2天前，公开媒体上的一则消息提醒大家关注：

佳明在蚂蚁灵波的优秀工作发布了，Zero-WAM，大规模训练出小尺寸世界模型，打磨了大半年的工作，实现In-context Human Promt(人类视频演示）即可让积极人零样本完成复杂操作任务。

发帖人是香港科技大学人工智能助理教授梁俊卫。

一场大的变化正在上演，谁跟迟了就可能会被远远甩在后面。

8月19日，硅谷公司Generalist发布新模型GEN-1.5：给它看一段3到12秒的人类演示——开个笔袋、拧个瓶盖——机器人当场就试着做，哪怕这个任务它从没练过。不重新训练，不改任何参数。

8月25日，Skild AI发布S1：给它看一段第一视角的人类视频，它能照着完成从未见过的长程任务——手冲咖啡、移栽盆栽、组装零件，最长10分钟、几十个步骤。中途研究员故意把东西挪走、换掉道具、改变灯光，没影响，它自己接着干。

8月26日，一支包含港科大（广州）研究者的团队把论文挂上arXiv：这就是刚才梁俊卫提醒的，蚂蚁灵波模型的最新模型Zero-WAM，人类视频上下文世界动作建模——把人类干活的视频本身当Promt，机器人照着视频，甚至可以做没训练过的新任务。

上述提醒也提到，Figure AI也正在这个研究方向上发力。

1

ICL：现在能到什么水平？

国内外的顶级团队们，8天，同一个方向：ICL（In-context robot Learning），这不像是巧合。

三家公司的具体路径略有不同，各有侧重。

Generalist AI押注的是Physical Data Scaling——相信物理经验足够多以后，会自然涌现出通用智能。GEN-1.5在只给一次Physical Prompt、零梯度更新的情况下，平均成功率达到59%；如果每个任务再给5分钟数据做10次梯度更新，成功率可以进一步提升到83%。

GEN-1.5还能把两段不同的教学演示拼起来学。先看一段A动作，再看一段B动作，模型自己把两项技能串成一个连续任务，中间那些没人演示过的衔接动作也得自己搞定。模拟器里看一遍，转头到了真实世界，也能直接上手。

Skild AI走的是“Cross-Embodiment + ICL + Industrial Deployment”路线。S1的测试结果显示，在预训练阶段从未出现的长程任务中，成功率高达66%，而按照传统模式给模型读一句文字指令，成功率只有9%——差出七倍。

更惊人的是，想追平S1只看一次演示的效果，传统后训练微调路线大概要喂进去380次任务演示。S1还能根据现场状况调整做法——示范中是用浇水壶浇水，实际执行时若只有一个杯子，S1会改用杯子完成工作。

蚂蚁灵波的Zero-WAM，则将重点放在开放式、任务级零样本泛化上。团队构建了HumanGen数据集，覆盖8,600个任务、74,200对人类-机器人ICL样本对。在RoboTwin 2.0的7个完全没见过的任务上，Zero-WAM的平均成功率达到46.95%，相比video-action baseline提升了29.5个百分点。

这些数据可以看到，进步是惊人的。

2

“机器人学的伟大日子”

要理解这惊人的程度，得先补一块背景——大模型历史上那次著名的换挡。

GPT-3之前的AI，是“一个任务训练一次”：模型再聪明，换个任务就得拿新数据回炉重造。

GPT-3之后，出现一种新玩法：在对话里给它几个例子，它当场就会——不用训练，例子本身写在对话里。正是这个变化，把AI从专用工具变成通用工具，ChatGPT才在两年后姗姗来迟。

而机器人行业，至今还是“一个任务训练一次”的老模式。教机器人一个新动作，流程是：人遥控着机器人，同一个动作重复几百上千遍，收集数据、训练、微调、部署——工程师跟着耗几周到几个月。

Skild在自家博客里说得直白：机器人，至今还卡在“BERT时代”。

现在，一周之内，三家接连宣布：给机器人看一遍，它直接做。机器人的“看例子”，已经摸到了大模型当年的门槛。

昨晚，英伟达机器人部门总监Jim Fan对Generalist的GEN-1.5评价：这是机器人学的一个伟大日子。

——教机器人，这已经接近人类妈妈教小宝宝做事：看一遍，照着做。

3

ICL路线，成本将断崖式降低

做深ICL方向，Skild得出一句很贵的话：对于教机器人，一段演示视频，抵得上文字说不清的一切。所以呢？VLA以及过往的思路可能都要被颠覆了。

以前教机器人一个新动作，要花多少？Skild算过一笔账：要教会一个中等复杂度的任务，需要几十到几百小时的遥操数据——还得在真实工作环境里一点一点收集。Generalist的数据引擎，光预训练就连续跑了八个多月。

现在这道题的解法，变成拍一段视频。

Skild内部评测：一段人类视频演示的教学效果，约等于380次人工示教。而传统微调要把成功率做到86%，代价是2000次示教。

把账摆在一起看更清楚：教会一个新任务，过去是工程师加几百小时数据；现在是一段视频加几分钟等待。教一个动作的成本，塌掉的不是一个数量级。

当前大热的数据采集赛道或许需要调整方向了？

ICL的出现，并不会让数据采集变得不重要，但可能会从根本上改变数据的采集模式和价值。

不再是孤立动作的重复，而是带有“场景记忆”的情境数据In-Context Data Collection，需要记录下动作的前因后果。Ego数据价值将更为凸显，成为新的数据富矿。至于ICL路线下，数据的标注还重要吗？欢迎评论区讨论。

4

这算“Chat GPT时刻”信号吗？

S1发布后，它的投资方红杉资本直接盖章，称这是“机器人学的ChatGPT时刻”。

这也解开一桩旧悬案：Skild今年1月融了14亿美元、估值140亿美元——是它当时收入的470倍，贵得离谱，没人说得清这笔钱赌什么。现在，答案揭晓一半：他们赌的，就是“看一遍就会”这条路。

这算“信号”吗？算。因为GPT-3当年“看一遍”也只有45%，照样不能用——两年半之后才有ChatGPT。真正该盯的不是今天的数字，是曲线的形状：Generalist透露，他们模型的适应成本是一路自动降下来的，从几百步训练，降到几十步，降到10步，降到1步，现在降到零步。方向只有一个，而且是自己走出来的。

还有没有问题呢？当然有。

第一：这里的“会”，是当场学，不是记住。机器人看完视频照着做，全程模型参数一个没动——像临时抱佛脚，考完全忘。换个新任务，得重新看一遍；今天学会的手艺，不会存进它的“脑子”。Generalist自己也承认，当场学的稳定性还不如微调过的模型。顺带说一句，GPT-3的“看例子”同样是这个性质，所以类比本身没错——但别理解成机器人从此过目不忘。

第二：成绩单全是自报的。S1没有论文、没有公开接口，66%出自自家内部测试的四个任务；GEN-1.5的59%来自十个偏简单的短任务；Zero-WAM的46.95%是在仿真环境里跑出来的。目前没有一家的数字经过第三方复现。

第三：今天，老办法反而更准。传统微调能做到86%的成功率，高于看一遍的66%。而且在训练数据只有1000小时的规模下，老办法还整体领先——文字指令版53%，看视频版只有43%。“看一遍”的优势，要到10万小时的数据规模才显现。

5

“ICL→Interaction→RL→FleetLearning”闭环

同时，我们也要知道，机器人和ChatGPT的根本不同。ChatGPT有90%的正确率在很多场景已经很好用了，但机器人90%的成功率意味着每执行10次就失败一次——在工业场景中几乎无法接受。真正困难的可能不是从0到60%，而是从60%到90%、到99%、到99.9%——后面的每一个“9”都极其艰难。

PI正在做的思路是：World Model + Memory + ICL能不能真正解决跨环境Generalization，Robot-generated Experience + RL能不能把60%自主推到99.9%。

谁先跑通“ICL→Interaction→RL→FleetLearning”这个闭环，谁可能才真正掌握Physical AI的Scaling Engine。

现在只是第一步，当一台机器人学到的Experience能传给100台、1万台、10万台机器人的时候，具身智能的ChatGPT时刻，就真的来了。

文末附上蚂蚁灵波的两条链接，感兴趣的朋友可以自行查看。Enjoy：

论文：https://arxiv.org/abs/2608.26103

项目主页：https://robbyant-research.github.io/Zero-WAM