Questo robot impara un compito di dieci minuti guardando un video
Skild AI ha rilasciato S1, un modello di robot che copia un'attività dopo aver visto una singola dimostrazione umana, senza riqualificazione. Ha girato un pancake anche se non l'ha mai visto durante l'allenamento.
Skild AI ha rilasciato un modello di robotica chiamato S1 il 25 agosto con un’affermazione insolita: mostragli un video di una persona che fa qualcosa, e il robot fa quella cosa, anche se l’attività richiede dieci minuti e anche se non è apparso nulla di simile nell’addestramento del modello. Nessuna riqualificazione, nessuna sessione di raccolta dati, nessun tecnico coinvolto.
Le dimostrazioni pubblicate da Skild riguardano il lancio delle frittelle, il versamento del caffè, l’invasatura di una pianta e l’assemblaggio di un kit, tutte attività in più fasi con molte piccole decisioni nel mezzo. L’azienda afferma che quando S1 ha girato un pancake per la prima volta, il team ha esaminato i dati di allenamento e non ha trovato alcun esempio di capovolgimento, il che significa che il modello ha risolto il problema dal singolo messaggio video. Su compiti mai visti, Skild riporta un tasso di successo del 66% contro il 9% per i modelli VLA guidati dal linguaggio, abbreviazione di modelli visione-linguaggio-azione, l’attuale approccio standard in cui si descrive un compito a parole invece di mostrarlo. Addestrato sulla stessa scala di circa 100.000 ore di dati robot. L’inquadramento del divario da parte di Skild: per ottenere ciò che fa S1 da un video, un modello convenzionale avrebbe bisogno prima di 50-100 ore di dimostrazioni raccolte e poi di una corsa di messa a punto, ovvero un ciclo di formazione extra su quel compito specifico.
Cosa sta realmente succedendo qui: la robotica prende in prestito un trucco che i modelli linguistici hanno imparato anni fa. Quando incolli un esempio in un chatbot e questo copia lo schema per il resto della conversazione, si parla di apprendimento in contesto: il modello si adatta da ciò che ha di fronte senza che le sue impostazioni interne cambino. La robotica nella maggior parte dei casi non ha funzionato in questo modo. Ogni nuovo compito significava nuovi dati e un nuovo ciclo di formazione, ed è proprio per questo che i robot utili sono rimasti bloccati nelle fabbriche a fare una cosa per sempre. Scambiare il suggerimento da una frase a un video elude anche un problema ostinato, ovvero che il linguaggio è un modo terribile per specificare il movimento fisico. “Capovolgi il pancake” lascia fuori tutto ciò che conta. Una clip di cinque secondi no.
Che cosa significa per te: quest’anno non cambia nulla nella tua cucina e vale la pena notare che si tratta di demo pubblicate dall’azienda piuttosto che di test indipendenti, con una percentuale di successo che significa ancora che un tentativo su tre fallisce. Ma il punto è la direzione. Se insegnare a un robot un nuovo lavoro smettesse di essere un progetto di ingegneria e diventasse una questione di filmarsi mentre lo si fa una volta, l’economia dell’intero campo cambierà, e così anche l’elenco dei lavori che coinvolgono le mani. Se lavori nel settore dei magazzini, della produzione, della ristorazione o dell’assistenza, questo è il filone di ricerca che vale la pena seguire nei prossimi due anni, non i video dei robot umanoidi che vengono condivisi per il loro aspetto fantascientifico.
Fonti
Il prossimo modello aperto di Alibaba è un'anteprima di Qwen 4
Qwen3.8-Flash-Next è un modello open-weight da 125 miliardi di parametri che ne utilizza solo sei miliardi per parola. Arriva oggi ed è costruito sull'architettura alla base della prossima famiglia Qwen 4.
