Dieser Roboter lernt eine zehnminütige Aufgabe, indem er sich ein Video ansieht
Skild AI veröffentlichte S1, ein Robotermodell, das eine Aufgabe nach einer einzigen menschlichen Demonstration ohne Umschulung kopiert. Es hat einen Pfannkuchen umgedreht, obwohl er im Training noch nie das Umdrehen eines Pfannkuchens gesehen hat.
Skild AI veröffentlichte am 25. August ein Robotikmodell namens S1 mit einem ungewöhnlichen Anspruch: Man zeige ihm ein Video von einer Person, die etwas tut, und der Roboter macht das, selbst wenn die Aufgabe zehn Minuten dauert und selbst wenn im Training des Modells nichts Vergleichbares vorkam. Keine Umschulung, keine Datenerfassungssitzung, kein Techniker auf dem Laufenden.
Die von Skild veröffentlichten Demonstrationen umfassen das Umdrehen von Pfannkuchen, das Aufgießen von Kaffee, das Eintopfen einer Pflanze und das Zusammenstellen eines Bausatzes, alles mehrstufige Aufgaben mit vielen kleinen Entscheidungen in der Mitte. Das Unternehmen gibt an, dass das Team, als S1 zum ersten Mal einen Pfannkuchen umdrehte, die Trainingsdaten noch einmal durchging und überhaupt keine Beispiele für das Umdrehen fand, was bedeutete, dass das Modell es anhand einer einzigen Videoaufforderung herausgefunden hatte. Bei Aufgaben, die es noch nie gesehen hatte, meldet Skild eine Erfolgsquote von 66 Prozent gegenüber 9 Prozent bei sprachgestützten VLA-Modellen, kurz für Vision-Language-Action-Modelle, dem aktuellen Standardansatz, bei dem man eine Aufgabe in Worten beschreibt, anstatt sie zu zeigen. Im gleichen Maßstab anhand von rund 100.000 Stunden Roboterdaten trainiert. Skilds eigene Beschreibung der Lücke: Um mit einem einzigen Video zu erreichen, was S1 kann, bräuchte ein herkömmliches Modell zunächst 50 bis 100 Stunden gesammelter Demonstrationen und dann einen Feinabstimmungslauf, also eine Runde zusätzlicher Schulung für diese spezielle Aufgabe.
Was hier eigentlich vor sich geht: Dies ist Robotik, die einen Trick übernimmt, den Sprachmodelle vor Jahren gelernt haben. Wenn Sie ein Beispiel in einen Chatbot einfügen und dieser das Muster für den Rest der Konversation kopiert, handelt es sich um kontextbezogenes Lernen: Das Modell passt sich dem an, was vor ihm liegt, ohne dass sich seine internen Einstellungen ändern. Die Robotik hat größtenteils nicht so funktioniert. Jede neue Aufgabe bedeutete neue Daten und einen neuen Trainingslauf, und genau aus diesem Grund blieben nützliche Roboter für immer in Fabriken stecken und erledigten eine Aufgabe. Durch den Austausch der Aufforderung von einem Satz in ein Video wird auch ein hartnäckiges Problem umgangen, nämlich dass Sprache eine schreckliche Möglichkeit ist, körperliche Bewegung zu spezifizieren. „Flip the Pancake“ lässt alles Wesentliche weg. Bei einem Fünf-Sekunden-Clip ist das nicht der Fall.
Was das für Sie bedeutet: In Ihrer Küche ändert sich dieses Jahr nichts, und es ist erwähnenswert, dass es sich hierbei um vom Unternehmen veröffentlichte Demos und nicht um unabhängige Tests handelt, mit einer Erfolgsquote, die immer noch bedeutet, dass jeder dritte Versuch fehlschlägt. Aber die Richtung ist der Punkt. Wenn es kein technisches Projekt mehr ist, einem Roboter einen neuen Job beizubringen, sondern dass man sich nur einmal dabei filmt, ändert sich die Wirtschaftlichkeit des gesamten Bereichs und damit auch die Liste der Jobs, bei denen Hände zum Einsatz kommen. Wenn Sie irgendwo in der Nähe von Lagerhaltung, Fertigung, Gastronomie oder Pflege arbeiten, ist dies der Forschungsthread, den es wert ist, in den nächsten zwei Jahren zu verfolgen, und nicht die Videos zu humanoiden Robotern, die wegen ihres Science-Fiction-Looks geteilt werden.
Quellen
Quellen: https://www.skild.ai/blogs/s1
Alibabas nächstes offenes Modell ist eine Vorschau auf Qwen 4
Qwen3.8-Flash-Next ist ein Open-Weight-Modell mit 125 Milliarden Parametern, das nur sechs Milliarden davon pro Wort verwendet. Es erscheint heute und basiert auf der Architektur der kommenden Qwen 4-Familie.
