Skild AI:s S1 lär robotar från en enda video, utan finjustering

Skild AI:s S1 lär robotar från en enda video, utan finjustering

Skild AI presenterade S1, en grundmodell för robotik som lär sig nya, långa fysiska uppgifter — upp till tio minuter och dussintals steg — från en enda video filmad ur mänskligt perspektiv, helt utan efterträning [4]. På uppgifter utanför träningsdatan nådde S1 en 66-procentig framgångsgrad per steg, jämfört med 9% för en språkstyrd VLA-baslinje. En enda demonstrationsvideo gjorde jobbet motsvarande cirka 380 efterträningsepisoder [5].

Det här är "visa, inte berätta"-ögonblicket för kroppsburen AI (embodied AI). Uppgifter som att plantera en blomma, hälla upp kaffe eller montera en byggsats demonstrerades med spontan felåterhämtning — roboten anpassade sig när något gick fel mitt i uppgiften, utan att uttryckligen ha tränats för det [6]. Det är den typen av generalisering som robotikbranschen har jagat i ett decennium.

Beskrivningen som cirkulerar — ett "GPT-3-ögonblick för robotik" — är inte överdrift. Att videobaserat inkontextlärande skalar bättre än språkstyrning vid stora förträningsvolymer antyder att flaskhalsen för allmänna robotar aldrig var beräkningskraft, utan gränssnittet. Mata modellen med demonstrationer, inte beskrivningar.

OpenAI slutför förträningen av 'Bel', en grundmodell med 10 biljoner parametrar för GPT-6

Rapporter den 25 augusti avslöjade att OpenAI har slutfört förträningen av "Bel", en intern modell med över 10 biljoner parametrar och efterträdare till den tidigare kontrollpunkten "Doug" [7]. Bel positioneras som grunden för både Astra, OpenAIs cybersäkerhetskapabla system, och den kommande GPT-6 — och beskrivs av vissa som en potentiell grundmodell vid AGI-tröskeln [8].

Läckta detaljer pekar på en accelererande strategi för beräkningskraft och chip som enligt uppgift överträffar Anthropics förmåga att svara i samma takt i år [9]. Oavsett om "AGI-tröskel" håller för granskning eller inte är det beskrivna gapet i beräkningskraft verkligt och det växer.

För alla som bygger ovanpå toppmoderna API:er är detta en påminnelse om att marken fortfarande skiftar snabbt högre upp i kedjan. Vad du än orkestrerar idag får en kapacitetsuppgradering du inte bad om imorgon — planera din arkitektur för det, inte mot det.

Revolut satsar stort på egenutvecklad AI med ny forskningsavdelning

Revolut lanserade Revolut Research den 25 augusti, en dedikerad avdelning som bygger egenutvecklade grundmodeller för finanssektorn, vilket ligger till grund för dess PRAGMA-modell som utvecklats tillsammans med Nvidia [10]. De tidiga siffrorna är starka: 2,3 gånger bättre träffsäkerhet i kreditrisk, 65% mer upptäckt bedrägeri med en precisionsökning på 17%, och 41% mer relevanta rekommendationer bland sina 80 miljoner kunder [11].

Det här är en "bygg, snarare än sätt på ovanpå"-satsning från ett företag som lätt hade kunnat fortsätta finjustera någon annans grundmodell. Istället behandlar Revolut egenutvecklad AI som kärninfrastruktur, inte en leverantörsrelation — en hållning som fler reglerade branscher kommer att tvingas anta i takt med att generiska LLM:er slår i taket för noggrannhet på domänspecifika risk- och bedrägeriuppgifter [12].

Det är också en signal med Nordisk relevans att hålla ögonen på: fintechbolag med genuina datamoat väljer allt oftare att äga modellen framför att hyra andras omdöme.

Vad detta betyder för ditt företag

Tre av dagens fyra globala nyheter är egentligen en och samma berättelse: kostnaden och svårigheten att bygga toppmodern AI kollapsar, medan värdet av att veta vad man ska bygga med den ökar. GLM-5.3-Flash ger vilket team som helst kapacitet i klass med Claude Opus till en bråkdel av kostnaden, på hårdvara ingen trodde skulle spela så stor roll så snart. Skilds S1 visar samma mönster i en fysisk domän — modellen gör mer med mindre handledning, vilket innebär att det mänskliga arbetet skiftar från "lär den varje steg" till "visa den hur bra ser ut och bedöm resultatet". Bel visar att den tekniska fronten inte saktar in trots att kostnadsgolvet sänks.

Revoluts drag är den praktiska spegelbilden av allt detta: de väntade inte på att en leverantör skulle lösa bedrägeridetektering för fintech, de byggde omdömeslagret själva eftersom generiska modeller inte förstår din riskprofil. Det är det mönster varje seriöst AI-nativt företag kommer att möta de kommande 18 månaderna — billiga, kapabla grundmodeller blir en handelsvara, och differentieringen flyttas helt till hur väl du orkestrerar, finjusterar och tillämpar omdöme ovanpå dem.

Om ditt team fortfarande mäter AI-strategin efter vilken modell ni "använder" ställer ni fel fråga. Den verkliga frågan är vilken egen data, vilket arbetsflöde och vilket omdöme ni bygger runt allt mer utbytbara öppna modeller — för som GLM-5.3-Flash just bevisade omfattar "utbytbar" nu prestanda nära den tekniska framkanten till flash-pris.

Viktigaste slutsatsen: Modellerna blir gratis och snabba; omdömet om vad man ska bygga, vad man kan lita på och vad man ska orkestrera är det enda som återstår att konkurrera med.