Skild AI、動画1本を見せるだけで未見タスクを実行する基盤モデル「S1」 文脈内学習で言語指示型VLAの7倍

Skild AIは、ロボット向け基盤モデル「S1」を発表した。中核は文脈内学習（In-Context Learning）で、新しいタスクを教えるのに数時間の遠隔操作データと特化方策のファインチューニングを要する従来の手順を、「デモ動画を1本見せる」ことに置き換える。同社はこれを言語モデルのBERTからGPT-3への移行になぞらえ、既存のロボット方策は「BERT時代に留まっている」と位置付ける。モデルはTransformerで、事前学習の段階でデモの意図・機能的対応関係・タスク進捗を映像文脈から読み取る方法自体を学習し、推論時には重みを更新しない。

データは遠隔操作、UMI（手持ちグリッパ）、一人称動画の3系統を、ハードウェアへの近さとスケールしやすさのトレードオフとして併用し、収集費1ドルに対し品質管理に3ドルを投じているという。学習データ10万時間での比較では、既知タスクでは言語指示型VLAと同等だが、未見タスクでは文脈内学習66%対9%と7倍の差が付き、デモ1本が事後学習デモ約380本に相当すると主張する。物体の摂動・照明変化・物体の置き換えにも耐え、極端な分布シフトでは言語指示型より劣化が3分の1に収まる。鉢植え、パンケーキ調理、ドリップコーヒー、キット組立といった学習に含まれない10分級のタスクを、デモから11分で自律実行するデモを示した。2025年9月のLocoFormer（移動の文脈内適応）から始まった系譜の到達点で、S1は既に商用パートナーで稼働中、一般には早期アクセスの受付段階。