Skild AI、ロボット基盤モデル「S1」の操作結果を公開 - 動画を1本見せると未学習のタスクを実行と主張

ロボティクスの Skild AI が、基盤モデル S1 のマニピュレーション（操作）結果をブログで公開した¹。同社は S1 を「イン・コンテキスト学習器」として一から設計したとし、タスクの長短や事前学習の有無にかかわらず、動画を見せれば実行できると説明している¹。

特徴は、タスクの伝え方が言語ではなく 動画のデモンストレーションである点だ¹。幅広いタスクを混ぜて事前学習させると、モデルは実演者が何をしようとしているかを読み取るほかなくなり、結果として重みを1組持つだけで学習外のタスクにも追加の調整なしに対応できる——というのが同社の説明で、ブログには「ファインチューニングもポストトレーニングもしていない」とも書かれている¹。同社が対比させる従来のやり方では、新しいタスクを安定してこなすたびに数時間分のデータ収集と専用ポリシーの調整が要り、中程度の複雑さのタスクになると、実運用の条件で集めたポストトレーニング用データが数十時間から数百時間の規模を必要としたという¹。

同社は、事前学習で一度も見ていない最長10分の長時間タスクでイン・コンテキスト学習を示したロボット基盤モデルはこれが初めてだと位置づけている¹。第三者による検証結果ではない点には注意がいる。訓練方法については、今後の記事で詳述するとしている¹。

Sources

1. Introducing S1: In-Context Learning for Robotics - Skild AI公式ブログ