具身智能VLA的翻车现状
2026年5月，具身智能圈子流传一个杜撰笑话：VLA模型演示时，被要求“把桌上那个苹果拿给我”，机械臂却抓住马克杯，现场死寂，工程师赶紧“重新定义苹果”。过去半年，类似翻车笑话很多，国内独角兽及大洋彼岸的Figure AI、Physical Intelligence都未能幸免。前两年，行业为VLA技术路线摇旗呐喊，Covariant的RFM - 1露面时，媒体想扣“通用机器人奇点”帽子；谷歌DeepMind的RT - 2论文一出，二级市场分析师提前具身智能商业化时间表。但现在，没人再提“奇点”，大家关心它能否在工厂正常工作，英伟达Jim Fan高呼“VLA已死”，不过这话可能太早。
活在互联网里的“缸中大脑”
要理解VLA为何频频翻车，需了解其基因缺陷。现在主流VLA架构，如谷歌的RT - 2和国内星尘智能等公司的，逻辑一脉相承。先用互联网海量图文数据对齐视觉和语言，让模型看懂图、听懂人话，再接入机器人动作数据做端到端微调，输出动作指令。这套打法“省钱”，试图复用基础设施，把机器人学习变成“轻量化”微调任务，投资人爱听。但互联网数据有局限，只教会模型“苹果是红色圆形物体”，没教会“苹果受力会形变滚开”。互联网视频剪辑后充满跳跃，VLA学到的是“伪物理”，面对新物体组合或精细力控场景，泛化能力下降。Physical Intelligence论文显示，扩大模型规模、灌入更多网络图片，对物理交互预测能力提升有限。所以VLA演示像精心排练的魔术，只能在特定条件下看到机器人流畅抓取，改变背景或放入特殊物体，其“缸中大脑”本质就暴露，它只知答案不知过程。
世界模型：唯一的解药
“世界模型”热度高，Yann LeCun和英伟达黄仁勋都提及。在具身智能中，它被寄予厚望，但一些团队做法简单粗暴，在VLA输出端套壳物理仿真引擎“修正”动作，这只是打补丁。真正的融合核心是内在化，强大的世界模型应是VLA的“潜意识”和“直觉模块”，在决策前快速推演物理变化，约束和指导动作生成。李飞飞团队的RoboAgent工作等新尝试，让模型学习动作时预测下一帧相关内容，建构内部物理表征。当模型能准确预测物理变化，抓取动作才会更合理。前景可见，机器人公司开始融合VLA和世界模型，Jim Fan喊出的“WAM万岁”本质也是这种组合，未来具身智能公司会在技术白皮书中体现相关概念。
数据工厂的沉默战争
争论VLA和世界模型的问题，最终都回归到数据。头部人形机器人公司数据采集人员表示，头疼的是让标注员不打瞌睡，采集高质量操作数据困难，老工程师操作有问题，真正能喂给模型的数据不到10%。要让VLA + 世界模型学会泡咖啡，需要多种物理交互数据，互联网图文数据库无法提供。这是一场数据工厂战争，特斯拉Optimus团队迁移自动驾驶数据体系，形成自我造血的数据飞轮。国内多数机器人公司用“堆人”模式，数据质量差、成本高。这导致VLA + 世界模型技术路线虽成共识，但技术壁垒会转移到数据工厂规模和效率上。未来竞争分层，最高层是构建“物理世界基础模型”的公司，中间层是有高效私有数据工厂的机器人公司，没有高效数据工厂的公司会处于劣势。数据是VLA最终能用的唯一弹药，Physical Intelligence疯狂签合作协议，就是为获取物理交互数据。具身智能的Uber时刻虽未到，但已在倒计时。
结语
VLA没死，它要从互联网温室进入物理世界，长出世界模型理解物理因果。这取决于数据工厂的工作，具身智能宏大叙事落幕，工程战刚刚开场。
