嘿，机器人，我给你看个东西。你能做到这个吗？

人类学习新事物不需要上千个样本，通常一个就够了。

今天我们发布 S1，一个通用机器人基础模型，只需一段视频就能学会各种全新任务。它可以被教会执行超过十分钟的超长时序任务，这些任务从未出现在它的训练数据中，仅凭一段视频提示传入其上下文窗口即可完成。

这个概念叫做上下文学习，正是它定义了从 GPT-1、GPT-2 这类研究项目到 ChatGPT 这类革命性产品的飞跃。你把一段演示放进上下文窗口，就像给提示附上一个示例，它就会输出机器人动作来完成任务。

我们逐一来看。S1 可以学习长达十分钟的任务，它能详细记住每一步。比如，你可以教机器人做煎饼，它就会做煎饼。你可以教它做咖啡，它就会按照你的方式做出来。教它给植物换盆，它也会照做。

学习如此长时序的任务，让 S1 能够自动化远比以往任何方法都更有价值的工作。它第一次翻煎饼的时候，我们简直不敢相信，因为我们以为数据集中根本没有翻煎饼的数据。哇。

为了验证这一点，我们花了两天时间翻查所有预训练数据，大约一百万小时，想确认是否有翻煎饼的数据混了进去。结果并没有。原来机器人只是通过观察视频中锅铲的运动就学会了这个动作。

这引出一个重要概念，即已知任务与预训练分布内任务，和完全新颖任务之间的区别。对于已知任务，上下文学习的效果与语言提示的 VLA 模型相当。但当任务在预训练中完全未见时，上下文学习才真正大放异彩，而且随着预训练规模扩大，这个差距呈指数级增长。

比如，这个任务不可能在分布内。这是一个卫生套装，包含特定成分，按特定方式打包。S1 能够记住套装的每一个组件和组装过程的每一个步骤，尽管它在部署前几分钟才第一次看到。

由于 S1 的有效上下文窗口非常大，它展现出几种稳健的行为方式。

首先，如果场景或其中的物体发生位移，它能泛化到新的配置。其次，即使机器人犯了错，它也能即兴应对，哪怕人类在视频提示中并未这样做。第三，即使人类在视频中操作不够理想或犯了错误，S1 也能推测用户的意图，并运用常识来达成目标。

当我们改变提示设置、重新排列物品、翻转物体、更换对象时，机器人的准确率下降得非常平缓。这意味着你可以录制一次演示，然后部署到多个不同的地方。

在上下文学习出现之前，任何新任务都可能需要数月的数据采集和后训练。我们发现，要达到 S1 仅用一个提示示例就能展现的准确率，当前的 VLA 模型需要用 50 到 100 小时的数据采集来训练。

迄今为止，机器人只对拥有庞大资源、愿意为引入机器人而彻底改变自身配置的组织才有用。我们设想，有了 S1，每一家小企业、每一家杂货店、每一家医院、每一个组织都能获得同样强大的机器人能力。

这些成果只是新路径上的最初生命迹象——一条通向扎根于物理世界的通用智能之路。谢谢。