姚尧
具身智能基本绕不开三条技术路线。强化学习靠环境试错积累经验，VLA靠大模型端到端，世界模型靠“脑内模拟”预测下一步会发生什么。这三条路各有各的优缺点。强化学习理论比较成熟，但样本效率低，换个新环境就得重新来；VLA泛化能力强，给个指令就能干活，但传统架构容易算力打架，总想在一锅里同时炒菜又炖汤。世界模型虽然可以预测，但推理慢，很难满足机器人实时控制的需求，看到很多贴子说VLA快到头了，世界模型才是终局，或者说WM+VLA等等吧；传统的VLA的确有比较明显的缺点：一个模型既要懂语义指令又要控电机，高频控制和低频推理混在一起，经常出现“自我矛盾”的情况，类似于你边工作边要提供情绪价值。控制要求快和准，推理要求深，混在一起容易卡顿和抖动。加上现在视频生成模型做得很好了，大家自然觉得“测式”比“响应式”更高级，但VLA真的过时了吗？2026年4月，南洋理工、伯克利、斯坦福、牛津等团队联合发了一篇综述。作者包括Philip Torr、Pieter Abbeel等领域知名学者。说到底，其实这篇综述比较重要的观点就是：世界模型不是来替代VLA的，而是用来补VLA的短板这就是为什么现在很多团队都在做“拆架构”。行业已经过了“用一个巨型模型包揽所有事”的阶段，开始讲究系统效率。有的团队给VLA外挂预测模块，有的把控制层单独提出来做高频刷新，还有的直接用多模态大模型做顶层规划，底层交给传统控制器。路数不同，但核心逻辑一样：让该快的快，让该慢的慢特斯拉在机器人上也走了类似的思路。早期押注端到端视觉，现在慢慢把环境预测和底层控制解耦，用分层架构解决实时性问题。这种工程上的取舍，说明要根据物理世界的真实反馈，选择最合适的架构组合。不同的技术选择，最终都指向同一个目标：让机器人在复杂环境里更稳、更快、更省电在这种技术分化的背景下，国内团队智平方（郭彦东博士带队，拉了5位斯坦福全球前2%的科学家。）提供了一个很具体的工程样本。他们没去卷“谁的外挂模块更大”，而是把生物神经系统的分层逻辑（人体中大脑和小脑是分工明确的）搬进了代码里，做了两套很有意思的架构迭代
发布于 北京
分享
评论
赞
未登录
友善发言
评论
加载中
