具身智能上下文学习能力与数据采集潜力研究（10页，2026年）

分类：人工智能

标签：具身智能、上下文学习、ICL、Gen-1.5、S1、Scaling Law、数据采集、Sim2Real

摘要：本报告为兴业证券计算机行业周报，发布于 2026 年 8 月 30 日，覆盖 8 月 24 日至 30 日，全文 10 页，由蒋佳霖、杨本鸿署名。首章为行业周观点，跟踪国产算力、国产大模型与前沿应用的阶段性进展；第二章是全文重心，以「具身智能：ICL 能力达临界，数采潜力巨大」为题，梳理上下文学习在机器人基础模型中的突破与数据采集路线。全文口径以技术论文、厂商发布与公开图表为主，配套 9 张图与 1 张对照表，属于对前沿技术脉络的整理。 第二章第一节以「GPT-3 时刻」类比具身模型的泛化跃升。上下文学习指模型不重新训练、仅凭一两个示例即可理解新任务或重组技能。8 月 19 日 Generalist 发布 Gen-1.5，以 3 到 12 秒单次演示为提示、几秒内学会新任务；8 月 26 日 Skild AI 发布 S1，可完成长达 10 分钟未接触过的任务。成功率对比显示：GPT-3 单样本上下文提示约 45% 的语言任务准确率，Gen-1.5 一次物理提示达 59%，S1 在未见任务上达 66%。已知场景预训练数据突破 1000 小时后 ICL 超越语言提示，10 万小时后分别为

来源：zuudee | 日期：2026-11-06 | 格式：PDF | 页数：10