NVIDIA介绍Skild S1合作进展：机器人从一段视频学习新任务
NVIDIA described its September 10 collaboration update with Skild AI, whose S1 model learns previously unseen long-horizon tasks from a single video demonstration. The story is a partnership and deployment update; Skild's original S1 release was in August.
一段视频，就能让机器人学会一项此前从未见过的长程任务——这不是演示视频里的剪辑技巧，而是Skild AI最新发布的S1机器人基础模型所宣称的能力。而NVIDIA在9月10日披露的合作更新，则把这条技术路线从实验室推向了工厂车间。
先厘清时间线：8月发模型，9月谈落地
需要先明确一个容易混淆的时序问题。根据NVIDIA博客的表述，S1模型是"上周"发布的[1]；而Skild AI自家博客则以"Introducing S1"为题介绍了该模型[2]。综合来看，S1的模型发布在前（8月），NVIDIA于9月10日发布的是双方的合作与部署进展更新，而非模型本身的首发。这一区分对理解整条新闻的性质很重要：它不是一次产品发布，而是一次合作深化与落地进展的披露。
S1到底解决了什么问题
NVIDIA博客开篇点出了痛点：制造车间、仓库和产线很少保持固定——任务会变、布局会挪、新产品会进来，而大多数机器人如果不经过大量重新编程就跟不上节奏[1]。
*图1：CeBIT 2005 Nvidia Stand（Strubbl / CC BY-SA 4.0，Wikimedia Commons）*
S1的应对方式是"上下文学习"（in-context learning）。据NVIDIA博客，该模型以视频作为输入来理解和执行任务，过程中**不更新权重、也不做任务特定的后训练**[1]。Skild AI自己的博客把这一范式类比为语言模型从BERT时代走向ChatGPT的跃迁：早期模型每换一个应用都要重新收集数据、微调模型，而上下文学习让用户仅通过提示就能引入全新概念，无需微调权重[2]。Skild的博客还给出了几个关键指标：未见过的任务、10分钟级的时间跨度、一段视频提示、无需后训练[2]。
合作范围不止于训练
据NVIDIA博客，Skild构建S1并开展相关研究，均基于NVIDIA的AI基础设施，这属于双方更广泛合作的一部分，覆盖合成数据生成、模型训练、仿真以及真实世界的物理AI部署[1]。两家公司表示，正合作把可适应的机器人智能从实验室推向工厂及其他动态运行环境[1]。
*图2：Jensen huang stanford 2026-04-30 004（Anderseidesvik / CC BY-SA 4.0，Wikimedia Commons）*
Skild AI联合创始人兼CEO Deepak Pathak在NVIDIA博客中表示："通过经验学习、而非预先编程，是机器人领域已经发生的阶跃式变化。"他提到，NVIDIA Isaac Lab和NVIDIA Cosmos技术帮助Skild创造出可扩展、多样化的经验，使其机器人能够在多种场景和本体形态中学习[1]。
商业化数据同样值得注意
NVIDIA博客还披露了一组商业进展数据：在首次商业部署10个月后，公司达到了1亿美元的年化收入运行率；同期，Skild已建立60多个部署合作关系，工作覆盖制造、物流、巡检、安防、食品制备及其他应用[1]。需要说明的是，这组数据出自NVIDIA博客的转述，Skild官方博客的摘录中未包含这些数字，该信息未经Skild方面资料的独立证实。
*图3：NVIDIA H100 (极客湾Geekerwan) 005（极客湾Geekerwan / CC BY 3.0，Wikimedia Commons）*
客观地说
把"一段视频学新任务"讲成机器人领域的ChatGPT时刻，目前还为时过早——Skild自己的博客也承认，机器人研究此前长期停留在"BERT时代"[2]。S1的价值主张能否在真实产线的噪声、光照和长尾异常中稳定兑现，取决于后续部署数据，而非发布时的指标。NVIDIA此次更新的意义，或许更多在于确认了一条路径：物理AI的落地，正在从单点模型能力转向"数据—训练—仿真—部署"的全栈协作。
参考来源
[1] Skild AI Taps NVIDIA Physical AI to Teach Robots New Tasks From a Single Video
https://blogs.nvidia.com/blog/skild-ai-s1-physical-ai/
[2] Introducing S1: In-Context Learning for Robotics
本稿由 AI 生成，发布状态：pending_human_review。正式发布前以人工审核为准。