關鍵數字：從一個影片示範到執行長達10分鐘的複雜任務——機器人學習新技能的時間，從過去的數月訓練週期，壓縮到幾乎是「看一遍就會」的等級。總部位於匹茲堡的 Skild AI 本週二推出的 S1 基礎模型，正在重新定義「機器人學習」這四個字。
如果你對機器人的印象還停留在工廠裡重複焊接同一個點、或是倉庫裡沿著固定路線搬貨的模樣，Skild AI 的新進展可能會讓你改觀。這家 2023 年才成立的新創公司，發表了名為 S1 的機器人基礎模型，核心能力是所謂的「內文學習」（in-context learning）。白話文來說：你拿一支影片給它看，它就能當場理解你要它做什麼，然後直接動手，中間不需要工程師再針對那個任務重新訓練模型。
這跟傳統做法完全是兩個世界。過去如果要讓機器人學會一個新動作，團隊得先蒐集大量特定任務的數據、設計行為、然後反覆訓練調整——整個流程跑下來幾個月算正常，還不算中途環境一變、模型就得砍掉重練的崩潰時刻。S1 等於直接把這條路徑截彎取直。
📊 數據總覽
根據 Skild AI 公布的資訊，S1 模型的核心規格與傳統做法有幾個關鍵差異。我們先把數據攤開來看：
從表格可以清楚看到，S1 不是在做「漸進式改良」，而是在學習架構上走了一條不同的路。紅杉資本（Sequoia Capital）在描述 Skild AI 時也點出，這家公司要開發的是可擴展的機器人 AI 基礎模型，目標是讓機器人在多個產業裡的部署變得「更具成本效益」——關鍵字是成本效益，不是單純的技術展示。
內文學習為什麼是關鍵突破？
先講清楚一個概念：基礎模型（Foundation Model）不是新名詞，GPT 系列就是典型的基礎模型——在大量數據上預先訓練好，再針對不同任務做微調。但 S1 的突破在於，它把「微調」這一步幾乎拿掉了。
怎麼做到的？S1 的內文學習機制，讓機器人把「視覺示範」直接當成指令來解讀。你可以想像成：你給一個資深廚師看一段三分鐘的料理影片，他看完就能直接複製出那道菜，而且中間不需要再翻食譜或問人。S1 就是那雙「看懂就會做」的眼睛和大腦。
這對實務面有兩個直接影響。第一，部署時間大幅縮短——從數個月變成幾小時內搞定。第二，跨場景適應力提升——同一個 S1 模型，今天可以指揮倉庫的搬運機器人、明天可以控制餐飲業的服務機器人，不用每次從頭來過。Skild AI 內部把這個願景稱為「泛用型智慧層」（universal intelligence layer），概念上就是各種實體機器人都能共用的作業系統。
有趣的是，S1 的長期任務執行能力——也就是那10分鐘的連續運作——在業界特別有話題性。為什麼是 10 分鐘？因為很多真實場景的工作，比方說廚房備餐、實驗室樣品處理、零售店補貨，剛好都在這個時間區間內。過去機器人做不了這些工作，不是因為硬體不行，而是大腦（AI）反應不過來。
成本結構的翻轉效應
再往深一層看，S1 真正影響的恐怕不是技術榜單上的排名，而是機器人專案的總體擁有成本（TCO）。傳統機器人導入最大的成本痛點在哪裡？不是機器手臂本身的價格，而是後續的「調教費」——工程師時薪、數據標註費用、停機訓練期間的產能損失，這些隱形成本常常是硬體的好幾倍。
S1 把「學習成本」從固定成本（每次重新訓練）轉變為接近零的邊際成本（看一次影片就好）。這對於中小型企業的意義特別大——過去只有大廠養得起 AI 團隊來維運機器人，未來可能變成「買一台 S1 架構的機器人、請老師傅拍一段示範影片」就能上線。紅杉資本會投資 Skild AI，顯然看的不只是技術，而是這個成本結構翻轉後的市場潛力。
不過話說回來，現階段的 S1 還是有它的限制。10 分鐘的任務時長雖然已經是很大的進步，但距離全天候自主運作還有段距離。另外，影片示範的品質會直接影響學習成效——如果示範本身步驟混亂，S1 學出來的動作大概也不會太漂亮。
編輯觀點：從產業面來看，Skild AI 的 S1 模型其實點出了一個更深層的轉變——機器人產業正在從「硬體軍備競賽」走向「智慧層標準化」。過去各家比的是誰的機械手臂更精準、誰的感測器更多，但 S1 這類基礎模型出現後，未來競爭焦點會變成「誰的通用大腦更聰明」。這對臺灣的機器人代工業者來說，既是警訊也是機會——警訊是硬體差異化越來越難維持，機會則是如果能及早整合這類通用模型，有機會從「代工製造」轉型為「智慧解決方案提供者」。至於 S1 能不能真的跨機器人類型通用，還需要更多實際場域的驗證數據，但方向已經很明確了。
趨勢預測：從專用走向通用的岔路口
如果以 Skild AI 的 S1 為座標，接下來三到五年的機器人 AI 發展有幾個值得關注的方向：
第一，「示範學習」會成為機器人導入的主流模式。不是因為它最聰明，而是因為它最務實——對絕大多數企業來說，拍一段影片比組一個 AI 團隊簡單太多了。我們可能會看到更多新創跟進這條技術路線，形成一個「影片即指令」的生態系。
第二，基礎模型的「規模化紅利」會開始顯現。Skild AI 成立才兩年多就端出 S1，背後靠的就是在大規模數據上預訓練的策略。隨著數據量持續累積，這類模型的通用能力只會越來越強，而且邊際成本持續下降——這幾乎是生成式 AI 過去兩年走過的路徑，現在正在實體世界重演。
第三，機器人部署的決策單位會從「工程團隊」轉移到「營運團隊」。當學習門檻降到「拍影片就能教」的時候，第一線的作業人員反而會比工程師更適合主導機器人的行為設計。這聽起來有點顛覆，但這才是真正的「民主化」。
根據 Skild AI 的公開說明，S1 目前展現的能力是公司「模型層方法」的延伸——從廣泛的機器人控制，推進到即時快速適應。這句話翻譯成白話文就是：他們不只要做一個會很多技能的機器人，而是要做出一個「隨時學會新技能」的機器人。後者的市場天花板，顯然高很多。
數據告訴我們什麼？
把這幾組數據放在一起看：單一影片示範取代數月訓練、10分鐘的連續任務執行、2023年成立的公司端出這樣的產品——S1 的出現不只是 Skild AI 的產品發表，它其實在告訴整個產業：機器人部署的經濟算式正在改寫。
對企業決策者來說，現在該問的問題不是「機器人能不能做我的工作」，而是「如果機器人學新技能只需要看一次，我的工作流程裡有哪些環節值得重新設計」。對一般工作者來說，與其擔心被機器人取代，更務實的思考可能是：未來會操作機器人的人，價值在哪裡？答案或許不是會寫程式，而是「會示範」——能把複雜的工作步驟拆解成清晰的視覺指令，這本身就是一種稀缺技能。
Skild AI 的 S1 只是一個開端。接下來的問題不是這項技術會不會普及，而是誰先學會用它。
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 ChatGPT 這類 AI 有什麼不同？
S1 是實體機器人專用的基礎模型，核心是「內文學習」——看一次影片示範就能執行實體任務。ChatGPT 處理的是文字和語言，S1 處理的是實體世界的動作與視覺指令，兩者的應用場景完全不同。
S1 真的不用任何微調就能處理新任務嗎？
根據 Skild AI 的官方說明，S1 在面對新任務時確實不需要針對該任務進行額外的模型微調，而是透過內文學習機制即時理解視覺示範並執行。不過實務上，示範影片的品質與明確度會直接影響學習結果。
臺灣的產業有機會用到 S1 這類技術嗎？
Skild AI 的目標是建立跨機器人類型與應用場景的通用智慧層，理論上只要是實體機器人應用的領域——包括臺灣的製造業、倉儲物流、餐飲零售等——都有機會導入。不過目前 S1 剛發表，實際落地時程與支援的機器人硬體規格仍有待進一步公布。
10 分鐘的任務時長算長嗎？
在機器人學習領域，能連續執行 10 分鐘的複雜任務已經是非常顯著的進展。許多真實場景的工作，如廚房備餐、實驗室處理、零售補貨等，都在這個時間範圍內。過去多數機器人學習系統只能處理短週期的重複動作，S1 的突破在於把時間軸拉長到有意義的「工作段落」長度。
S1 什麼時候可以買到？
Skild AI 目前公布的 S1 是模型能力的發表，具體的商用產品化時程、支援的機器人硬體平台、以及定價模式，都還有待該公司後續公布。建議關注 Skild AI 官方管道以取得最新資訊。
※ 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。
