机器人怎么学会"做事"？聊聊 VLA 和世界模型这两条路

这两年我们熟悉的 AI，大多活在对话框里：写诗、翻译、写代码，动嘴不动手。但具身智能（Embodied AI）想改变的正是这件事——让 AI 长出一双眼睛和两只手，走进真实的物理世界：扫地、叠衣服、搬箱子，甚至帮你把洗衣机里的衣服取出来。

在这个领域，有两个词几乎天天出现在新闻里：VLA 和世界模型。它们都在回答同一个问题——机器人怎么学会做事？但思路完全不同。

VLA：眼睛、大脑、手，一个模型全包了

VLA 是 Vision-Language-Action 的缩写，直译就是"视觉—语言—动作"模型。可以把它理解成一个三合一的大脑：给它一张图（视觉），加上一句人话指令（语言），它直接输出一连串动作（动作）。工程师不用再写"看到杯子就往左转 5 度"这种死规则，模型自己学会了"看见什么、该干什么"。

代表作品有 Google DeepMind 的 RT-2、Gemini Robotics，以及 Physical Intelligence 的 π0。π0 的团队放过一段演示：机器人面对从没见过的食材，也能试着夹起来放进锅里——不是背答案，而是像人一样"看一眼就上手"。

这条路线信奉一句话：大力出奇迹。ChatGPT 用海量文字喂出了语言能力，VLA 想用海量的机器人数据，喂出一个通用的"机器人大脑"。数据越多，动作越丝滑。

世界模型：先想象，再动手

世界模型（World Model）走的是另一条路：先让 AI 学会"预测世界接下来会怎样"。你过马路时会先预判：这辆车还远，可以走。这个能力，就是人类自带的世界模型。世界模型要做的，是把这套"预演"装进 AI 的脑子里——看完海量视频和数据后，它能回答"如果我这样做，世界会变成什么样"。

有了它，机器人就能先在脑海里模拟几千几万次，挑出最稳的方案再真正动手。英伟达的 Cosmos、Google 的 Genie 都是这个方向的代表。

迭代路上，三个绕不开的难题

不管走哪条路，都有共同的硬骨头：

• 数据从哪来。真实机器人数据很贵：让机器人"上手"采集要人遥控（遥操作），又慢又费人力；仿真环境生成数据又快又便宜，但"仿真世界"和"真实世界"总有差距；互联网视频量大管够，可惜里面没有"动作答案"。
• 泛化有多难。实验室里练好的技能，换一间屋子、换一种光线、换一个杯子，可能就失灵了。机器人的"考场"不是固定卷子，而是千家万户。
• 试错成本太高。语言模型说错一句话，删掉重来；机器人做错一个动作，可能撞坏设备、伤到人。物理世界不可逆，安全必须前置，模型还得在有限的端侧算力里跑得够快。

两条路正在握手

所以行业里常常吵：挺 VLA 的说"别整虚的，世界模型不也得靠数据堆出来，不如端到端一把梭"；挺世界模型的说"真身试错太贵，不如先在脑子里安全地摔几百万次"。

但吵归吵，两边的共识越来越明显：世界模型更像"训练加速器"和"安全试验场"，专门给 VLA 造数据、排雷。英伟达一边推 GR00T 这样的机器人基础模型，一边用 Cosmos 给机器人生成训练数据；Figure 的 Helix 则把"理解"和"动作"拆成两套系统，先想明白再动手。

与其说二选一，不如说最终形态大概率是"VLA 干活，世界模型把关"。

尾声：聪明与勇敢

具身智能最迷人的地方，是它把"聪明"和"勇敢"分开了：聪明靠算法和数据，勇敢靠工程和硬件——机器人要真去摸、真去摔、真去收拾残局。

对非专业的人来说，现在反而是最好的观察窗口：不用懂数学细节，也能看懂这两条路在抢什么——数据、泛化、安全地把事做完。而且这一次，宇树、智元、银河通用这些国内公司和 OpenAI、Google、Figure 站得相当近，是 AI 历史上少见的局面。

我有个小判断：具身智能的"GPT 时刻"，大概率不是某个模型跑分登顶，而是某个机器人第一次走进普通人的家，完成一件"看着简单、做起来极难"的小事——比如帮我把洗衣机里的衣服拿出来叠好。等那天到来时，我们可能根本意识不到，背后正是两条路线完成了一次关键握手。