Robo 科普｜ VLA剛成主流就遭遇“世界模型”挑戰(zhàn)？

“理解世界，并非模仿。”

編輯｜云瀾

出品｜Robo Venture

在過去的2025年，VLA（視覺-語言-動作模型）幾乎是具身智能的“唯一答案”。特斯拉、Figure、智平方、自變量——所有明星玩家都沿著這條端到端路線狂奔。

但這個(gè)標(biāo)準(zhǔn)答案的生命周期，比想象中短得多。

3月底，塔夫茨大學(xué)一篇論文在圈內(nèi)炸開。漢諾塔任務(wù)上，神經(jīng)符號模型（NSM）以95%的成功率碾壓VLA的34%；當(dāng)任務(wù)升級到從未訓(xùn)練過的4塊版本時(shí)，VLA全軍覆沒，而NSM依然保持78%。更讓資本后背發(fā)涼的是VLA微調(diào)消耗的能量是NSM訓(xùn)練的近100倍。

VLA與NSM實(shí)驗(yàn)比較（清華大學(xué)數(shù)據(jù)科學(xué)研究院數(shù)據(jù)派）

如果說學(xué)術(shù)數(shù)據(jù)還只是預(yù)警，那么產(chǎn)業(yè)巨頭的動作則徹底把路線之爭推到了臺前。4月2日，英偉達(dá)發(fā)布物理AI模型Cosmos和GR00T，明確將“世界模型”作為下一代具身智能的核心方向。幾乎同時(shí)，Google DeepMind與波士頓動力深度合作，將Gemini Robotics植入Atlas機(jī)器人。

一邊是神經(jīng)符號模型擊穿VLA的泛化短板，另一邊是英偉達(dá)、DeepMind重注世界模型。具身智能正站在技術(shù)路線的十字路口。VLA的端到端范式能否進(jìn)化出真正的推理能力？還是必須回歸符號邏輯與神經(jīng)網(wǎng)絡(luò)的融合路線？

#01

學(xué)術(shù)之爭還是生存之爭

這場路線之爭的導(dǎo)火索，來自塔夫茨大學(xué)團(tuán)隊(duì)的一篇論文。在經(jīng)典的漢諾塔任務(wù)中，研究團(tuán)隊(duì)設(shè)計(jì)了一場“公平對決”：一方是當(dāng)前最先進(jìn)的開源VLA模型π0，另一方則是結(jié)合了PDDL符號規(guī)劃與擴(kuò)散策略的神經(jīng)符號模型（NSM）。結(jié)果則是3塊任務(wù)上，NSM成功率高達(dá)95%，而VLA僅為34%；當(dāng)任務(wù)升級到從未訓(xùn)練過的4塊版本時(shí)，VLA全軍覆沒，NSM仍然保持了78%的成功率。

更耐人尋味的是數(shù)據(jù)效率的差距。VLA消耗了300個(gè)完整的漢諾塔軌跡進(jìn)行訓(xùn)練，而NSM只用了50個(gè)簡單的“堆疊”演示，從未見過完整的漢諾塔求解過程。與此同時(shí)，VLA微調(diào)消耗的能量是NSM訓(xùn)練的近100倍，這篇題為《The Price Is Not Right》的論文將于5月在維也納國際機(jī)器人與自動化會議上正式發(fā)表。

學(xué)術(shù)研究還只是預(yù)警，產(chǎn)業(yè)巨頭的密集動作則把路線之爭推向了臺前。

4月2日，英偉達(dá)在GTC大會上發(fā)布Cosmos 3和GR00T N1.7，明確將世界模型作為下一代具身智能的核心方向。幾乎同時(shí)，Google DeepMind與波士頓動力達(dá)成深度合作，將Gemini Robotics模型植入Atlas機(jī)器人——這等于給行業(yè)畫了一條明確的路線。

學(xué)術(shù)派同樣在行動。李飛飛的World Labs完成10億美元新融資，推出3D世界模型Marble；楊立昆的AMI Labs種子輪超10億美元。另一邊，VLA路線的玩家也沒有停下：Figure AI推出第二代Helix 02，智平方手握近5億元工業(yè)訂單，元戎啟行VLA已上車近10萬輛。有趣的是，英偉達(dá)在定義GR00T N1.7時(shí)，同時(shí)使用了“VLA”和“世界模型”兩個(gè)標(biāo)簽，他不認(rèn)為二者互斥，而是在同時(shí)押注兩條路線，甚至試圖把它們縫合在一起。

#02

“世界模型”好在哪里

簡單來說，世界模型是智能體為了理解和預(yù)測環(huán)境而構(gòu)建的內(nèi)部表征。一個(gè)訓(xùn)練好的世界模型，不僅能預(yù)測“下一個(gè)畫面”是什么，更能理解一個(gè)球被拋出去會如何下落，機(jī)器人手臂抬起杯子時(shí)液體是否會灑出。這正是Yann LeCun反復(fù)強(qiáng)調(diào)的核心，只有具備了像人類一樣“預(yù)測未來”的能力，AI才能進(jìn)行復(fù)雜的規(guī)劃。

對比VLA與“世界模型”，則會看到VLA的底層邏輯是“看多了就會做”，通過海量真實(shí)數(shù)據(jù)學(xué)習(xí)從感知到動作的端到端映射。而世界模型的底層邏輯則是“想明白了再做”，先在大腦中理解世界的運(yùn)行規(guī)律，再據(jù)此規(guī)劃行動。

對比VLA與世界模型

從技術(shù)本質(zhì)上看，VLA集成了視覺感知、語言理解和動作生成，將感知輸入直接映射為控制動作，類似于模仿人類“看到→理解→行動”的過程，但被認(rèn)為缺少對物理世界的結(jié)構(gòu)化理解。而世界模型則從感官數(shù)據(jù)中學(xué)習(xí)和預(yù)測運(yùn)動、力以及空間關(guān)系等動態(tài)特性，從根本上理解物理世界中事物的性質(zhì)、運(yùn)行規(guī)律和空間特性。

在泛化上， VLA面對未見過的場景變體時(shí)極易失效；但世界模型由于掌握了底層規(guī)律，在面對新場景時(shí)能夠舉一反三；數(shù)據(jù)策略中，VLA嚴(yán)重依賴昂貴且稀缺的真機(jī)數(shù)據(jù)，這類數(shù)據(jù)由人工操作機(jī)器完成采集，而世界模型更多轉(zhuǎn)向互聯(lián)網(wǎng)上的圖像和文字?jǐn)?shù)據(jù)，這些數(shù)據(jù)記錄了大量的物理規(guī)律。英偉達(dá)Cosmos WFM的核心價(jià)值恰恰在于加速合成數(shù)據(jù)生成，并將其作為后訓(xùn)練的基礎(chǔ)，開發(fā)下游物理AI模型來解決訓(xùn)練數(shù)據(jù)不足的挑戰(zhàn)；在模擬與訓(xùn)練效率上，世界模型就像一個(gè)高效的“數(shù)據(jù)引擎”和“思維預(yù)演器”，能讓機(jī)器人在虛擬世界中以10到100倍的效率進(jìn)行學(xué)習(xí)和自我進(jìn)化，大幅降低真實(shí)數(shù)據(jù)采集的成本和時(shí)間。

似乎世界模型在眾多方面都優(yōu)于VLA？難道VLA路線就這樣被堵住了嗎？

競爭的本質(zhì)和未來入場券

但兩條路線的商業(yè)化節(jié)奏，似乎不在同一個(gè)時(shí)鐘上。

VLA路線的邏輯是“先跑起來”。Figure AI的Helix 02、智平方的GOVLA、元戎啟行的量產(chǎn)上車，都是在工業(yè)制造、物流分揀、輔助駕駛等“環(huán)境相對可控、任務(wù)模式固定”的場景中率先落地。這條路的優(yōu)勢在于短期可見的收入和訂單——智平方手握近5億元工業(yè)訂單，元戎啟行VLA已上車近10萬輛。對投資人來說，這是看得見的現(xiàn)金流和ROI。

世界模型路線的邏輯則是“先想明白”。極佳視界用世界模型生成了90%以上的訓(xùn)練數(shù)據(jù)，讓機(jī)器人在虛擬世界中以10到100倍的效率進(jìn)行學(xué)習(xí)；流形空間的WorldScape模型則致力于補(bǔ)齊世界模型落地到物理AI的最后一塊拼圖。這條路的前期投入大、商業(yè)化周期長，但一旦跨過能力閾值，泛化能力的邊際成本趨近于零。

和當(dāng)下的爭論類似，大語言模型也經(jīng)歷過選擇押注的尖峰時(shí)刻。Minimax的創(chuàng)始人閆俊杰在2023年力排眾議押注MoE架構(gòu)，經(jīng)歷了兩次失敗后第三次才成功。試驗(yàn)成功讓Minimax實(shí)現(xiàn)用OpenAI 1%的成本實(shí)現(xiàn)了95%的性能，破解了高性能、低成本與商業(yè)化的三角難題。而后，Minimax被貼上了國內(nèi)首個(gè)MoE大模型標(biāo)簽，在大規(guī)模商業(yè)化部署上也實(shí)現(xiàn)了突破，這種極低的訓(xùn)練和推理成本讓市場擴(kuò)張獲得很大的比較優(yōu)勢，也造就了海外收入占比超70%的結(jié)果。后來，Minimax C輪融資近3億美元，在2026年1月港交所上市，截至4月7日收盤，市值2978億港幣。MoE架構(gòu)已成為行業(yè)共識，取代了稠密架構(gòu)。

本體企業(yè)靠量產(chǎn)規(guī)模撬動飛輪，重腦企業(yè)靠模型和數(shù)據(jù)構(gòu)筑壁壘，兩者“是完全相悖的商業(yè)邏輯”。用同一把尺子去丈量兩種不同路線的公司，本身就是一種誤讀。

2026年將是具身智能公司從“技術(shù)研發(fā)導(dǎo)向”轉(zhuǎn)向“企業(yè)經(jīng)營與運(yùn)營能力”的關(guān)鍵一年。無論是選擇VLA、世界模型還是融合路線，最終都要回到一個(gè)核心命題——你的技術(shù)能否在真實(shí)場景中創(chuàng)造真實(shí)價(jià)值。

對于VC，這是一個(gè)考驗(yàn)技術(shù)判斷力而非跟風(fēng)能力的時(shí)刻；對于創(chuàng)業(yè)者，這是一個(gè)考驗(yàn)戰(zhàn)略定力與場景洞察能力的時(shí)刻。

路線或許沒有絕對的對錯(cuò)，更重要的是場景與能力的匹配。

更多干貨分享敬請關(guān)注我們的公眾號與視頻號~超多精彩對話內(nèi)容等待您的解鎖！