具身ICL来了创业玩家！上下文成Scaling新赛道

2026-09-06 19:44 量子位 www.qbitai.com 网页快照

具身ICL来了创业玩家！上下文成Scaling新赛道

衡宇发自凹非寺量子位 | 公众号 QbitAI

2020年，GPT-3靠“看几个示例就会新任务”震动了NLP界；六年后的今天，同样的故事正在具身智能领域上演。

8月中旬， Skild AI发布机器人基础模型S1 。只需要给机器人看一遍任务演示视频，它可以在不微调、不做额外post-training的情况下，尝试完成此前没有训练过的新任务。任务时长可达10分钟，包含几十个操作步骤。

Skild在（训练数据）见过的任务和未见过的任务上，对比了ICL视频Prompt和传统的语言Prompt VLA。

测试结果表明，当训练数据只有1000小时时，语言Prompt效果更好，而随着数据规模增加，ICL开始反超。对于未见任务，加入视频context后，模型表现相比只用语言指令提升约7倍。

S1发布的一周之前， Generalist AI发布GEN-1.5，同样把One-Shot Learning作为核心能力。机器人只看一个示范，就能在数秒内学习新任务，无需梯度更新或微调，并支持人类示范到机器人执行、组合泛化和Sim-to-Real迁移。

In-Context Learning（ICL）这条路径，已经在LLM领域被验证、并成为至关重要的一环。

2020年，OpenAI在GPT-3的论文Language Models are Few‑Shot Learners中提出ICL，定义它是一种能力——不给模型做任何参数更新（没有微调、反向传播训练），仅在输入prompt中提供若干任务示例（demonstrations/examples），模型在单次前向推理过程中就能够识别并执行该新任务。

过去三年，上下文从4K扩展到1M，让模型能一口气处理一整本书、一个代码库，背后的主要引擎就是ICL。

与LLM不同，具身模型面对的是视觉观测、语言指令与动作序列交织的复合上下文，且真实任务是非马尔可夫的——“接下来做什么”取决于“几分钟前做过什么”。

简单来说，具身模型面对的上下文是每秒几十帧视觉观测，外加本体状态与动作序列，信息量高出几个数量级。

直到今年7月16日，才有李飞飞、Jim Fan、Yuke Zhu等合著的机器人长上下文策略模型与训练方案 RoboTTT，第一次系统地把“上下文 scaling”这条路线搬到机器人视觉运动策略上。

虽然两家公司仅以成果发布形式展示模型效果，技术细节没有完整公开，但在具身领域，关于ICL讨论度随即骤升。

如果具身智能真的要沿着Long Context和ICL继续往前走，机器人究竟要怎样理解如此复杂的上下文？示范、语言、历史动作甚至人的纠正，又该怎样进入模型？

于是，我们找到了可可矩阵（COCO Matrix），一家致力于把In-Context Learning做成具身智能的底层范式的国内创业公司。

不过创始人兼CEO高宇翔告诉我，今年1月深入讨论创业相关事宜时，他和自己的co-founder就一致认为是时候着手押注ICL了。

高宇翔今年30岁，西安交大少年班出身，约翰斯·霍普金斯大学（JHU）博士辍学，在读期间做人机交互研究。

高宇翔说，GPT-3展现出上下文学习能力时，还在JHU读博的他就已经在琢磨，这种“不给参数更新、只看示例就会新任务”的能力能不能搬到机器人身上？

这期间，高宇翔在傅利叶带队打通了全尺寸人形机器人从遥操作、数据采集到模型部署的完整链路，并在2025年5至8月用一百多万成本，在全尺寸双足人形上训练出具备一定泛化能力的世界模型。

与Generalist、Skild不一样，可可矩阵的思路是把后训练的ICL前置到预训练阶段。

于是，围绕具身ICL的技术进展、落地难题与行业争议等，我与高宇翔在上海进行了一场深度对谈。

为什么具身智能需要换一条Scaling路线？

量子位：过去很长一段时间，具身智能都沿着大模型的路线Scale数据。大家为什么相信，堆更多数据就能把机器人能力Scale起来？

早期像ACT、Diffusion Policy这些方案跑通之后，基本解决了behavior cloning、模仿学习的很多核心问题。

当时大家很自然地延续大语言模型的成功逻辑，只要持续扩充数据，数据量积累到一定阈值，模型就能涌现出通用能力，最终实现全方位的任务适配。

放在当时的行业环境里这个思路本身没有问题，所以整个行业都开始全力规模化扩充数据。

高宇翔：针对单一任务，现在采集两百条左右的数据，就可以把任务拟合得很好，一个新任务从演示到模型适配，大概十八个小时就能完成。

同时，具身数据本身也很难Scale。遥操作数据的质量并不统一，物品和场景多样性有限，单纯依靠这类数据，很难提供足够丰富的感知覆盖。

高宇翔：早期很多VLA沿用了LLM、VLM的预训练体系，但面向物理世界时，原有视觉表征很难同时覆盖机器人需要的不同层级信息，因此不少方案需要不断拼接不同的视觉模块。

这套路线在很多场景下依然有效，但过去一年多大家逐渐发现，继续沿着原有VLA范式叠数据、叠模块，后续能力提升会越来越困难。

具身智能Scaling路线的新尝试

过去更关注模型在训练阶段见过多少数据、学会多少任务。现在大家开始问另一个问题，机器人到了一个从来没有见过的新环境、新任务里，能不能利用当前的Context快速学会。

像 RoboTTT 这类工作，在尝试解决更长历史信息的编码、压缩和利用，让机器人能够持续参考更长时间的视觉和动作Context。

Generalist AI、Skild AI最近展示的One-Shot能力更进一步。给机器人看一次任务示范，它就可以基于这段Context快速适配新任务，不需要为每个任务重新做完整的微调或训练。

除了继续Scale模型、数据和任务覆盖之外，机器人在部署之后还能不能继续学习，能不能从示范、历史经验和交互过程中快速获得新能力，也开始成为一个新的Scaling方向。

LLM验证过的Scaling逻辑，怎么到了具身领域这么难？

量子位：同样是ICL，具身领域的难度好像比语言模型领域的难度高很多……到底复杂在哪些地方？

这种复杂性主要集中在两大维度，一是模型本身的输入输出与技术架构问题，二是数据体系的先天短板问题。

机器人在不同任务、不同动作阶段，需要的信息层级并不一样。它既要理解“这是什么”这样的高层语义，也要获得位置、深度、轮廓等和动作直接相关的精细空间信息。

这也是早期很多VLA需要同时拼接DINO、CLIP这类不同视觉模型的原因。单一视觉编码器很难完整覆盖机器人需要的信息。

语言对机器人来说远远不够。视觉可能承担大部分信息，但触觉、听觉、本体感知同样会影响动作。

问题在于这些模态的数据量差异非常大，目前视觉和语言还能依靠海量数据做预训练对齐，触觉、声音和本体状态的数据规模远远没有达到这个程度。

机器人执行的是连续任务，它需要知道之前发生过什么，还要判断过去哪些信息和现在有关。这个过程涉及历史信息的压缩、筛选、提取和长期保留。

实际上，这些支撑机器人长时记忆的基础技术，也就是最近半年左右才开始出现比较明显的进展。

从固定窗口到流式记忆量子位：上个月底Skild‑AI的S1模型支持最长10分钟级别的长任务示范。对比Generalist GEN‑1.5的one‑shot ICL示范视频仅3‑12秒，放在30s窗口内完成现学现用。

如果一段10分钟的视频里都是重复动作，没有新的任务信息，那它对模型来说并不是高质量Context。

人做一遍新任务，机器人看完后，在当前场景里按照这个任务再完成一次，这种One-Shot Adaptation的信息密度就很高，因为里面包含了完整的新任务逻辑、动作和场景信息。

相反，如果10分钟只是很多重复动作，或者是几个简单小任务拼起来，它的学习价值反而有限。

量子位：所以Long Context的重点，也不是把固定窗口从一分钟硬拉到十分钟？

真实机器人任务里，很多有效Context可能也就是两三分钟。单纯让机器人每次都重新看完整的十分钟历史，没有太大必要。

更重要的是新的Context不断进入以后，模型能够持续筛选和压缩历史信息。有些最后保留下来的有效信息可能来自十分钟前，也可能来自一小时前。

最终希望做到机器人可以持续工作、持续利用过去经验，而不会因为固定Context Window耗尽，一到下午就把早上学到的东西全部忘掉。

量子位：但模型本身的显存和Context容量毕竟有限，这种长期Memory具体怎么解决？

模型如果真的理解当前任务，就会更清楚历史里哪些信息重要、哪些信息可以丢掉。所以Memory并不只是压缩问题，也和模型理解能力有关。

另一个是对长时序产生的大量KV Cache做压缩，既要保证实时性，也要控制显存消耗。

这方面大语言模型和视频生成已经有不少可以借鉴的技术路线，比如Linear Attention、Sparse Attention，还有基于Routing的关键信息筛选。

我觉得Long Context最后解决的并不是“能塞进去多少东西”，而是有限的模型容量下，能不能一直保留和调用真正有用的历史经验。

目前ICL还缺什么样的数据？

高宇翔：ICL降低的主要是对“海量任务全覆盖数据”的依赖，但基础数据的数量和多样性依然很重要。

在UMI这类本体中心数据逐渐普及之前，行业很难获得以机器人自身动作、本体视角为核心的高质量数据。随着这类数据越来越多，模型才开始具备比较扎实的基础操作能力。

它更像是让机器人不必为每一个新任务都重新采集大量专项数据，但前提仍然是模型已经建立起足够好的基础能力。

如果希望机器人能够接受人的实时指导，做错之后被及时纠正，甚至和人一起完成任务，模型就需要见过大量类似的交互过程。

比如人类手把手教机器人时，哪些信息需要记录，纠错发生在哪个时间点，人的动作、语言和机器人的反馈应该怎么对齐，这些都还缺少统一标准。

所以我们后续也会重点去定义这类人机教学交互数据，包括应该采什么、怎么采，以及怎么把它用于ICL训练。

△图片由AI生成

“强理解，轻生成”

高宇翔：一开始我们判断，光是把模型的理解能力这一块打磨出来，可能就需要两三个月。但核心团队到齐之后，不到一个月，我们已经拿到了足以验证技术方案可行性的核心证据。

现在这部分技术路线基本已经跑通，下一阶段主要是在Scale数据，继续扩量、精炼数据，把模型能力往上推。

我们现在最核心的判断是“机器人后面的动作生成能不能做好，很大程度取决于前面到底有没有把物理世界理解清楚”。

传统视觉表征通常是一帧图像对应一个固定Embedding。无论机器人现在想做什么，看到这张图后提取出来的信息基本是固定的。

但机器人执行任务不是这样。同一张画面，在不同任务、不同动作阶段里，需要的信息完全不同。

比如抓一个杯子。刚开始我更关心它是不是杯子，这是语义信息；真正伸手抓的时候，我更关心它的位置、深度、轮廓和空间关系。

所以我们认为一个适合机器人的视觉表征，不应该只由“我看到了什么”决定，还应该由“我现在想做什么”共同决定。

部分任务的能力已经能够接近上一代专门为单任务训练的模型，后面主要继续通过数据把它往当前SOTA推。

高宇翔：因为现在很多机器人模型的问题，是前面的表征里混进了太多和动作无关的信息。

比如桌面到底是木纹还是大理石，这对我要不要抓这个杯子基本没有帮助，但传统视觉Embedding里，这些纹理、材质信息都会一起被编码进去。

那后面的Action Head就得非常大，自己从一堆混合信息里把真正和动作有关的东西筛出来。

我们做过一个比较极端的实验。在同样的训练设置和算力下，把动作头压到大约60M参数，效果依然可以超过一个动作头达到1.1B左右的对照方案。

所以现在更相信“强理解、轻生成”这个方向。如果前面的视觉理解足够准确，后面的动作解码其实没有必要设计得特别重。

很多人类视频、生成视频，本身没有机器人动作标注，所以大家会训练一个隐变量，去表示帧与帧之间发生了什么变化，把它当成一种“替代动作”。

一种是只要从第一帧能够推到第二帧，就认为中间的变化包含动作信息；另一种是通过光流，把像素在空间里的变化作为动作表征。但这些方案都有问题。

比如光流很稠密，但很难区分到底是相机在动，还是机器人、人物本身在动。人体关键点相对更稳定，不太受相机运动影响，但它的信息又比较稀疏。

现在会把人类手部关键点、全身关键点、光流等多种和动作相关的预测任务放进同一个条件表征模型里训练，让不同信息彼此补充。

我们更希望模型能力的提升来自数据和训练任务本身，而不是不断在结构上做复杂修改。

成功率之外，怎么衡量机器人的学习能力？量子位：现在可可基础模型的One-Shot能力，大概做到什么水平？

高宇翔：目前比较明确的是简单任务。比如常规抓取类任务，在临时改变目标、做One-Shot Adaptation之后，完成率可以稳定在80%以上。

我们现在不仅仅是单独看One-Shot成功率，还要看它和专项Post-training后的能力差距有多大。

理想状态下，机器人只看一次示范、在Context里完成快速适配之后，效果应该尽可能接近针对这个任务专门训练出来的模型。

量子位：主攻One-Shot的同时，为什么还去做Self-Correction？

但失败以后，你会知道哪里出了问题，下次会针对性调整。我们希望机器人也有这种能力。

第一次执行失败之后，模型会重新利用这段失败轨迹，判断哪里需要修正，再进行下一次尝试。

△图片由AI生成

所以Self-Correction其实也是In-Context Learning的一种形态。Context不只来自别人给出的示范，也可以来自机器人自己刚刚经历过的失败。

我们的目标是即使第一次没有完成任务，机器人也能通过后续几次自主尝试和纠正，最终完成任务。

量子位：假如——我是说假如——如果机器人可以不断试错，那以后“成功率”是不是也不够用了？

如果机器人能够持续尝试、持续Self-Correction，那么单纯问“一次任务成功率是多少”，意义会越来越有限。

但像叠衣服，甚至把衣服叠成大象、天鹅这种，人类自己可能也需要几个小时学习。那我们希望机器人的学习周期，至少可以逐渐接近正常人的培训周期。

如果这套能力成立，一个地方、一台机器人学会的新技能，后面也可以被其他机器人继续复用。

所以以后衡量机器人智能，可能不只是看它已经会多少任务，还要看它学会一个新任务到底需要多久。

为什么要自己创业？

高宇翔：对，我本科在西安交大少年班，最开始做自动驾驶，大概2016年前后开始转向机器人。

那个时候我就觉得，机器人这个问题比自动驾驶更复杂，它同时涉及硬件、算法和数据，而且要解决的场景更多样。

这几年我较早参与打通了全尺寸人形机器人的遥操作、数据采集到模型部署这一整套流程，也参与了一些大规模VLA训练。

后来我们又在内部做了基于世界模型的全尺寸人形机器人Policy，也验证了世界模型确实可以驱动全尺寸人形机器人，并且在一些特性上表现出和传统VLA不同的优势。

如果继续在原来的组织里做，我很难拿到足够集中的资源，也很难围绕这个方向重新搭一支足够强的模型团队。

还有一个很现实的原因，就是我的联创不可能直接加入原来的团队。但我们真正确定要做这个方向之后，我觉得最合适的合作对象只有她。

她长期在学术侧研究机器人泛化、学习能力和ICL，我这边刚好有比较完整的工业界经验，包括本体、数据、模型训练、场景和上下游资源。

高宇翔：联创主要负责整体技术路线和核心研发方向；我会更多负责上下游硬件、场景、数据、算力这些问题。

我踩过很多数据Scale、遥操作数据、第一视角数据、模型部署相关的坑，所以现在更清楚什么样的数据适合什么样的模型，也知道不同数据来源分别应该在训练里发挥什么作用。

量子位：最后聊一下公司名字吧～你们的名字和市面上大多数具身公司的名字画风蛮不一样的。

高宇翔：COEXIST、COWORK、COLLABORATE、COEVOLVE，这就是我们公司名字的由来。

[1]https://www.linkedin.com/in/yuxiang-gao-268084114/

[2]https://scholar.google.com/citations?user=CICgPz8AAAAJ&hl=en

Claude最强Fable 5.1发布！8项屠榜，最高降价45%，反蒸馏机制上线 2026-09-02

OpenAI买几万台Mac搞强化训练！英伟达的活被苹果抢了 2026-08-31

不是Demo！优必选把客户产线1:1搬进WRC，解锁具身智能真落地路径 2026-08-22

写2000字提示词，不如先生成3D白模！AI视频创作进入“预演时代” 2026-08-19

具身ICL来了创业玩家！上下文成Scaling新赛道