具身 IC 刺激創業！上下文學習成為新的 Scaling 賽道
為何重要
從堆砌資料量的路徑轉向「上下文學習」的範式變革，這意味著機器人將不再需要為每個新任務重新採集微調資料，大幅降低部署成本。對開發者而言，這賦予了模型透過有限範例快速遷移到新場景的能力，是目前除體積擴大外最具潛力的 Scaling 方向，值得關注誰能在「模型理解」與「資料品質」兩端取得平衡。
隨著 GPT-3 掀起浪潮，In-Context Learning（ICL）正從自然語言轉向具身智慧。相較於傳統堆砌資料量的路徑，業界正透過上下文視訊或長範例來 Scaling 通用機器人能力。
- Skild AI 發布 S1 模型，能透過一次示範視訊完成長達 10 分鐘的新任務，在測試中，見所未見任務的視訊 Context 比語言 Prompt 提升約 7 倍表現。
- 在 8 月 Skild 發布前，Generalist AI 發布 GEN-1.5，支援人類示範、組合泛化與 Sim-to-Real；可可矩陣 則超前至原訓練階段整合 ICL，簡單抓取任務的 One-Shot 成功率已穩定在 80% 以上。
- 可可矩陣 採用「條件表徵」減輕動作生成負擔，在僅有約 60M 引數的動作頭下，效能超越 1.1B 引數的對照方案。