2026 年，机器人的评价基准已从单任务操作能力转向对未见环境的泛化能力：能否在一个从未见过的厨房中，仅凭一句自然语言指令完成长程任务。VLA（Vision-Language-Action，视觉-语言-动作）是过去四年这一领域最清晰的技术主线，它自始至终只回答一个问题：如何把互联网规模的语义知识，转化为真实世界中的闭环动作。

1X NEO 人形机器人（1X 官方产品图）

阶段一（2022—2023）：从 SayCan 到 RT-2 的动作离散化

2022 年，Google 的 SayCan 首次让大语言模型参与机器人高层规划：LLM 将泡咖啡这一指令拆解为走向咖啡机、拿起杯子、按下开关等子步骤，价值函数对当前环境下各子步骤的可执行性进行评分，两者结合得到既可行又符合指令的动作序列。该方案分工清晰，但存在根本局限：LLM 无法感知图像，场景信息被压缩为单一标量，规划与现实之间始终存在人为设计的空隙。

SayCan 论文 Figure 2：价值函数模块（a）依据当前观测为动作原语给出价值空间（b、c），用于判定各子步骤在当前环境中的可执行性

介于两者之间的过渡方案是 PaLM-E：Google 将图像直接编码进 562B 参数的具身多模态模型，验证了图像与语言的联合推理能力，但动作仍需下游策略执行，尚未实现端到端输出。

2023 年 7 月，RT-2 实现关键突破：将每个动作维度离散化为 256 个整数，与文本共享同一词表，直接微调 55B 规模的视觉语言模型，使动作在模型中被视为与文本同构的语言模态，与互联网级图文数据联合训练。VLA 这一术语由此确立，机器人首次能够借助语言模型中数以亿计的网络知识推理物理世界。在未见过的任务上，RT-2 任务成功率达到 62%，约为上一代 RT-1（32%）的两倍；代价是推理频率仅 1–3 Hz，每步仅输出一个动作 token，无法支撑高频精细操控。

RT-2 论文 Figure 1：将机器人动作表示为与文本同构的语言模态，与互联网级视觉语言数据联合训练

阶段二（2024）：开源复现与连续动作生成

2024 年上半年，Octo 使用 80 万条轨迹训练开源通用策略，以扩散头输出动作块，重点验证多本体适配与开放权重。

2024 年 6 月，OpenVLA 以同样的 256-bin 离散化范式开源复刻 7B 模型（DINOv2 + SigLIP 视觉编码 + LLM 骨干），在 Bridge 基准上以 70.6% 的成绩反超闭源的 RT-2-X，并给出消费级微调方案：LoRA 微调仅需约 60 GB 显存，单张 A100 即可完成训练。开源将这条技术路线的复现成本，从数十万 TPU 小时直接降至单卡量级。

同年 10 月，Physical Intelligence 的 π0 引入另一种动作表示方案：不再逐 token 生成动作，而是通过 flow matching 一次性生成 50 步连续动作块，3B 参数模型在 RTX 4090 上仅需 73 ms，单卡即可达到约 50 Hz。动作表示从离散 token 转向连续轨迹，并在 7 种本体、68 项任务上首次得到验证，这是 VLA 发展中最重要的一次范式迁移。

π0 论文 Fig. 3：以预训练 VLM 为骨干、通过 flow matching 输出连续动作块的框架总览

阶段三（2025—2026）：基础模型、快慢系统与强化学习

2025 年起，核心问题转向长时程家庭部署：如何让模型进入真实家庭并完成持续性任务。各厂商的进展可归纳为五个方面。

·动作生成效率：π0-FAST 以 DCT+BPE 将高频动作压缩至约 30 token/秒，训练速度提升 5 倍；代价是 token 化推理需 750 ms，约为动作块方案的 10 倍；

·训练配方：π0.5 提出混合训练策略，即预训练采用 FAST、后训练换回 flow matching，模型首次在约 100 个真实家庭中完成家务任务；可用环境从 13 个扩展至 87 个时，平均任务进度提升数倍；

·快慢系统架构：Hi Robot 与 Figure Helix 02 将快慢系统工程化：高层 System 2 负责任务规划，底层 System 1 以 200 Hz 输出动作；Figure 以 1 kHz 的学习控制器替换了逾 10 万行手写 C++ 控制代码；

·长程记忆：MEM 采用两级记忆机制（视频编码器 + 语言摘要）扩展上下文，使模型能够保留数分钟前的交互状态；

·强化学习与数据复用：RTC 基于 inpainting 解决边执行边生成时的动作块拼接问题，此后成为 π 系列训练的标准组件；π*0.6 / RECAP 引入强化学习：仅需标注单条 episode 的成功或失败，即可将稀疏奖励转化为上万帧的逐帧监督信号，机器人据此连续执行 13 小时煮咖啡任务。

π0.5 论文 Fig. 3：预训练（FAST）与后训练（flow matching）两阶段的模型总览

到 2026 年，规模效益与通用性充分显现：π0.7 以 5B 参数、无需任务微调即可完成叠衣服与煮咖啡；Google Gemini Robotics 2 将 VLA 扩展至全身人形控制，灯泡更换任务成功率 92%，并同时发布 ER 2（云端强推理）与 On-Device 2（端侧低延迟）两个衍生模型；Figure Helix 02 采用 S0（1 kHz）/S1（200 Hz）/S2 三层架构，同时实现全身平衡控制与高层任务理解；英伟达 GR00T N2 转向世界-动作模型（WAM），在未见任务上的成功率较上一代提升一倍以上。

Google Gemini Robotics 论文 Figure 1：具身 AI 模型家族总览：2D/3D 检测、抓取点预测等能力叠加于统一多模态大模型（论文 2025-03）

平行路线：世界模型的三种路径

VLA 之外，还存在一条长期独立演化的技术线：世界模型。其内部又分为三个流派。

Dreamer 系最早起步，选择在潜空间中重建世界：以循环状态模型学习环境动力学，再在想象式 rollout 中完成规划。DreamerV3 以一套固定超参数覆盖 150+ 任务并发表于 Nature，是潜空间想象训练中最具代表性的动作策略方案。

DreamerV3 论文 Figure 3：在潜空间想象中训练的策略与价值网络，世界模型先学习环境动力学

JEPA 系不重建像素，直接在表征空间预测未来。V-JEPA 2 以约 100 万小时网络视频完成预训练，机器人即可零样本规划，连续动作长达 16 秒。轻量方案还包括 DINO-WM（冻结 DINOv2 特征直接规划）与仅 15M 参数、单卡数小时即可训完的 LeWorldModel。

V-JEPA 2 论文 Figure 1：以百万小时视频预训练，在表征空间预测未来（不重建像素）

Cosmos 系投入最高，以视频生成构建物理先验：Cosmos 1 动用 1 万张 H100 连续训练 3 个月；到 Cosmos 3，动作已成为与语言、图像、视频、音频并列的基座模态。

Cosmos 3 论文 Figure 1：将语言、图像、视频、音频与动作统一为基座模态

三条技术线此前基本互不交叉，2026 年出现明显收敛：1X 以 14B 视频模型预测未来并反解出动作，π0.7 的子目标图也由轻量世界模型生成。业界将其概括为 VLA + 世界模型的融合，或更进一步的世界动作模型（WAM）。

产业侧：三条公司路线

从产业视角看，各公司的技术路线选择可归纳为三类：

·路线 A，纯 VLA 扩展：π 系列、Gemini Robotics 2、Figure Helix 02、智元。核心假设是数据规模与 scaling 成效仍未见顶；

·路线 B，VLA + 世界模型：1X、Tesla、银河通用。策略网络提供先验，世界模型补充动力学建模；

·路线 C，世界动作模型：英伟达 GR00T N2 / Cosmos 3、Meta V-JEPA、星海图 Fast-WAM。核心假设是掌握世界演化规律后，动作能力将自然涌现。

多数公司实际采用混合路线，三条技术线正在收敛。

Figure 人形机器人在家中执行整理任务（Figure 官方图）

1X 官网发布图（1X 官方）

深兰的路线判断：大模型智能体驱动的新一代机器人

把 VLA 与世界模型放在一起看，两者各有侧重：VLA 解决的是语义到动作的映射，使机器人能够理解一句自然语言指令并直接输出动作；世界模型解决的是物理直觉，使模型能够先在潜空间或表征空间里推演未来。但两者本质上仍停留在动作生成层，回答的是动作该怎么做，却没有回答一整个任务该由谁来拆解、组织、监督与纠错。

商用机器人真正面对的，恰恰是后一个问题。一次清洁、配送或巡检任务，往往需要把一句模糊的意图拆成几十步可执行动作，中途调用不同工具与传感器，遇到失败后重新规划，并将数分钟乃至数小时前的状态保留在上下文里。任务分解、工具调用、长程记忆与失败自纠，正是大模型智能体架构的核心能力所在。

因此深兰认为，大模型智能体驱动的新一代机器人，比单纯的 VLA 扩展或世界模型路线更具发展前景：以通用大模型作为任务大脑，负责理解意图、拆解任务、规划与反思；以成熟的运动控制与执行系统作为小脑，负责把每一步动作稳定做出来；VLA 与世界模型则作为大脑指挥下的动作增强层，随成熟度逐步接入。这一分工对算力与数据的依赖更低、在商用场景中的落地速度更快、复利周期也更短：机器人可以先靠智能体稳定完成长时程任务，再逐步叠加更强的动作生成与物理预测能力。

·长程规划：VLA 以单步或短动作块为主，世界模型聚焦未来状态预测，大模型智能体原生支持任务分解与多步规划；

·物理直觉：世界模型最强，VLA 依赖数据隐式学习，智能体需借助工具调用与执行层补齐；

·数据与算力依赖：端到端 VLA 与世界模型依赖大规模数据与算力，智能体架构可复用通用大模型能力，对执行层数据要求更低；

·商业落地速度：智能体可在现有商用机器人平台上先落地，VLA 与世界模型更多作为后续增强层接入。

多数公司仍在纯 VLA 与世界模型之间做取舍，我们的选择是把智能体放在架构中心：先解决机器人能不能规划、能不能稳定执行长时程任务，再解决动作够不够精细、物理直觉够不够准。对商用机器人而言，这是更贴合产品化节奏的一条路径。