Skild AI presenta S1, un robot que imita tasques vistes una sola vegada

Què ha passat

Skild AI ha presentat S1, un foundation model (model fundacional) dissenyat específicament per a robots. La proposta trenca amb l'enfocament habitual del sector: en lloc de programar cada tasca o entrenar una política de control específica per a cada cas, al robot se li mostra un únic vídeo de demostració d'una tasca que mai no ha vist i aquest la reprodueix pel seu compte.

El punt clau és que aquesta reproducció es produeix sense fine-tuning (ajust fi), és a dir, sense reentrenar ni retocar els pesos del model amb dades noves d'aquesta tasca concreta, i sense cap entrenament addicional. La demostració funciona com una instrucció, no com a material d'aprenentatge que s'hagi de processar prèviament.

Segons les dades difoses per la companyia, S1 és capaç d'afrontar tasques completament noves de fins a deu minuts de durada, compostes per desenes de passos individuals. Entre les demostracions mostrades hi figuren trasplantar una planta a una altra torreta, preparar cafè de filtre per degoteig, assemblar kits i cuinar una crep girant-la, tot això després d'haver vist una sola execució.

Per què importa

La durada és una dada més rellevant del que sembla. Deu minuts i desenes de passos encadenats suposen un horitzó temporal llarg per a un sistema robòtic: implica mantenir el context de la tasca, encadenar subobjectius i recuperar-se de petites desviacions sense que l'error s'acumuli fins a arruïnar el resultat. La majoria de les demostracions habituals en robòtica es mouen en el terreny d'accions curtes i molt acotades, com ara agafar i col·locar un objecte.

El segon element diferencial és el cost d'ensenyar alguna cosa nova. Si cada tasca exigeix recopilar dades, entrenar i validar, la robòtica queda confinada a entorns industrials d'alt volum on aquest esforç s'amortitza. Si n'hi ha prou amb enregistrar una demostració, la barrera baixa dràsticament i s'obre la porta a escenaris variables: cuines, tallers, magatzems petits, tasques domèstiques.

Skild AI planteja S1 explícitament com un intent de portar a la robòtica la idea del prompting (instrucció en llenguatge natural), el mecanisme que van popularitzar els LLM o large language models (models de llenguatge grans) i que permet demanar a un sistema que faci alguna cosa nova sense tocar-ne l'entrenament. Aquí el prompt no és text, sinó un vídeo.

Context

La noció de foundation model es va consolidar primer en l'àmbit del llenguatge i la visió: models grans entrenats amb dades massives i genèriques que després serveixen de base per a multitud d'aplicacions. Traslladar aquest esquema al món físic és un dels objectius declarats del sector robòtic, perquè un model generalista evitaria reconstruir des de zero el programari de cada robot i cada aplicació.

L'obstacle clàssic ha estat la generalització. Un robot que domina una tasca en un laboratori sol fallar quan canvien la il·luminació, la posició dels objectes o el mateix objecte. Un sistema que aprèn d'una única demostració s'enfronta a aquest problema en la seva versió més exigent, perquè no disposa de repeticions ni de dades de reforç sobre les quals corregir-se.

Què cal vigilar

Les incògnites rellevants són les de sempre en robòtica: la taxa d'èxit real fora de les condicions de demostració, el comportament davant d'objectes i entorns no vistos, i què passa quan la tasca es torça a mig camí. Skild AI no ha fet públiques, ara per ara, dades que permetin respondre aquestes preguntes amb detall.

També queda per concretar en quines plataformes físiques funciona S1 i en quines condicions estarà disponible per a tercers. La utilitat pràctica d'un foundation model robòtic depèn que es pugui desplegar en maquinari diferent del que es va utilitzar per a les demostracions.