2025-09-26 学会快慢思考的VLA大模型：下一站会与世界模型融合吗？

出品：机智视界

01

“快慢思考”理念的提出

《思考，快与慢》，这是由诺贝尔经济学奖得主丹尼尔·卡尼曼写的一本畅销书。在书中作者首次提出了快慢思考组合，从心理学的角度揭示了人类高效决策的思维模式。

我们的大脑，由“快思考”和“慢思考”两套认知系统组合而成，其中：“快思考”主导了我们日常生活中约95%的事情，我们能毫不费力，凭直觉或习惯完成工作，比如识别微表情、选择早餐、系鞋带等；约5%的事情由“慢思考”处理，比如初学驾驶、探寻一个新地方、学习一门外语等，“慢思考”需要我们保持专注与逻辑，过程耗时且慢。

我们的大脑会根据事物的复杂度或熟悉度，自主切换快思考与慢思考。初学驾照的新手在行驶变道时往往表现得“犹豫不决”，这是由“慢思考”的理性决策、小心判断所致；当新手熟能生巧、驾轻就熟之后，便会在“快思考”主导下，毫不费劲地完成观察后视镜、打转向灯、转动方向盘等一系列操作了。

备注：快慢思考脑示意

02

大语言模型（LLM）的“快思考”与“慢思考”

以DeepSeek大语言模型为例，笔者演示如何模拟人脑进行“快思考”与“慢思考”。

例子：笔者想知道最近一周深圳的天气情况，为即将出差做准备。于是，笔者给DeepSeek发消息：“请告诉我最近一周深圳的天气情况”。此类问题属于日常问答，无须AI进行深度思考或推理，仅须上网搜索并整理信息，于是笔者激活DeepSeek的“联网搜索”功能，并关闭“深度思考”。

DeepSeek很快便给出深圳最近一周的天气预报以及出行活动建议。这就是一种AI大模型模拟人脑进行“快思考”的简单应用。

备注：让AI模拟快思考

接着，笔者需要准备一份出差报告，报告要求体现专业性和深度分析。此类问题笔者希望用到AI大模型的深度思考与推理能力，于是我激活了DeepSeek的“深度思考”功能：

于是DeepSeek开启拟人化“慢思考”过程，整个思维链CoT（Chain of Thought）清晰可见，耗时约7秒的思索之后，最终给笔者输出了一份颇有专业度&实用价值的出差报告。

备注：让AI模拟慢思考

03

VLA大模型如何学会快慢思考

接下来，笔者将围绕当前具身智能领域广泛采用或重点探索的视觉-语言-动作模型（Vision-Language-Action Model, VLA），与各位读者共同探讨。

首先，说明VLA的基本概念及技术渊源；其次，解析VLA底层架构如何支撑“快思考”与“慢思考”的双重能力；最后，系统总结这两种机制在VLA中的实现路径与协同流程。

1. VLM和VLA，一个字母之差，但截然不同

VLM（Vision Language Model）：视觉-语言大模型，其核心功能是感知与规划，无须与物理世界进行交互，可理解为仅有大脑。

VLA（Vision Language Action Model）:视觉-语言-动作大模型，其核心能力是感知、规划与执行，须与物理世界进行交互，不仅有大脑，还有小脑及身体。

VLA最终要落地到执行端，需要对身体进行控制；而VLM却不需要，它就像一个活在缸中的大脑，只需要完成思考和交流。VLM和VLA存在以下关系：

VLM是VLA的基础

绝大多数VLA模型都是以VLM模型为基础开始预训练的。

通过VLM模型，具身智能先学会视觉与语言之间的关联（“这是什么?”）和语义理解（“为什么？”）。

接下来才是在真实的物理世界中对动作数据进行关联与调整，这一步将教会VLA模型如何将概念理解、高级指令等（VLM模型的输出）映射为具体的机器人动作（怎么做？）

VLA是VLM的“具身化”扩展

VLA是VLM在物理世界中的身体扩展（例如：拥有一个身体，有“手、脚”）。VLM提供了大脑思考能力，而VLA则拥有了与现实环境交互并执行任务的能力。

2、解析支撑快慢思考的VLA模型底层架构

谷歌是首个发布VLA大模型的公司，将视觉（Vision）、语言（Language）输入直接映射成机器人动作（Action），其关键创新点在于将所有模态信息如视觉、语言、动作都转化成“一种语言”即Token序列。在VLA模型中的实现“快思考”与“慢思考”的方式主要有以下几种：

分层架构

这是最直接的实现方式，采用两个相对独立的子系统进行分工协作。

慢系统（S2）是一个大型的视觉语言模型，输入图像、语言指令，进行深度语义理解、场景分析、任务分解、宏观规划，输出全局性、概念性的任务计划或高级指令。

快系统（S1）则是一个动作策略模型，输入来自慢系统（S2）的任务计划或高级指令，将其转化为具体的、底层电机控制命令，输出高频、连续的动作指令。

特点：结构清晰，但两个子系统之间往往存在通信延迟和误差累积。

嵌入式架构

将快系统嵌入到慢系统中。通过对“慢系统”（VLM，视觉语言模型）进行主体改造，当图像、指令输入VLM模型之后，由模型的前几层进行深度语义理解和任务规划（即“慢思考”），模型的后几层被设计成直接输出高频动作（即“快思考”）。

特点：将执行模块直接嵌入VLM模型，快慢思考无缝衔接，避免独立子系统间的切换。

混合专家架构

这是一种基于MoE（Mixture of Expert,混合专家）思想的架构。

模型内部有多条专用处理通道（类似不同专家），由一个路由器负责根据输入任务的复杂度，动态决定激活哪条通道（使用哪个专家）。

特点：按需分配算力，保证性能且效率最大化，但须评估设计、训练难度。

基于解析，笔者总结快慢思考的本质是一种理念，并非一种固定架构。

3、基于不同“快慢”架构的VLA大模型举例

目前，采用上述不同快慢思考协作架构的VLA大模型包括：

Figure AI自研端到端VLA大模型Helix：分层架构，采用快系统（S1）和慢系统（S2）两个独立子系统，其中S2使用7B参数的视觉语言模型进行语义理解，S1则专门负责200Hz的高频动作控制。

备注：Figure AI端到端VLA大模型Helix系统架构

北大与港中文FiS-VLA、智平方推出GOVLA开源版：嵌入式架构，将快速执行模块嵌入预训练视觉-语言模型（VLM）中，实现快慢系统一体化，克服分层架构带来的延迟和误差，提高资源利用率。

备注：北大与港中文FiS-VLA框架（来自FiS-VLA论文）

智元通用具身启元大模型Genie Operator-1：混合专家架构，由VLM + MoE(混合专家)组成，其中Latent Planner(隐式规划器，泛化的动作理解能力)和Action Expert(动作专家，精细的动作执行能力)是MoE的关键组成。

备注：智元GO-1大模型采用VLM+MoE架构（来源智元官网）

4、快慢系统的实现路径与工作协同

快慢思考架构让AI拥有了像人一样的两种能力：一种是直觉反应，一种是深度思考。它不仅让机器人在做决策和执行任务时更加高效与可靠，还能更好地适应陌生或复杂的环境。

具体来说，机器人可以根据当前情况自主判断——是应该立刻行动，还是先想好步骤再行动。这样一来，它不仅更容易成功完成任务，也大大减少了因盲目行动导致的安全风险。

备注：快慢系统的实现路径与工作流程

常态由快系统主导：机器人90%以上的日常操作由高效、低能耗的“快系统”完成，保证流畅性和实时性。

异常触发慢系统：当快系统遇到其无法处理的异常、未知或高难度任务时，它会向慢系统发送“求助”信号。

慢系统提供高级指导：慢系统被“激活”，接管处理。它并不直接生成底层动作，而是输出一个高级的、抽象的计划（例如：“步骤一：定位苹果；步骤二：规划无碰撞路径；步骤三：执行抓取”）。

快系统执行计划：这个高级计划被下发给快系统，快系统将其转化为具体的、实时的电机控制指令来执行

交还控制权：任务完成后，控制权再度交还给快系统，慢系统进入“待机”状态以节省能耗。

04

由快慢双系统架构引发的算力担忧

以Figure AI的VLA大模型Helix为例：其慢系统(S2)使用7B参数的视觉语言模型进行语义理解；快系统（S1）输出200Hz的高频动态控制。

从存储角度看：

模型参数通常以32位浮点数（FP32） 存储，那么7B模型的纯参数大小约为：7,000,000,000×4字节 =28 GB。为了高效推理，通常会采用半精度（FP16） 或 BF16，此时模型大小约为14 GB。

这意味着要仅仅是把Helix的慢系统（S2）模型加载起来，就至少需要一张显存大于16GB的显卡，意味着它无法在低端设备上运行，只能部署在高性能嵌入式平台（如Jetson Orin）或边缘显卡（如RTX 4090）上。

从模型能力角度看：

7B规模是模型开始展现出强大推理、理解和生成能力的门槛，但也只能属于“入门级”强大模型。对于动辄700亿（70B）参数的超大模型，我们来估算一下它的算力需求：

生成一个token所需的基础计算量约为 2 * 参数数量

对于70B模型，单次推理的计算量约为 2 * 70B = 140 GFLOPs

这意味着，处理一个输入，S2需要完成1400亿次浮点运算。

从硬件选型角度看：

考虑到GPU标称算力（如100 TFLOPS）通常是理论峰值。实际应用中，由于内存带宽、模型架构等因素限制，能达到其30%-60%就已非常高效。

备注：机器人算力平台（来自英伟达网站）

加上模型的延时及频率要求、处理多模态数据增加的计算负担、双系统调度开销，以及训练这些模型需要大规模数据集（例如，OpenVLA使用了97万条真实世界机器人轨迹进行预训练），双系统架构确实导致了算力需求的激增。

总结：笔者认为如何将这种算力增长变为可管理及可优化,是当前具身智能大模型能够实际部署与达成落地的核心挑战。

05

未来展望：

会快慢思考的VLA与世界模型的融合

在谈及具身智能商业落地所面临的核心挑战时，宇树科技王兴兴曾一针见血地指出：“当前最棘手的问题是具身智能模型，不够泛用性，实用性还有待更大的提升。”这句话直面了行业当前最真实的困境。

回看文中讨论过的几类大模型——LLM（大语言模型）、VLM（视觉语言模型）和VLA（视觉语言动作模型），它们功能相近却又各有侧重，的确容易令人混淆。

这也引发出一个更深层的思考：这些模型最终会走向统一吗？具身智能领域是否会出现一个真正意义上的“大一统模型”，能够彻底打通感知、认知与行动之间的屏障？

在探索“大一统模型”的道路上，智能汽车公司似乎比人形机器人公司走得更快一步，尤其是在自动驾驶这一领域。理想汽车在2024年7月5日的智驾发布会上，正式推出了其全新的自动驾驶技术架构。该架构创新性地融合了视觉语言模型（VLM）、视觉语言行动模型（VLA） 及世界模型（World Model）于一体。

备注：全场景智能驾驶（来自理想汽车官网）

笔者坚信，在技术演进过程中，各个发展阶段诞生的具身智能模型将不断融合，终将统一于一个具备完全泛化能力的架构之中——或许，我们可以暂且将这一终极形态，归于“世界模型”的构想之下。

（备注：世界模型能预测未来、理解因果，并进行反事实推理，但它不是一个特定的算法，而是一个目标、一种能力）