机器人第一次走进陌生厨房，只看了一遍人类如何摊煎饼，就能接过工具继续完成整套动作。Skild AI发布的机器人基础模型S1把这种能力称为上下文学习：模型无需针对新任务重新训练，也不必先收集数百段专用示范，而是把眼前看到的动作当作临时教材，在执行过程中理解目标、物体关系与动作顺序。
发布方披露，S1在未见任务上的成功率达到66%，以语言提示驱动的传统视觉语言动作模型约为9%；如果沿用后训练路线，需要约380次示范才能追平一次上下文学习的效果。数字仍需更多第三方环境复现，但它指出了具身智能真正昂贵的部分：不是让机器人完成一项表演，而是每进入一个新家庭、新工位或新工具环境，都要重新采集数据、训练和验收。
一次示范的价值
传统机器人擅长重复确定性动作。产线把工件、速度和安全范围固定后，工程师可以用程序、轨迹规划与大量调试换取稳定性。但家庭服务、餐饮、仓储和实验室任务常常同时变化：杯子位置不同，工具形状不同，人的指令也不完整。若每个变化都需要单独训练，部署成本会随着任务数量迅速膨胀。
S1试图把适应过程放到推理阶段。机器人观看示范时，不只是复制手臂轨迹，还要识别“先处理什么、为什么这样处理、失败后如何继续”。煎饼、冲泡咖啡、植物换盆等长程任务包含接触、力度、物体状态变化和多个步骤，单纯复刻像素运动很容易在位置稍有偏差时失效。上下文学习若能稳定工作，机器人就可能从预先编程的设备变成可以现场教学的工具。
数据瓶颈松动
具身模型的训练数据比文本昂贵得多。一条网页文本可以被反复使用，而一段高质量机器人轨迹需要设备、场地、操作者、传感器标定和安全保障。真实数据还带有明显的本体差异，同一个开门动作换成不同机械臂、夹爪和相机位置后，原有轨迹未必能够直接迁移。
一次示范学习并不会让预训练数据消失。S1仍需要从大规模跨本体经验中学会视觉理解、动作先验和物理常识，现场示范只是把这些能力快速对准当前任务。它改变的是新增任务的边际成本：企业不必为每个客户重新建立完整数据集，而可以保留通用底座，再用少量现场示范完成适配。未来采购机器人时，衡量标准也会从“预装多少技能”转向“学习新技能需要多少数据、多久能通过验收”。
可靠性仍是硬门槛
66%的未见任务成功率足以证明方向，却离无人值守仍有距离。机器人失败可能意味着洒出热水、损坏器材或撞到人员，现实世界不会像聊天界面那样允许无限重试。上下文学习还要面对示范质量不一、视角遮挡、任务中途状态变化，以及模型把偶然动作误判为必要步骤等问题。
因此，现场学习必须与权限和验证机制一起设计。高风险动作应限定速度、力度和活动区域；执行前要检查工具与环境状态；关键步骤失败后应停机或请求人工接管，而不是继续猜测。企业部署还要保留示范来源、动作计划、传感器记录和异常回放。对于需要集中运行任务编排、日志、模型网关与监控服务的团队，可以按并发量和数据留存要求配置速维云云服务器，但机器人本体的实时安全控制仍应留在本地，避免网络波动影响紧急决策。
模型底座继续变轻
机器人在推理阶段学习，需要更低的调用成本和更稳定的响应。阿里发布Qwen3.8-Flash，总参数1250亿、每次仅激活60亿参数，并引入GDN与QSA混合注意力、门控多分支残差、N-gram Embedding和Muon优化器。发布信息显示，其训练开销降至前代约九分之一，API每百万Token输入1元、输出3元。它不是机器人专用模型，但展示了通用底座正在用架构改造换取更高频的推理预算。
这条路线与具身智能高度相关。机器人一次任务会持续经历观察、计划、动作、反馈和修正，成本不是一次回答，而是一串连续决策。模型足够便宜后，系统才能把预算用于复核环境、比较候选动作和处理异常。Qwen3.8-Flash透露出的技术骨架也说明，下一阶段模型竞争不会只看总参数，而会同时比较激活规模、缓存占用、真实任务成功率和每次完整交付的成本。
Agent走向交易闭环
Meta推出的Hatch智能体平台代表另一种现场：用户给出目标，系统自动拆解任务并交付结果，计划打通发现、比较、沟通、安排和购买。该平台开发阶段采用Claude，后续计划迁移到自研模型。它说明应用公司越来越关心工作流和入口，而不是把某个模型名称永久写进产品架构。
商业数据也在验证这种变化。MiniMax披露企业客户突破200万，企业端收入占比达到80%，Token消耗量升至年初的20倍，年化经常性收入超过8亿美元。高增长并不自动等于长期盈利，但它表明企业愿意为能持续执行的Agent付费。软件Agent与机器人Agent最终面对相同问题：模型能力只是底座，真正决定续费和扩张的是任务能否完成、失败能否追踪、成本能否预测。
AI进入真实世界
AI对现实任务的影响不只发生在机器人领域。加州理工团队用傅里叶神经算子处理量子化学计算，把原本随规模快速增长的复杂度压向近线性区间；发布信息称，单块GPU可以完成82500个电子体系的模拟，而过去同类规模需要数千块GPU。Lady Gaga参与创办的Outer Biosciences则把离体人体皮肤与机器学习结合，用于预筛抗衰老化合物，并把候选物继续送入实验验证。
这些案例共同指向一个更严格的AI阶段：模型必须进入物理流程，并接受现实结果检验。机器人要真正拿起工具，科学模型要与高精度计算或实验对照，生物技术平台要把候选物推进到验证环节。Skild AI S1最值得关注的地方，不是机器人完成了几个新奇动作，而是它尝试缩短“看到一个新任务”到“在现场开始工作”之间的距离。接下来真正决定行业速度的，将是一次示范能否跨设备复现、失败率能否持续下降，以及企业能否建立可审计、可回退的部署体系。
参考资讯：Skild AI S1机器人基础模型、Qwen3.8-Flash发布、Meta Hatch智能体平台、AI加速量子化学计算。
