嘿，机器人，我给你看个东西。你能做到这个吗？人类学习新事物并不需要成千上万个例子，通常一个就够了。今天，我们发布S1，一个通用型机器人基础模型，它仅凭一个视频就能学会各种新任务。

它可以被教授超长时长的任务，这些任务超过10分钟，且不在其训练数据中，只需将一个视频提示传入其上下文窗口即可。这个概念被称为上下文学习，正是它定义了从GPT-1和GPT-2等研究项目到ChatGPT等革命性产品的飞跃。你将演示放入上下文窗口，就像带示例的提示，它就会输出机器人动作来完成任务。

让我们逐一来看。S1可以展示长达10分钟的任务，并记住每一步细节。例如，你可以教机器人做煎饼，它就会做煎饼。谢谢。你可以教它煮咖啡，它也会照做，方式与你相同。教它移植植物，它也会同样操作。学习如此长的任务，让S1能自动化比以往任何方法都更有价值的工作。

它第一次翻煎饼时，我们简直不敢相信。因为我们以为数据集中没有翻煎饼的数据。哇。为了验证这一点，我们花了两天时间检查所有预训练数据，约一百万小时，以确定是否有任何翻煎饼数据混入。结果没有。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，即预训练分布中的已知任务与完全新颖任务之间的区别。对于已知任务，上下文学习表现与语言提示的VLA相当。但上下文学习在预训练中完全未见过的任务上真正大放异彩，随着预训练规模扩大，差距呈指数级增长。例如，这个任务不可能在分布内。这是一个卫生套件，以特定方式包装特定成分。S1能记住套件的每个组件和组装过程的每一步，尽管它在部署前几分钟才第一次看到它。

由于S1的有效上下文窗口非常大，因此涌现出了多种稳健的行为模式。

首先，如果场景或其中的物体发生位移，它能够泛化到新的配置中。

其次，即使机器人犯了错误，它也能即兴调整，即使视频提示中并未包含人类的相应操作。

第三，即使视频中的人类表现并非最优或犯了错误，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、翻转物体或更换对象时，机器人的准确度会非常平缓地下降。

这意味着，你只需录制一次演示，就能在多个不同地点部署应用。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收集和后续训练。

我们发现，要达到S1仅凭一个提示示例所展现的准确度，VLA模型需要经过50到100小时的数据收集训练。

迄今为止，机器人仅对拥有庞大资源、并愿意彻底改造自身设施的组织有用。

我们设想，有了S1，每个小企业、每个杂货店、每家医院、每个组织，都能获得同等强大的机器人能力。

这些成果只是通往一条新路径的初步迹象，这条路径通向扎根于物理世界的通用智能。