Robo 科普｜ VLA剛成主流就遭遇“世界模型”挑戰？

“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。

但這個標準答案的生命周期，比想象中短得多。

3月底，塔夫茨大學一篇論文在圈內炸開。漢諾塔任務上，神經符號模型（NSM）以95%的成功率碾壓VLA的34%；當任務升級到從未訓練過的4塊版本時，VLA全軍覆沒，而NSM依然保持78%。更讓資本后背發涼的是VLA微調消耗的能量是NSM訓練的近100倍。

VLA與NSM實驗比較（清華大學數據科學研究院數據派）

如果說學術數據還只是預警，那么產業巨頭的動作則徹底把路線之爭推到了臺前。4月2日，英偉達發布物理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，Google DeepMind與波士頓動力深度合作，將Gemini Robotics植入Atlas機器人。

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

#01

學術之爭還是生存之爭

這場路線之爭的導火索，來自塔夫茨大學團隊的一篇論文。在經典的漢諾塔任務中，研究團隊設計了一場“公平對決”：一方是當前最先進的開源VLA模型π0，另一方則是結合了PDDL符號規劃與擴散策略的神經符號模型（NSM）。結果則是3塊任務上，NSM成功率高達95%，而VLA僅為34%；當任務升級到從未訓練過的4塊版本時，VLA全軍覆沒，NSM仍然保持了78%的成功率。

更耐人尋味的是數據效率的差距。VLA消耗了300個完整的漢諾塔軌跡進行訓練，而NSM只用了50個簡單的“堆疊”演示，從未見過完整的漢諾塔求解過程。與此同時，VLA微調消耗的能量是NSM訓練的近100倍，這篇題為《The Price Is Not Right》的論文將于5月在維也納國際機器人與自動化會議上正式發表。

學術研究還只是預警，產業巨頭的密集動作則把路線之爭推向了臺前。

4月2日，英偉達在GTC大會上發布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，Google DeepMind與波士頓動力達成深度合作，將Gemini Robotics模型植入Atlas機器人——這等于給行業畫了一條明確的路線。

學術派同樣在行動。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5億元工業訂單，元戎啟行VLA已上車近10萬輛。有趣的是，英偉達在定義GR00T N1.7時，同時使用了“VLA”和“世界模型”兩個標簽，他不認為二者互斥，而是在同時押注兩條路線，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測環境而構建的內部表征。一個訓練好的世界模型，不僅能預測“下一個畫面”是什么，更能理解一個球被拋出去會如何下落，機器人手臂抬起杯子時液體是否會灑出。這正是Yann LeCun反復強調的核心，只有具備了像人類一樣“預測未來”的能力，AI才能進行復雜的規劃。

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”，通過海量真實數據學習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行規律，再據此規劃行動。

對比VLA與世界模型

從技術本質上看，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，但被認為缺少對物理世界的結構化理解。而世界模型則從感官數據中學習和預測運動、力以及空間關系等動態特性，從根本上理解物理世界中事物的性質、運行規律和空間特性。

在泛化上， VLA面對未見過的場景變體時極易失效；但世界模型由于掌握了底層規律，在面對新場景時能夠舉一反三；數據策略中，VLA嚴重依賴昂貴且稀缺的真機數據，這類數據由人工操作機器完成采集，而世界模型更多轉向互聯網上的圖像和文字數據，這些數據記錄了大量的物理規律。英偉達Cosmos WFM的核心價值恰恰在于加速合成數據生成，并將其作為后訓練的基礎，開發下游物理AI模型來解決訓練數據不足的挑戰；在模擬與訓練效率上，世界模型就像一個高效的“數據引擎”和“思維預演器”，能讓機器人在虛擬世界中以10到100倍的效率進行學習和自我進化，大幅降低真實數據采集的成本和時間。

似乎世界模型在眾多方面都優于VLA？難道VLA路線就這樣被堵住了嗎？

競爭的本質和未來入場券

但兩條路線的商業化節奏，似乎不在同一個時鐘上。

VLA路線的邏輯是“先跑起來”。Figure AI的Helix 02、智平方的GOVLA、元戎啟行的量產上車，都是在工業制造、物流分揀、輔助駕駛等“環境相對可控、任務模式固定”的場景中率先落地。這條路的優勢在于短期可見的收入和訂單——智平方手握近5億元工業訂單，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%以上的訓練數據，讓機器人在虛擬世界中以10到100倍的效率進行學習；流形空間的WorldScape模型則致力于補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。

和當下的爭論類似，大語言模型也經歷過選擇押注的尖峰時刻。Minimax的創始人閆俊杰在2023年力排眾議押注MoE架構，經歷了兩次失敗后第三次才成功。試驗成功讓Minimax實現用OpenAI 1%的成本實現了95%的性能，破解了高性能、低成本與商業化的三角難題。而后，Minimax被貼上了國內首個MoE大模型標簽，在大規模商業化部署上也實現了突破，這種極低的訓練和推理成本讓市場擴張獲得很大的比較優勢，也造就了海外收入占比超70%的結果。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架構已成為行業共識，取代了稠密架構。

本體企業靠量產規模撬動飛輪，重腦企業靠模型和數據構筑壁壘，兩者“是完全相悖的商業邏輯”。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“技術研發導向”轉向“企業經營與運營能力”的關鍵一年。無論是選擇VLA、世界模型還是融合路線，最終都要回到一個核心命題——你的技術能否在真實場景中創造真實價值。

對于VC，這是一個考驗技術判斷力而非跟風能力的時刻；對于創業者，這是一個考驗戰略定力與場景洞察能力的時刻。

路線或許沒有絕對的對錯，更重要的是場景與能力的匹配。

更多干貨分享敬請關注我們的公眾號與視頻號~超多精彩對話內容等待您的解鎖！