15小时前 机器人也需要“Token”：RoboScience的VLOA，会成为具身智能新标准吗？

出品：机器人产业应用

前言

过去两年，具身智能行业最常见的画面是：机器人学会抓杯子、叠衣服、开抽屉、拧瓶盖。但产业内的人都知道，真正难的不是让机器人在展台上完成一次动作，而是让它换一个杯子、换一只机械臂、换一个场景后，仍然知道自己该怎么做。

这正是RoboScience机器科学发布Visics通用具身大模型时，试图回答的问题。6月24日，RoboScience机器科学发布自研通用具身大模型Visics，并首次完整披露VLOA，即Vision-Language-Object-Action技术架构。发布会展示了家具拼装、跨本体灵巧抓取、精细力控、动态流水线抓取等真实场景 Demo。

其核心主张是：具身智能不能只学习“机器人动作”，而应学习“物体如何被改变”。这句话听起来像技术口号，但背后其实指向一个更底层的问题：机器人行业到现在，还没有形成类似大语言模型“文本Token”那样的统一基础表征。

RoboScience给出的答案，是Object Trajectory，也就是物体3D点云轨迹。简单说，Visics不再只问“机械臂关节应该转多少度”，而是先问：“这个物体最终应该怎样运动、变形、受力、到达哪里？”

01

先看公司：RoboScience机器科学

RoboScience机器科学成立于2024年12月，公司官网将其定位为通用具身智能企业，核心产品是具备跨本体泛化操作能力的Visics通用具身大模型，并采用“仿真+视频”数据进行训练。

创始人兼CEO田野，本科毕业于中国科学技术大学物理专业，硕士毕业于斯坦福大学计算与数学工程专业，曾任Apple AI Platform技术负责人；创始人兼首席科学家邵林是新加坡国立大学助理教授，博士毕业于斯坦福，研究方向长期聚焦机器人操作；联合创始人刘朋海有科沃斯产品量产和供应链经验；联合创始人汪涛则有产业投资与募资背景。

这意味着RoboScience的组合并不是单纯的“算法创业”，而是“基础模型+机器人操作研究+硬件量产+产业落地”的混合型团队。

官网还显示，公司在2026年6月完成10亿元A轮融资，此前已在2026年2月完成数亿元Pre-A轮融资。这类背景不能直接证明Visics已经成为行业标准，但能说明：RoboScience不是在讲一个孤立模型，而是在试图把模型、数据、仿真、本体和商业化路径打包成一套具身智能基础设施。

02

VLOA和VLA，到底差在哪里？

过去主流的具身大模型路线，常被称为VLA：Vision-Language-Action，视觉、语言、动作。

Google DeepMind在RT-2中提出的VLA思路，是把视觉语言模型和机器人控制连接起来，让模型从网络图文数据和机器人数据中学习，并将知识迁移到机器人动作中。

RT-2 论文也明确将机器人动作表达为token，和自然语言token一起进入训练。

VLA的优势很明显：它能听懂语言、看懂场景、输出动作，路径清晰，工程上相对直接。但问题也很明显：很多VLA模型学习的是“某个机器人在某个场景下如何执行动作”。一旦换机械臂、换夹爪、换灵巧手，原来的动作轨迹就不一定能复用。

RoboScience的VLOA，多了一个“O”——Object。这个O不是泛泛地“识别物体”，而是Object Trajectory（物体轨迹）：物体在三维空间中的连续点云轨迹，包括位置、姿态、形变、时间步和预测置信度。

RoboScience 官方技术文章称，其具身世界模型的输出不是下一帧像素，而是物体未来运动路径的3D点云轨迹。

可以用一句话区分：VLA更像是在学“机器人怎么动”；VLOA更像是在学“物体应该怎样被改变”。

这也是VLOA最有意思的地方：它不是简单给VLA加一个模块，而是试图换掉中间层的“语言”。

03

为什么说Object Trajectory可能是具身智能的“Token”？

大语言模型的基本单位是文本Token。无论模型最后生成诗歌、代码还是合同，本质上都在处理Token序列。自动驾驶里，车道线、障碍物、点云、BEV空间表征，也构成了系统理解世界的基础格式。

而机器人操作更麻烦。它不仅要“看见”，还要“接触”；不仅要“判断”，还要“改变物理世界”。所以，具身智能的基础表征必须同时回答三个问题：

第一，任务要达到什么状态？

第二，物体会如何运动或变形？

第三，不同机器人怎样把这个目标执行出来？

Object Trajectory的价值就在这里。它把“任务目标”从机器人的身体里抽出来，放到物体本身上。抓杯子不是“夹爪闭合30度”，而是“杯子以稳定姿态从桌面移动到目标位置”；拼家具不是“双臂执行一串关节角”，而是“板件、螺丝、插槽按照正确关系被移动、插入、锁定”。

如果这套中间表征足够稳定，它就可能带来三个好处。

第一是跨本体。不同机器人身体不同，但它们面对的“物体目标状态”可以相同。

第二是跨物体。新物体不一定需要从零采集动作数据，而可以先预测它该如何运动。

第三是长程任务更容易拆解。多步骤任务不再只是动作序列，而是一个个可检查的物体状态变化。

04

Visics的双引擎：一个负责“想”，一个负责“做”

Visics采用双引擎架构：上层是具身世界模型，下层是通用操作模型。具身世界模型负责“想”。它输入语言和视觉信息，预测物体未来会怎样运动。

RoboScience官方文章称，这一路线不是做传统2D视频预测，也不是静态3D重建，而是做3D动态世界建模，即预测物体在三维空间中随时间变化的连续轨迹。

通用操作模型负责“做”。它接收世界模型生成的Object Trajectory，再转换成接触点、力控命令和关节角指令。官方技术文章称，该模型输入的是物体和环境的点云轨迹，并能基于点云进行闭环控制；其目标不是重新学习“去哪里”，而是学习“怎么到那里”。

这套设计的关键，是把认知和执行解耦。传统端到端模型像一个“黑盒学生”：看到杯子，听到“拿起来”，直接输出机械臂动作。VLOA更像一个“先规划再动手的工人”：先想清楚杯子应该如何移动，再决定用哪只手、哪个角度、多少力去执行。

这种分层设计不一定比端到端更简单，甚至工程上更难。但它更符合机器人产业的现实：未来市场上不会只有一种机械臂、一种灵巧手、一种人形机器人。如果每换一个硬件都要重训一个大模型，通用具身智能很难规模化。

05

数据降本：真正的产业变量在这里

具身智能绕不开数据。语言模型可以吃互联网文本，视觉模型可以吃互联网图片和视频，但机器人模型需要真实交互数据。

问题是，真实机器人数据太贵、太慢，还和硬件强绑定。

RoboScience的解法是“仿真 + 视频”双数据飞轮。公开报道中，RoboScience称其通过自研高精度仿真引擎 RoboMirage和自动标注清洗管线，把单条数据获取成本降到传统方案的1/20至1/200，并以每周数十万小时速度扩展视频数据；

报道还称，公司目标是在2026年构建超过1T的高质量 manipulation操作轨迹数据集。RoboMirage的定位是面向具身智能的高精度通用物理仿真平台，支持刚体、1D/2D/3D可形变体、多关节结构和多种机器人末端执行器的接触建模，并强调高精度多体动力学和GPU加速。

这套路线有明显优势：

一是规模。如果数据生产主要依赖算力，而不是遥操作人员，产能上限会高很多。

二是覆盖。仿真可以制造大量真实世界中难以采集的边界案例，比如失败、碰撞、形变、遮挡和异常接触。

三是安全。高风险动作可以先在仿真中训练，再迁移到真实机器人。

但它也有一个核心挑战：仿真永远不是现实。

家具板件的微小误差、软材料的摩擦变化、真实传感器噪声、现场光照和遮挡，都可能让模型在真实环境中失效。所谓sim-to-real，不是把仿真数据堆大就自然解决，而是要靠足够高精度的物理建模、真实数据校准、在线反馈和场景闭环共同完成。

所以，数据成本下降会重构研发门槛，但不会让中小团队立刻都能训练通用具身模型。它会降低一部分门槛，同时把竞争焦点转移到仿真引擎、数据清洗、真实场景验证和硬件闭环能力上。

06

VLOA能成为新标准吗？

结论可以分三层说。

第一，VLOA抓住了真问题。

具身智能确实缺少统一基础表征。Open X-Embodiment项目曾汇集22种机器人本体、超过100万条真实机器人轨迹，并强调用统一数据格式促进跨机器人策略学习。

这说明行业早已意识到：机器人不能永远停留在“一个任务一个模型、一个本体一套数据”的阶段。

第二，Object Trajectory是一个有解释力的候选答案。

它把机器人学习的中心从“本体动作”转向“物体状态变化”，天然更接近操作任务的本质。邵林团队此前在 D(R,O) Grasp中也围绕“机器人-物体交互”的统一表示做过研究，并获得ICRA 2025 Robot Manipulation and Locomotion最佳论文奖。

第三，它还没有成为标准。

判断一个技术能否成为标准，不能只看发布会Demo，而要看四个条件：

因此，最客观的说法是：VLOA不是已经成为新标准，而是提出了一个可能成为标准的方向。它的价值不在于又多了一个机器人Demo，而在于把行业争论从“谁的机械臂更灵巧”，推进到了“机器人到底应该用什么基础语言理解物理世界”。

07

真正的看点：不是机器人会不会拼家具，而是行业会不会换语言

在发布会上，Visics展示了机器人读取说明书完成家具拼装，并在过程中应对人为拆解后继续恢复执行；还展示了开信封、立硬币、抓薯片、针管注射、动态传送带抓取等任务。相关演示能力来自公司和媒体报道，仍需更多第三方测试验证。

但从产业角度看，这些Demo的意义不只是“机器人又会干活了”。更关键的是，它们在展示一个路线判断：未来的机器人模型，不能只学动作库，也不能只靠真机示教堆数据。它需要一种能连接语言、视觉、物体、物理和动作的中间表征。

如果Object Trajectory最终被证明足够通用，VLOA可能带来类似操作系统接口的作用：上层应用不必关心底层硬件细节，底层机器人只要理解同一种物体轨迹接口，就能执行不同任务。

那时，具身智能产业的协作方式会发生变化。机器人厂商不必每家都从零训练大脑；灵巧手、机械臂、人形机器人可以共享部分模型能力；零售、物流、康养、家庭等场景的数据，也能以更统一的格式反哺基础模型。

但这一天还没有到来。VLOA要真正成为行业标准，至少还需要经过三关：更多真实场景的长期稳定性验证，更多非自研本体的跨平台部署，以及更多外部开发者和合作伙伴对Object Trajectory接口的采用。