机器人正通过视频学习执行任务，这得益于Skild公司开发的新型AI模型。该系统让机器人仅需不到一小时的针对性训练数据，就能通过观察人类视频掌握开门、浇水、组装盒子甚至烹饪等技能。据该公司介绍，其"Skild智能核心"具备抗干扰能力，可泛化至未经训练的新家居环境，并适用于从轮式人形机器人到双臂操作平台等多种机器人形态。

在测试中，该系统能精准连续组装多个AirPod保护壳。Skild智能核心将其成功归功于上下文学习能力，并计划进一步扩展功能边界。

通用机器人智能的共享内核
在发展真正通用型机器人的竞争中，行业遭遇了熟悉的瓶颈：数据短缺。虽然大语言模型依靠从互联网抓取的海量数据蓬勃发展，但机器人领域始终缺乏类似的"通用爬虫"资源库。传统方法严重依赖遥操作技术——由人类手动引导机器人执行精确的电机扭矩序列。但该机器人公司指出，仅靠这种方法无法扩展到基础模型所需的规模。

遥操作面临两大局限：一是数据多样性受限，仅涵盖受控实验室或特定场景，缺乏真实世界的混乱多变性；二是规模限制，即使动用全球人力实时收集数万亿动作序列也几乎不可能。

自适应机器人智能
Skild AI由自监督与自适应机器人领域的专家于2023年创立，正在开发可扩展的基础模型，作为跨不同机器人形态的共享智能核心。公司着力解决机器人领域的重大挑战：缺乏"机器人互联网"。与语言或视频模型不同，机器人技术历来依赖通过遥操作或孤立部署收集的有限数据集。为突破此局限，该公司利用互联网人类视频和基于物理规则的模拟对Skild智能核心进行预训练，实现在有限机器人专用数据下的技能获取。

该智能核心具备全形态适应能力，可操作人形机器人、四足机器人、移动机械臂和桌面机械臂等多种形态。它能实时适应肢体缺损、车轮卡滞、负载增加或全新机体等意外状况，且无需重新训练或微调。据《机器人报告》指出，该模型强调适应而非记忆，构建出持续学习循环，使机器人在任何硬件或任务中都能通过每次部署提升性能。

这种方法借鉴了人类学习机制——通过观察和意图而非精确力量或动作来获取技能。从第一人称头戴摄像到数百万在线教学视频，这些资源为机器人领域提供了此前未被开发的庞大数据集。Skild智能核心通过将人类动作映射至不同机器人形态，并补偿缺失的触觉或力反馈数据，成功弥合了形态差异带来的学习鸿沟。

Skild公司表示，通过视频示范辅以少量机器人数据进行学习，该模型从本质上突破了机器人数据瓶颈，实现了可扩展的通用任务学习能力。