规模被复现。中国头部具身公司（银河通用、原力灵机、自变量、千寻、星动纪元）在 8 月的世界机器人大会（WRC）公布的预训练规模从「数千小时到数万小时」不等，离 100,000 小时还有 1-2 个数量级。如果 Skild 的规模门槛成立，意味着 S1 在未来 1-2 年内不会被中国厂商低成本复现。

但这里有个反向证据。Skild 的数据策略不是单纯堆遥操：

Teleop 最贴近硬件但贵；第一人称人类视频最容易规模化但和机器人身体差得远；仿真便宜能猛造，但有 sim-to-real gap。所以我们对 teleop、UMI、egocentric video、simulation 基本采取都用的策略。

团队明确花 $3 在过滤和质量控制上，对应 $1 在原始采集上——理由是脏数据会主动伤害 scale 的有效性。

这是另一个值得展开的论点：「数据越多越好」已经过时，「数据的噪声比」才是关键。Skild 走的是 25% 采集 + 75% 过滤的工艺，这跟 LLM 行业 2023 年的 reflexion、Sage、dolma 思路一致。区别是机器人圈以前没这么认真做。

🌪️ 四、5 级扰动测试：ICL 退化只有 VLA 的 1/3

Skild 的另一个隐藏贡献是定义了「部署时扰动五级梯子」：

在这个梯子上，Skild 测了一组对照：

跨梯子，语言 VLA 的退化幅度最高是 ICL 的 3 倍。

具体到 S1 单独看：前 4 级基本不崩，到第 5 级（演示隐含的运动计划跟当前场景完全不同）才显著退化。这是公开数据里能拿到的 ICL 策略「最远泛化距离」的最清晰边界。

这反过来揭示了 ICL 的工作机制：视频示范不是用来「记忆动作」，而是用来「提取意图 + 重新规划」。语言指令在第 4 级就会因为新物体不在词表里而崩；视频示范在第 5 级才会因为「左右手」这种隐含约束崩。

这跟 Skild 给的「ICL 学到的是意图而非轨迹」的论证互相印证。

🏭 五、Skild 的产业卡位：估值 140 亿美元、3 个 OEM、closed platform

2026 年 1 月，Skild 完成 14 亿美元 C 轮融资，估值超 140 亿美元。SoftBank 领投，英伟达、贝索斯跟投。两年半时间，估值翻了 10 倍。

创始人 Deepak Pathak（CMU 机器人所）和 Abhinav Gupta（CMU 计算机视觉）从 2022 年的 WHIRL（让机器人看人类视频做 one-shot imitation）一路做到 2026 年的 S1，路线相当连贯：

S1 的 OEM 合作伙伴是 ABB Robotics、Universal Robots、Mobile Industrial Robots（MiR）。这三家覆盖了从工业机械臂到移动机器人的主流产线 SKU。Skild 没说 OEM 拿什么，但显然是「我出脑，你出身体」的分工。

注解：ABB、UR、MiR 三家加起来占全球工业机器人市场约 30% 份额。Skild 拿下这三家，等于锁住了未来 2-3 年工厂部署里最容易被替换的「最不挣钱」的一段——传统集成商的算法定制服务。

但 closed platform 的策略也很激进：没有权重、没有 API、没有技术报告、没有许可证、没有定价。所有数字靠一篇博客 + 4 个 demo 视频 + 1 个 X 帖子。

Humanoids Daily 把这叫「最弱证据等级」。ExplainX 的判断更直接：

60-80% 不是工厂级——它需要安全笼和人工监督。
部署前请先在你自己本体、灯光、夹爪上跑一遍。
不要把 capability research 和 shipped product SKU 混为一谈。

但这也正是 closed platform 的策略价值：让投资人信 140 亿美元估值需要的不是开放，而是排他。Skild 的下一步大概率是先给三个 OEM 部署 6-12 个月，攒出可外部引用的工业实测数据，再决定是否开源或开放 API。

🔮 六、ICL scaling law：如果 66% 是真的，机器人产业会被怎样改写

把这篇文章的论点推到极限：如果 ICL scaling law 真的成立（数据越多，ICL 反超 VLA 的幅度越大），机器人产业会有几个结构性变化。

1）数据工厂的地缘重新洗牌

今天具身数据的瓶颈不在「采多少」，在「采得多干净」。Skild 1:3 的过滤预算比是中国公司很少公开承认的成本结构——大多数中国厂商把 70% 预算花在采集上，过滤只占 30%。

如果 ICL scaling law 成立，未来 12-18 个月里，采集便宜但过滤贵的数据工厂会比「采集贵 + 过滤便宜」的工厂更值钱。Teleop 工人工资只占总成本 25%，剩下 75% 是质检工程师 + 标注员 + 校验员。

2）「会刷锅的机器人」和「会换尿布的机器人」会是同一台

Skild 演示的四个任务（换盆、煎饼、手冲咖啡、套件装配）毫无共同点，但都跑在同一套权重上。如果 ICL 真的能让一段视频替代 380 次后训练，那未来工厂里的「万能机器人」和家用「万能机器人」可能是同一台硬件，只是 prompt 不同。

这意味着家庭机器人公司可能不再需要为每个场景训练专属模型，而是买一台通用硬件 + 录几段视频。这条路线如果走通，会让 Figure 01、1X Neo、Sanctuary、Apptronik 这些「家用机器人硬件公司」的价值锚定彻底改变——他们不再卖硬件加模型，而是卖硬件加视频 prompt 服务。

3）OEM 的算法议价能力下降

传统集成商（系统集成商）的核心利润来自「客户每换一条产线，就要重新付算法定制费」。如果 ICL 让客户能自己录视频上线，集成商的算法定制收入会被压缩，但硬件销售会被放大。ABB、UR、MiR 跟 Skild 合作恰好踩中这个拐点——它们用「放弃算法议价」换取「硬件销量 + 部署速度」。

4）后训练工作流公司的位置

像 Physical Intelligence（π0）、Toyota Research Institute、TRI 这类「专注后训练 + 长程任务」的公司，它们的护城河会被 ICL 部分侵蚀。但不会消失——Skild 自己承认 S1 在 2,000 个后训练样本下仍输（66% vs 86%）。对于工业级精度（95%+）和高 cycle rate（10 Hz+ 控制），传统 fine-tune 仍更优。

🪨 七、66% 这个数字的 6 层不确定性

不要被单数字带跑。66% 这个结果至少有 6 层不确定性需要拆开看：

1）单步成功率 ≠ 端到端成功率

10 分钟任务约 30-60 步，0.66³⁰ ≈ 1.6×10⁻⁵。如果 Skild 用的 60-80% 是真的，那是几何级衰减被打断了——大概率是用了「人介入恢复失败步骤」。这意味着 S1 在严格自主模式下端到端成功率可能只有个位数。

2）4 个 demo 任务是挑选过的

换盆、煎饼、手冲咖啡、套件装配都有共同特征：长接触、慢节奏、可恢复。它们不是「抓飞过来的球」或「穿针引线」这种密集 dexterous 任务。Skild 没说哪些任务 S1 跑不出来。

3）内部 benchmark 没有公开

Trial counts、error bar、跨本体泛化（人形 vs 机械臂 vs 四足）全是黑盒。「66%」是一个均值，不是分布。

4）第三方评测基本缺位

主流具身评测（Meta-World、Safety Gym、RoboCasa、Behavior-1k）都没看到 S1 的提交。这个 66% 没法跟同行横比。

5）权重未公开

任何独立机构想复现 S1 都得等 OEM 合作伙伴配合，目前没这条路径。

6）商业利益冲突

Skild 刚融 14 亿美元、估值 140 亿美元，有强动机发一个漂亮数字而不是稳健数字。这跟当年 GPT-3 发布时 OpenAI 的位置完全一样——但 GPT-3 至少放了 paper 和 weights。

🚪 八、对中国具身公司的启示

中国 8 月 WRC 的几家公司（银河通用、原力灵机、自变量、千寻、星动纪元）走的都是「VLA + 后训练 + 场景落地」路线。Skild S1 出来后，几个具体动作值得做：

短期（3-6 个月）

• 把内部 benchmark 跑全：包括「未在训练集的任务」、「跨本体任务」、「扰动 5 级梯子」。如果自家模型在 100 小时规模上语言 VLA 也跑出 50% OOD，那就不用急着追 ICL。
• 录一段 11 分钟换盆视频，喂给自家模型，看能不能跑出来。这是验证 S1 范式是否真普适的最快方法。

中期（6-12 个月）

• 如果决定跟 ICL 路线，准备 100,000 小时级别预训练数据预算。这是中国厂商当前差距最大的地方——大多数公司在 5,000-50,000 小时之间。
• 把数据预算从「采集 70% + 过滤 30%」翻成「采集 25% + 过滤 75%」。这要重建数据团队结构。

长期（12-24 个月）

• 跟国内 OEM（埃斯顿、绿的谐波、汇川）谈类似 ABB/UR/MiR 的合作。这条路 Skild 已经开了头。
• 准备「视频 prompt 服务」这个新商业模式。如果 ICL 成立，未来具身公司的收入结构会从「卖模型许可证」转向「按视频上传次数收费」。

🌟 十、结语：66% 还在飞，但飞的方向对了

把 Skild S1 拉远一点看，它其实在回答一个比机器人更大的问题：通用智能的边界，到底是用「数据规模」撑起来，还是用「模型架构」撑起来？

LLM 圈已经选了前者——GPT-3 之后所有能力跃迁都跟数据规模挂钩。具身圈过去三年赌的是后者——Octo、π0 都强调架构创新。Skild S1 是第一次把具身圈明确拉到「数据规模为王」的轨道上，而且用 ICL 这个 GPT-3 风格的能力演示作为证物。

这未必对。66% 这个数字太弱，无法支撑「数据规模为王」的强结论。但它开了一个非常有意义的口子：具身 ICL 是可工程化的，不是 PPT 概念。

未来 6 个月真正值得看的是三个数字：

• Skild 工业部署 6 个月后的端到端任务成功率（不是单步）；
• 是否有第三家厂商（不是 Skild）独立跑出 OOD 任务 50%+ 单步成功率；
• 中国厂商 100,000 小时预训练规模何时追平 Skild。

这三个数字中任何一个发生，都会改写具身智能的下一轮估值锚点。

信源

• Skild AI 官方博客（2026-08-25）：S1 公告与 4 个 demo 视频
• Humanoids Daily（2026-08-26）：5 级扰动测试细节与 ICL scaling law 解释
• DataNorth AI（2026-08-26）：评测可信度审计（最弱证据等级判断）
• ExplainX（2026-08-26）：66% / 60-80% 完成率口径分析
• 36 氪（2026-08-26）：Deepak Pathak + Abhinav Gupta 背景与估值变化
• TestingCatalog（2026-08-26）：100,000 小时对照与 380 个后训练样本换算
• FutureTools（2026-08-25）：多源新闻聚合（OpenAI Bel、Anthropic Memory、NemoClaw 漏洞等同期事件）