不能因為VLA有短板，就把世界模型推上神壇。

作者｜王博 張麟

“So let's all take a moment of silence for our dear friend VLAs. They've served us well, rest in peace, long live World Action Models.”

這是英偉達(dá)首席研究科學(xué)家、具身自主研究團隊負(fù)責(zé)人范麟熙（Jim Fan）4月20日在紅杉AI Ascent大會上的發(fā)言，對應(yīng)中文是：“讓我們?yōu)閂LA默哀吧。它們曾經(jīng)很好地服務(wù)過我們，安息吧，World Action Models萬歲。”

Jim Fan在紅杉AI Ascent大會上演講，圖片來源：Sequoia Capital Youtube賬號

這句話很快被一些媒體和博主概括成一個更鋒利也更適合傳播的判斷：VLA已死。

它之所以有傳播力，是因為它正好擊中了當(dāng)下具身智能行業(yè)的焦慮。

過去兩年，VLA（vision-language-action 視覺-語言-動作）模型幾乎是機器人“大腦”的主流敘事。它把大模型時代最熟悉的能力接入機器人：視覺負(fù)責(zé)看見環(huán)境，語言負(fù)責(zé)理解任務(wù)，動作負(fù)責(zé)執(zhí)行指令。對一個長期依賴示教、規(guī)則和固定工藝的機器人行業(yè)來說，VLA第一次讓人看到“通用機器人”的入口。

但也是從今年開始，業(yè)界對VLA質(zhì)疑明顯變多。它能理解“把杯子拿起來”，卻未必知道杯子會不會滑；它能識別一件衣服，卻未必知道衣服被抓起后如何變形；它能聽懂“打開抽屜”，卻未必知道手、把手、阻尼、摩擦和力之間的關(guān)系。

機器人真正面對的不是文本，也不是圖像，而是會移動、反光、變形、遮擋、碰撞、失控的物理世界。

這正是Jim Fan提出World Action Model（WAM）的背景。

在他參與署名的論文《World Action Models are Zero-shot Policies》中，論文摘要說得相對克制：當(dāng)前SOTA VLA擅長語義泛化，但在新環(huán)境中泛化到未見過的物理動作時存在困難；他們提出DreamZero，一個基于視頻擴散骨干的World Action Model，通過預(yù)測未來世界狀態(tài)和動作來學(xué)習(xí)物理動力學(xué)。DreamZero項目頁也稱，其在真實機器人實驗中新任務(wù)、新環(huán)境泛化上相較VLA基線取得超過2倍提升。

Jim Fan真正送別的，不是視覺、語言、動作這三種能力，而是一種傳統(tǒng)的VLA范式。

VLA沒有死。死的是一種過度樂觀的想象：只要把視覺語言模型接上機器人動作輸出，機器人就能自然獲得對物理世界的理解。

1.為什么會出現(xiàn)“VLA已死”的言論？

任何一個技術(shù)路線被宣判死亡，通常都不只是技術(shù)問題，也是一種產(chǎn)業(yè)情緒。

“VLA已死”之所以在今天有市場，是因為過去一年，具身智能行業(yè)對VLA的期待太高了。

VLA的邏輯很直接：機器人通過視覺觀察環(huán)境，通過語言理解人類指令，再把理解轉(zhuǎn)化為動作輸出。這條路線天然繼承了大模型時代的信仰。

影身智能創(chuàng)始人閔偉認(rèn)為：“將VLA應(yīng)用在機器人身上，這種想法源于大語言模型時代的思維慣性。”

大語言模型證明了，海量數(shù)據(jù)和大規(guī)模預(yù)訓(xùn)練可以涌現(xiàn)出強大的語言理解和推理能力。視覺語言模型進(jìn)一步證明，模型不只可以處理文本，也可以理解圖像和視頻。到了機器人這里，一個自然的想法就是：既然模型能看懂，也能聽懂，那它為什么不能動起來？

這也是VLA迅速流行的原因。

它給機器人行業(yè)提供了一套簡單、統(tǒng)一、易于講述的“大腦范式”：過去的機器人是執(zhí)行機器，VLA之后的機器人開始具備任務(wù)理解能力。

從產(chǎn)業(yè)實踐看，優(yōu)必選Walker S2、智平方AlphaBot 2、銀河通用Galbot等，都在不同程度上搭載或強調(diào)VLA模型；智平方曾推出GOVLA 0.5，并試圖在VLA框架下引入全域感知、全身控制和統(tǒng)一決策；宇樹科技也在2026年1月開源發(fā)布UnifoLM-VLA-0模型，用于復(fù)雜操作任務(wù)。

這些案例說明，VLA確實推動了機器人從“固定動作執(zhí)行”向“開放任務(wù)理解”邁了一步。

但問題在于，行業(yè)很快發(fā)現(xiàn)：理解任務(wù)，不等于理解物理世界。

機器人不是只要知道“杯子是什么”“人要我拿杯子”就夠了。它還要知道杯子的重量、摩擦、重心、材質(zhì)，手指從哪個角度接近，抓握力度多大，拿起過程中液體是否會晃動，放下時桌面是否平整。

2026年3月，科技博客Not Boring的作者Packy McCormick與General Intuition CEO Pim De Witte聯(lián)合發(fā)表了一篇約三萬字的長文，名為《World Models: Computing the Uncomputable》。在這篇文章中，作者假設(shè)了一個簡單的場景：

試著僅用文字來描述拍手。雙手在空間中的相對位置、以皮秒為單位的變化、接觸點、聲音、雙手靠近和分開時的樣子、手掌如何擠壓對方、兩掌之間的空氣發(fā)生了什么？你拍手時視野中看到了什么？你的手臂是怎么彎曲來配合拍手的？你袖子上的布料有什么反應(yīng)？背景中在發(fā)生什么？你旁邊的人注意到你在拍手了嗎？他們有什么反應(yīng)？

很顯然，任何一個人都做不到用語言來描述這個場景。

小鵬集團董事長何小鵬也發(fā)表過類似的觀點，他曾表示：“一段1200多字的文字描述，也無法精準(zhǔn)地‘翻譯’一個十幾秒視頻。”

而這種由于語言轉(zhuǎn)譯造成的精度缺失，以及VLA模型“靠推理得出空間幾何規(guī)律和物理定律”的底層運行邏輯，極易讓機器人的抓握誤差增加，任何一個物理的狀態(tài)變化，比如光線折射、物理變形都會嚴(yán)重影響VLA模型的動作輸出。

而這些問題造成的后果，就是業(yè)內(nèi)詬病的泛化性不足。

流形空間創(chuàng)始人兼CEO武偉告訴「甲子光年」，VLA本質(zhì)是將高維度的視頻域降維到語言域，將視頻與文本指令對齊，再通過大量的機器人經(jīng)驗數(shù)據(jù)（如軌跡數(shù)據(jù)、動作數(shù)據(jù)）進(jìn)行對齊和訓(xùn)練，讓機器能夠讀懂語言指令，并基于模仿學(xué)習(xí)高效、可靠地完成具體任務(wù)。其范式本質(zhì)是基于已有VLM基座模型在做“機器翻譯”任務(wù)的“后訓(xùn)練”。

他認(rèn)為，這種訓(xùn)練方式會造成兩個弊端。

一方面，VLA模型在訓(xùn)練時與特定的機器人本體強綁定。換一個機器人形態(tài)，例如從人形機器人換成四足機器狗，甚至是換一種機器人本體構(gòu)型，模型就需要大量后訓(xùn)練數(shù)據(jù)重新適配，部署成本高昂。

另一方面，VLA模型只是“知其然”，但“不知其所以然”。其本質(zhì)是通過大量模仿學(xué)習(xí)到某種經(jīng)驗，并在需要的時候?qū)⒔?jīng)驗復(fù)刻出來。它只能執(zhí)行它見過的動作，當(dāng)遇到訓(xùn)練數(shù)據(jù)中從未出現(xiàn)過的、需要推理和規(guī)劃的新穎場景（即長尾問題中的長尾），它會束手無策，它無法預(yù)測一個動作的連鎖反應(yīng)。

這些問題不是語義問題，而是物理問題，這也是傳統(tǒng)VLA模型路線的短板。

2.被誤讀的VLA

圖片來源：AI生成

“VLA已死”這句話太鋒利，也太容易被誤讀。

如果把它理解成“機器人不再需要視覺、語言和動作模型”，這是錯誤的。

雖然Jim Fan讓“VLA安息”，但即使是英偉達(dá)自己，也并沒有真正放棄VLA。英偉達(dá)Cosmos官方資料顯示，Cosmos Predict可以生成面向physical AI任務(wù)的預(yù)測視頻世界，并可用于后訓(xùn)練、閉環(huán)策略和機器人中心仿真；同時，英偉達(dá)也仍在用Cosmos等世界基礎(chǔ)模型為GR00T等機器人模型生成訓(xùn)練數(shù)據(jù)。

這說明英偉達(dá)的真實路線不是“拋棄VLA”，而是把VLA、世界模型、合成數(shù)據(jù)、仿真、真實機器人數(shù)據(jù)和低層控制重新組合。

換句話說，VLA正在被重新定位。

傳統(tǒng)VLA的問題是它很容易被簡化成：視覺/語言輸入 → 動作輸出。這種架構(gòu)的最大優(yōu)勢是語義泛化。它能利用互聯(lián)網(wǎng)規(guī)模的視覺語言知識，讓機器人理解更多物體、更多指令、更多任務(wù)關(guān)系。

但它的短板也很明顯：它對物理過程的建模不夠顯式。它擅長回答“這是什么”“我要做什么”，卻不一定擅長回答“我這樣做之后，世界會發(fā)生什么”。

Jim Fan批評的正是這種重心錯配：過去的VLA把大量能力放在語言和知識理解上，卻把連續(xù)動作、接觸動力學(xué)、狀態(tài)變化這些機器人最困難的問題，壓縮成了一個動作頭（action head）。

所以，更準(zhǔn)確的判斷應(yīng)該是：傳統(tǒng)VLA范式正在被挑戰(zhàn)，但VLA能力本身并沒有失效。

VLA仍然是機器人理解任務(wù)的重要接口。沒有VLA，機器人很難擺脫固定程序和封閉指令；但只有VLA，機器人也很難真正進(jìn)入復(fù)雜物理世界。

這就是“VLA已死”最應(yīng)該被校正的地方。

VLA不是死了，而是不夠了。

3.世界模型不是終局

2026年3月，AMI Labs CEO Alexandre LeBrun公開表示：“我預(yù)測世界模型將成為下一個流行詞。六個月后，每家公司都會自稱世界模型公司來融資。”

這或許可以成為如今世界模型熱潮中一個鮮明的注腳，甚至有人表態(tài)，世界模型會全面取代VLA。

VLA和世界模型并不是同一層?xùn)|西。

VLA更接近一個行動策略模型。它回答的是：我現(xiàn)在該做什么？

世界模型更接近一個環(huán)境預(yù)測模型。它回答的是：如果我這樣做，世界會怎樣？

這兩個問題看似接近，實際差別很大。

一個VLA系統(tǒng)接收到圖像和語言指令后，通常要輸出機器人動作，比如機械臂移動、夾爪開合、手指軌跡、身體姿態(tài)調(diào)整。它的核心是把“觀察”和“指令”映射成“行動”。

而世界模型關(guān)心的是狀態(tài)變化。它不是直接問機器人下一步怎么動，而是預(yù)測：在當(dāng)前狀態(tài)下，如果執(zhí)行某個動作，下一時刻的世界會變成什么樣。

還是以前文提到的拍手為例。對人類來說，拍手是極其簡單的動作；但如果用語言完整描述它，就會涉及雙手空間位置、接近速度、接觸點、壓力、聲音、空氣擾動、手臂彎曲、衣物褶皺、周圍環(huán)境反饋等大量連續(xù)變化。

VLA可以把“拍手”理解為一個任務(wù)，但世界模型試圖理解的是：兩只手在運動中會如何接近、接觸、反彈，聲音如何產(chǎn)生，動作完成后狀態(tài)如何變化。

因此，VLA和世界模型的區(qū)別可以壓縮成一句話：VLA讓機器人理解任務(wù)，世界模型讓機器人預(yù)判后果。

這也是為什么世界模型會變得重要。

世界模型在產(chǎn)業(yè)里至少有三種用途：

• 第一，作為數(shù)據(jù)生成器，補充昂貴的真實機器人數(shù)據(jù)。

• 第二，作為仿真訓(xùn)練場，降低真實試錯成本。

• 第三，作為預(yù)測模塊，幫助機器人在行動前評估未來狀態(tài)。

Jim Fan提出的WAM，則更進(jìn)一步：不是把世界模型放在外面做訓(xùn)練場，而是讓模型同時預(yù)測未來世界狀態(tài)和機器人動作，把“世界預(yù)測”和“動作生成”放進(jìn)同一套架構(gòu)里。DreamZero論文也把這一點作為區(qū)別于傳統(tǒng)VLA的核心：WAM通過視頻作為世界演化的稠密表征，聯(lián)合建模視頻與動作。

但反過來，世界模型也不能被神化。

今天行業(yè)里最大的問題之一，是幾乎所有人都可以說自己在做世界模型。

據(jù)不完全統(tǒng)計，目前中國市場上有超過30家公司在不同程度上宣稱自己是世界模型或擁有世界模型屬性：做視頻生成的，可以說自己在生成世界；做仿真的，可以說自己在構(gòu)建世界；做自動駕駛模擬器的，可以說自己在預(yù)測世界；做機器人訓(xùn)練數(shù)據(jù)的，也可以說自己在建模世界。

結(jié)果是，世界模型正在從一個技術(shù)方向，變成一個筐，什么都能往里裝。

其實，世界模型在學(xué)術(shù)界和產(chǎn)業(yè)界都還存在定義爭議：有人認(rèn)為世界模型必須包含對潛在狀態(tài)的精確預(yù)測和物理因果理解，而不是模擬一種可能出現(xiàn)的視覺結(jié)果；也有人認(rèn)為通過像素級視頻預(yù)測，同樣能讓模型學(xué)會物理規(guī)律。

一位AI從業(yè)者告訴「甲子光年」：“現(xiàn)在來說，世界模型沒有一個標(biāo)準(zhǔn)的定義。市場上有很多流派，有的流派認(rèn)為做視頻生成也算世界模型，有的則不這么認(rèn)為，每個流派也都有一個大佬在后面撐腰。”

這正是今天行業(yè)討論世界模型時最需要警惕的地方。

對機器人來說，一個世界模型是否有價值，不取決于它生成的視頻多真實，而取決于它能否進(jìn)入真實任務(wù)閉環(huán)：

• 它預(yù)測的狀態(tài)是否符合物理規(guī)律？

• 它生成的數(shù)據(jù)能否提升真實機器人表現(xiàn)？

• 它能否幫助機器人減少試錯？

• 它能否處理接觸、摩擦、遮擋、柔性物體和長程任務(wù)？

• 它能否和機器人控制系統(tǒng)穩(wěn)定耦合？

如果不能回答這些問題，世界模型就只是更高級的視頻生成，而不是具身智能的基礎(chǔ)設(shè)施。

更重要的是，世界模型本身也有幻覺風(fēng)險。在視頻生成里，物體穿模、反重力、邊界模糊、狀態(tài)不一致，可能只是畫面瑕疵；但在機器人訓(xùn)練里，這些錯誤會變成錯誤的物理經(jīng)驗。

一個看起來合理但物理上錯誤的世界，對機器人來說可能比沒有世界模型更危險。

所以，不能因為VLA有短板，就把世界模型推上神壇。世界模型補的是“物理預(yù)判”這塊短板，但它還必須接受真實世界校驗。

這也是為什么，大量機器人公司依然在采集遙操數(shù)據(jù)、真機數(shù)據(jù)、工廠數(shù)據(jù)和客戶現(xiàn)場數(shù)據(jù)。仿真可以加速訓(xùn)練，但真實世界仍然是最后的裁判。

4.比流行詞更重要的事情

把VLA和世界模型放在一起討論，最容易犯的錯誤，是把它們理解成替代關(guān)系。

舊路線叫VLA，新路線叫世界模型。VLA過時了，世界模型上位了。這種敘事很爽，但不準(zhǔn)確。

更接近現(xiàn)實的情況是，機器人系統(tǒng)正在從單一模型敘事，走向分層架構(gòu)敘事。

「甲子光年」認(rèn)為，一個真正可用的機器人，至少需要四層能力。

第一層是任務(wù)理解。它要知道人要它做什么，目標(biāo)物體在哪里，任務(wù)成功的標(biāo)準(zhǔn)是什么。這里VLA仍然有價值。

第二層是狀態(tài)預(yù)測。它要知道如果自己采取某個動作，物體、環(huán)境、人和自身會如何變化。這里世界模型或者WAM會發(fā)揮更大作用。

第三層是運動控制。它要把高層意圖變成連續(xù)、穩(wěn)定、可執(zhí)行的身體動作，包括軌跡規(guī)劃、力控、避障、平衡和異常恢復(fù)。

第四層是數(shù)據(jù)閉環(huán)。它要從每一次成功和失敗中回收數(shù)據(jù)，判斷是識別錯了、預(yù)測錯了、控制錯了，還是場景本身超出了能力邊界。

這四層能力，沒有任何一層能單獨構(gòu)成“通用機器人”。

VLA解決不了全部問題，世界模型也解決不了全部問題。VLA更像任務(wù)入口，世界模型更像物理預(yù)測器，控制系統(tǒng)是執(zhí)行器，真實數(shù)據(jù)是校準(zhǔn)器。

「甲子光年」了解到，一些團隊會將世界模型作為一個VLA模型的數(shù)據(jù)生成器和仿真訓(xùn)練平臺，用世界模型合成的數(shù)據(jù)投喂給VLA，或者直接讓VLA模型在一個世界模型中進(jìn)行訓(xùn)練，以增強其動作精度和泛化能力。

此外，部分前沿團隊也在嘗試將世界模型能力直接注入VLA架構(gòu)。

比如智平方的GOVLA 1.0（Video2Act）大模型，雖然整體架構(gòu)仍是VLA模型，但其明確表示嵌入了世界模型，并且引入了快慢系統(tǒng)的概念，世界模型就運行在慢系統(tǒng)中，完成任務(wù)拆解、邏輯推理、行動預(yù)測等工作。

智平方創(chuàng)始人郭彥東告訴「甲子光年」：“VLA在具身智能產(chǎn)品上，是一個具有‘終局感’的架構(gòu)范式。”同時他還表示：“把世界模型用來增強VLA，和把世界模型融入VLA，是不同的兩個范式。我們認(rèn)為把世界模型融入到VLA里面，讓VLA具備更強的泛化能力，是VLA變得更強的必由之路。”

一些更前沿的學(xué)術(shù)研究，也在試圖讓VLA和世界模型共享輸入信息的表征，并且共同完成動作輸出決策，當(dāng)然這種技術(shù)路徑目前還很初期。

“VLA已死”是一個好標(biāo)題，但不是一個好結(jié)論。

它的價值在于提醒行業(yè)：不要再把大語言模型的成功經(jīng)驗簡單套到機器人身上。機器人不是ChatGPT套一個機械臂，也不是VLM后面接一個動作頭。真實世界的連續(xù)性、物理性和不可逆性，決定了機器人必須學(xué)習(xí)動作如何改變世界。

VLA真正需要的不是葬禮，而是進(jìn)化；世界模型真正需要的也不是造神，而是落地。

具身智能行業(yè)其實并不需要看下一個流行詞是什么，大家的關(guān)注點更應(yīng)放在誰能把任務(wù)理解、世界預(yù)測、運動控制和真實數(shù)據(jù)閉環(huán)變成一個可部署的系統(tǒng)。

到那一天，VLA也好，世界模型也好，都不會再是文章標(biāo)題里的爭議詞。

它們會變成機器人真正干活時，身體里不再被單獨提起的基礎(chǔ)能力。

（封面圖來源：AI生成）