机器人看一遍就会干活，具身智能迎来新范式

2020年，GPT-3以“看示例学新任务”震动NLP界；如今，具身智能正上演同样故事。8月中旬，Skild AI发布机器人基础模型S1，机器人看一遍任务演示视频即可尝试完成未训练过的新任务，无需微调，任务时长可达10分钟。测试显示，当训练数据仅1000小时时，语言Prompt效果更佳；数据规模增加后，ICL反超。对未见任务，加入视频context后表现较纯语言指令提升约7倍。此前一周，Generalist AI发布GEN-1.5，同样以One-Shot Learning为核心，机器人看一次示范即可数秒内学习新任务，无需梯度更新，支持Sim-to-Real迁移。

ICL已在LLM领域验证，其核心是不更新参数，仅通过输入示例让模型单次推理中执行新任务。过去三年，上下文窗口从4K扩展至1M。但具身模型面对的是视觉、语言与动作交织的复合上下文，每秒几十帧视觉观测，信息量远超语言。直到今年7月，李飞飞、Jim Fan等提出RoboTTT，首次系统将“上下文scaling”引入机器人视觉运动策略。8月，Generalist和Skild发布成果，引发行业对具身ICL的关注。

国内创业公司可可矩阵（COCO Matrix）致力于将ICL作为具身智能底层范式。公司成立于2026年4月，创始人高宇翔30岁，西安交大少年班出身，JHU博士辍学，曾在傅利叶带队打通全尺寸人形机器人完整链路。其思路是将后训练的ICL前置到预训练阶段。

高宇翔认为，早期行业乐观地认为堆数据可实现通用能力，但单一任务约200条数据即可拟合，继续增加数据却未出现通用泛化。具身数据本身难Scale，遥操作数据质量不一，场景多样性有限。同时，VLA沿用LLM预训练体系，视觉表征难以覆盖机器人所需的多层级信息，叠数据、叠模块的路线越来越难。

行业开始关注机器人的学习与适应能力，即在新环境、新任务中利用当前Context快速学会。RoboTTT尝试解决长历史信息编码，Generalist和Skild展示One-Shot能力。具身智能的Scaling维度正从数据覆盖扩展到部署后的持续学习能力。

具身ICL难度远高于语言模型，核心难点有三：一是视觉理解，机器人需同时理解高层语义与精细空间信息，单一视觉编码器难以覆盖；二是多模态，触觉、听觉等模态数据量远不及视觉语言，难以预训练对齐；三是Long Context与Memory，连续任务需压缩、筛选和保留历史信息，相关技术近半年才有进展。

高宇翔指出，Long Context重点不在固定窗口长度，而在信息密度。高质量Context应包含完整的新任务逻辑、动作和场景信息，如人类第一视角的完整任务演示。重复动作或简单任务拼接的学习价值有限。

从GPT-3到S1，具身智能正沿着语言模型的轨迹演进。当机器人能像人类一样“看一遍就会”，通用机器人的门槛或许正在被悄然跨越。