Uns wurde der „iPhone-Moment“ der Robotik schon so oft versprochen, dass er in der Branche fast schon zum Running Gag mutiert ist. Doch ab und zu taucht etwas auf, das selbst die abgebrühtesten Tech-Optimisten dazu zwingt, genauer hinzuschauen. Diesmal geht es um einen Roboter, einen Pfannenwender und einen Pfannkuchen. Skild AI, das absurd hoch finanzierte Startup, das inzwischen mit über 14 Milliarden Dollar bewertet wird, hat soeben S1 vorgestellt – ein Foundation-Modell, das komplexe, zehnminütige Aufgaben allein durch das Anschauen eines einzigen Videos erlernen kann. Kein mühsames Fine-Tuning, keine monatelange Datensammlung, keine Armee von Teleoperatoren. Einfach zuschauen und nachmachen.
Als ihr Roboter zum ersten Mal fehlerfrei einen Pfannkuchen wendete, tat das Team von Skild das, was jeder seriöse Ingenieur tun würde: Sie hielten es für einen Bug. Zwei Tage lang durchforsteten sie ihren Trainingsdatensatz von einer Million Stunden, fest davon überzeugt, dass sich irgendwo heimlich Daten zum Frühstückmachen eingeschlichen hatten. Sie fanden nichts. Der Roboter hatte generalisiert; er hatte die Aufgabe des „Wendens“ – die so gar nicht in seinen Trainingsdaten vorkam – aus einem einzigen Video-Prompt abgeleitet. Das war nicht bloßes Nachäffen, sondern ein Funke physischen gesunden Menschenverstands.
Das Ende der Fine-Tuning-Tyrannei
Jahrelang war es eine Sisyphusarbeit, einem Roboter eine neue Aufgabe beizubringen. Ein Unternehmen musste oft 50 bis 100 Stunden damit verbringen, Daten zu sammeln und das Modell mühsam feinjustieren, nur damit es einen einzigen neuen Job halbwegs zuverlässig erledigte. Genau dieser teure und zeitfressende Flaschenhals hat Allzweck-Roboter bisher in den Forschungslaboren gefangen gehalten. Skilds S1 präsentiert nun eine radikale Alternative, die auf demselben Prinzip basiert, das ChatGPT zum globalen Phänomen gemacht hat: In-Context Learning.
Anstatt ein Modell mühsam neu zu trainieren, zeigt man ihm einfach ein Beispiel direkt im Prompt-Fenster. Bei einem LLM ist das ein Textbeispiel. Bei S1 ist es ein Video aus der Ich-Perspektive eines Menschen, der die Aufgabe ausführt. Das Modell wurde mit einer gigantischen Diät aus Internet-Videos, Simulationen und realen Teleoperationsdaten vortrainiert, wodurch es ein allgemeines Verständnis für physische Interaktionen entwickelt hat. Von diesem Punkt an reicht eine einzige Demonstration aus, um eine neue Fähigkeit freizuschalten – egal, ob es darum geht, eine Pflanze einzutopfen, ein Hygieneset zusammenzustellen oder einen Pour-Over-Kaffee aufzubrühen.
„Dieses Konzept nennt sich In-Context Learning. Es ist genau der Sprung, der den Unterschied zwischen Forschungsprojekten wie GPT-1 und revolutionären Produkten wie ChatGPT ausmacht“, erklärte das Unternehmen in seinem Ankündigungsvideo. „Man platziert eine Demonstration im Kontextfenster… und das Modell gibt die Roboter-Aktionen aus, um die Aufgabe zu vollenden.“
Dieser Ansatz funktioniert nicht nur, er stellt die alte Arbeitsweise komplett in den Schatten. Bei Aufgaben, die dem Modell bereits vertraut sind, liefert S1 eine Performance auf Augenhöhe mit traditionellen Vision-Language-Action (VLA) Modellen. Doch bei völlig neuen, nie zuvor gesehenen Aufgaben ist der Unterschied geradezu schwindelerregend.
Die Skalierungsgesetze physischer Intelligenz
Die wahre Magie passiert bei der Skalierung. Skild hat eine Grafik veröffentlicht, die eigentlich an der Wand jedes Robotik-Labors hängen sollte. Sie zeigt: Mit zunehmender Menge an Vortrainingsdaten schießt die Fähigkeit von S1, neue Aufgaben per In-Context Learning zu bewältigen, förmlich in die Höhe, während klassische, sprachbasierte VLAs kaum noch Fortschritte machen.
Nach 100.000 Stunden Vortraining erreicht S1 eine Erfolgsquote von 66 % bei Aufgaben, die nicht in den Trainingsdaten enthalten waren. Das sprachbasierte VLA-Modell? Kümmerliche 9 %. Das ist keine kleine Verbesserung, das ist ein Quantensprung. Es deutet darauf hin, dass es für die Robotik – genau wie für große Sprachmodelle – berechenbare Skalierungsgesetze gibt. Füttert man das System mit genug Daten, entstehen völlig neue Fähigkeiten. Das Modell wird nicht nur besser, es wird intelligenter.
Diese Intelligenz ist zudem erstaunlich robust. Skild demonstriert, wie S1 auf Störungen reagiert, nach Fehlern improvisiert und sogar Fehler korrigiert, die der Mensch im Demovideo gemacht hat. Es kann damit umgehen, wenn Objekte verschoben oder ausgetauscht werden, was auf ein tiefes Verständnis hindeutet, das weit über das bloße Abspulen eines vorgegebenen Pfades hinausgeht.
Vom Labor-Demo zur industriellen Realität
Wäre dies nur ein weiteres Universitätsprojekt, wäre es interessant. Aber Skild AI ist ein kommerzielles Schwergewicht, hinter dem Namen wie SoftBank, NVIDIA und Jeff Bezos’ Bezos Expeditions stehen. Mit einer Bewertung von 14 Milliarden Dollar und einem gemeldeten Umsatz von 30 Millionen Dollar in nur wenigen Monaten des vergangenen Jahres ist das hier keine bloße Spielerei. Es ist die Produktankündigung eines Unternehmens, das bereits Partnerschaften mit Erstausrüstern (OEMs) pflegt und hunderte Roboter im Einsatz hat.
Dies ist der nächste logische Schritt in ihrer Mission, ein universelles Translation not available (de) zu erschaffen. Wir haben bereits gesehen, wie sie Robotern das Translation not available (de) beibringen, aber S1 markiert einen fundamentalen Wandel in der Art und Weise, wie wir diese Systeme einsetzen. Das Ziel ist es, die Ökonomie der Automatisierung zu verändern und sie für kleine Betriebe, Krankenhäuser und Supermärkte zugänglich zu machen – Organisationen, die es sich nicht leisten können, einen eigenen Robotik-Doktoranden für das Umprogrammieren ihrer Maschinen einzustellen.
Natürlich gibt es Vorbehalte. Die Benchmarks sind intern, und Skild hat bisher weder ein technisches Paper noch eine API oder die Modellgewichte veröffentlicht. Aber die Videos sind beeindruckend und das geschäftliche Momentum ist nicht zu leugnen. Die Ära von „ein Roboter, eine Aufgabe“ könnte tatsächlich ihrem Ende entgegengehen. Mit S1 argumentiert Skild, dass die Zukunft der Robotik weniger mit Programmieren und viel mehr mit Zeigen zu tun hat. Und alles begann mit einem Pfannkuchen.