#AI
具身 ICL 创业玩家出现,押注上下文 Scaling
In-Context Learning(ICL)正从大语言模型渗入具身智能。Skild AI 的 S1 只需给机器人看一遍任务演示视频,就能不微调处理新任务,任务时长可达 10 分钟;
Generalist AI 的 GEN-1.5 同样主打 One-Shot Learning,机器人只看一个示范数秒内学会新任务。两家公司均以成果发布形式展示效果,技术细节未完整公开,但讨论度已骤升。
💡 为什么值得看机器人看一遍示范学新任务;ICL 前置预训练,值得了解其现状与争议。
查证
来源档案
量子位(QbitAI)
中文科技媒体,本文为记者衡宇对可可矩阵 CEO 高宇翔的深度专访,含一手对话实录
专访内容为创始人单方自述,能力数字(80% 成功率、60M vs 1.1B 对照)未经第三方独立验证,作为创业公司官方口径可信但要保留
延伸阅读
高宇翔拆解了具身 ICL 相比 LLM 的三重难点:视觉理解、多模态数据失衡、Long Context 与 Memory,是理解这条路线为何难跑通的关键
专访指出当前最缺人机教学、实时纠偏、协同作业类数据,且缺乏统一采集标准,可可矩阵后续将重点定义这类数据,对关注数据侧机会的人有参考价值