阅读时间大约10分钟以上（4039字）

1小时前世界模型与VLA如何演进？卢宗青、吴祖煊共话具身智能的下一步

来源：机器人大讲堂

从高频动作控制到触觉反馈，从数据训练到产业落地，两位专家共话具身智能的技术突破与未来路径。

作者：LeadeRpbot 出品：机器人大讲堂

世界模型与视觉—语言—动作模型（VLA），是当前具身智能领域备受关注的两条技术路线。随着大模型能力持续演进，两条路线的技术边界也在发生变化。机器人真正缺少什么能力？不同技术路线是否终将融合？具身智能又将如何走向真实场景？

在2026全球开发者先锋大会（GDPS）“汇智具身，向新而来”具身智能先锋讲坛上，北京大学计算机学院长聘副教授、智在无界（BeingBeyond）创始人卢宗青，与复旦大学智能机器人与先进制造创新学院副院长、教授，上海新智具身智能科技有限公司首席科学家吴祖煊，围绕上述问题展开深度对话。《机器人大讲堂》整理了现场发言以飨读者。

以下是整理后的详细对话内容。

01.

从技术路线之争，看具身智能的核心能力短板与突破方向

主持人：如果只用一句话概括你们各自真正押注路线的底层判断，不说路线名称，而是更加具象地讲“机器人到底缺的是什么，以及你们的思路”，想听一下两位教授给大家的分享。

卢宗青：在我看来，GPT-6 Astra的出现，一定程度上消解了VLA与世界动作模型之间的路线争论。如果把Astra这类大模型视为承担高层推理与任务规划的System 2，那么当下当前机器人更为欠缺的，是能够高频输出动作、完成给定任务的System 1控制系统。当然Reasoning的部分可以让GPT-6 Astra来完成。

但是对于许多具身企业而言，并不具备OpenAI级别的算力资源，去训练超大规模VLA模型。因此，更现实的目标是提升System 1能力，让机器人能够高频输出动作，并泛化完成不同任务。

无论是引入动作专家模块（Action Expert）的VLA、世界动作模型，还是在仿真环境（Simulator）中训练的小模型，都是实现这一目标的不同技术路径。

过去行业希望将System 1与System 2结合训练，但Astra展现出的代码控制与推理能力，为两类系统的分工提供了新的可能。这也与我此前的判断一致：世界模型未必是具身智能最终收敛的技术范式。

吴祖煊：刚刚卢老师讲的基本和现在大家认为的比较一致。GPT-6等大模型的发展对具身智能带来了很大影响，但其算力消耗、Token开销和执行速度仍有优化空间。

从我的角度来看，无论是VLA、世界模型，还是大模型驱动的智能体，当前更需要补齐的是对物理世界的感知与反馈能力。例如，机器人在拧螺丝、插拔PCB板等精细任务中，不仅需要识别物体，还需要判断施加多大的力，以及操作后的状态变化。

但GPT-6出来之后，我们非常惊喜地发现一件事情，GPT-6依靠视觉信息也可能完成任务，但执行过程往往耗时较长。引入物理反馈后，可以明显提升执行效率。

也就是说，GPT-6是很好的路线，但当前机器人仍缺乏对真实物理环境的多模态感知与反馈能力。因此，无论哪个路线，下一步怎么样把多模态的感知与反馈放到模型里来，再加上高频动作的执行和输出，这是具身智能下一代模型所需要的，也是走向真正生产生活的必经路线。

02.

模型能力的下一步，关键突破在哪里？

主持人：假设未来不同技术路线逐步收敛，两套体系当中，最不可替代的那部分是什么？

卢宗青：不可替代的部分现在还难以定论，但我可以谈谈现在缺什么。System 1模型需要快速处理触觉等各类外部传感信息，完成高质量3D感知。目前不管VLA还是世界动作模型，零样本泛化能力普遍偏弱。

当前行业普遍在攻关，如何让System 1模型建立对3D物理环境、操作物体的零样本泛化能力。输入虽然以视觉为主，同时兼容本体、触觉传感，但核心难点，在于视觉层面如何实现对三维世界的泛化理解。这也是BeingBeyond推出Being-H0.8之后，重点攻坚的方向。

吴祖煊：刚刚提到具身模型最需要的是对物理状态的反馈，比如说在大模型里会讲RSI持续自主学习（Recursive self-improvement），也就是持续自主学习，对于具身模型也是一样的，如何能让具身模型把反馈、行动、感知真正的闭环走起来，也是目前所缺的状态，这也是在场景中不断学习、进化、适应各种各样任务，Zero shot也好，或者一两个样本，前面看到一两个公司，比如说像Skill等做一些feel shocked，就是In-Context learning的工作。

怎么样真正在环境中持续部署，通过跟环境的交付拿到反馈，基于反馈提升模型的性能，从而能在更多的任务上有泛化能力，也有更强的适应能力，这是整个具身模型所需要的。

03.

触觉能否成为精细操作的关键？

主持人：请问两位教授，在您们各自的框架里，“触觉”在现在和未来，到底充当什么样的角色？这个差别会不会导致两条路线在精细操作上走向不同的天花板？

卢宗青：触觉属于需要高频处理的传感模态，可以分为两种应用场景。第一，在预训练阶段，从视觉信号识别接触点位，融入下一状态预测；第二，真实机器人控制环节，触觉信号不经过主干Transformer网络，旁路介入，实时修正动作输出。

人类精细操作可以脱离视觉，依靠触觉完成，对应机器人场景，高频触觉处理、实时动作调整至关重要。但也要区分落地场景：面向高阶灵巧操作，触觉是不可或缺的；但面向大量现实商用任务，触觉不一定带来本质性能提升。

吴祖煊：其实触觉重要性可以从两方面来看。第一是状态捕捉，同样是夹持水杯，视觉画面完全一致，但机器人无法判断施加力的大小，容易出现夹碎物体的事故，触觉可以补足这部分信息，约束动作执行。第二，捕捉操作带来的物理状态变化，比如瓶盖拧开、PCB完成插拔、容器发生形变，这些变化能够帮助模型预判后续演化。

总体来说，触觉一方面为动作执行增加约束条件，另一方面提供物理交互后的真实反馈，支撑模型迭代。这也对数据采集设备提出新要求，带力反馈的采集手套等硬件，是行业正在探索，但成本仍然较高的解决方案。

04.

不同数据路线有何不同？

主持人：吴老师曾提出100条真机数据仅能支撑单一任务，视频生成合成数据成为重要手段；卢老师的方向，则是选择输入50万小时人类第一视角视频训练隐空间世界动作模型。随着数据规模扩大，两条路线会呈现怎样变化，哪一类数据的下游迁移效率更占优势？

卢宗青：GPT-6 Astra同时使用了大量第一、第三人称视频，叠加真机数据完成训练，这和我们Being-H0.8预训练的数据构成逻辑相近。

但训练目标决定了数据策略。如果训练类似GPT-6级别的大模型，海量Ego视频与真机数据必不可少。如果目标是训练侧重动作输出、追求3D物理泛化的System 1模型，盲目扩大数据规模并非最优解。目前不确定到底什么样的范式能够训练出来在Vision层面有非常强泛化性的模型。因此自H0.8版本后，我们把重心放在了探索训练范式上，目标实现媲美大模型级别的视觉泛化效果。

吴祖煊：真机数据、第一视角视频、仿真生成数据之间并非互斥，行业普遍比较认同“数据金字塔”的思路。工人佩戴设备采集Ego数据，也就是很多网上帖子说的“赛博打工”模式，很容易实现规模扩张，提供丰富的样本多样性，构成预训练底座。仿真、视频生成模型合成的数据同样可以在预训练阶段发挥价值。

真正的难点，是不同训练阶段的数据配比。大模型领域，预训练、中期训练、后训练的数据配比已经有成熟实践；但具身智能领域还处在探索阶段。更大的痛点在于评测：大模型依靠标准化Benchmark、SFT可以较为直观地评估模型效果；如果我要评测具身智能预训练的好坏需要做一些真机，需要在真机上做些评测，更换场景、硬件，效果就会发生波动。仿真榜单成绩亮眼，但仿真—现实鸿沟始终存在，真机的榜单很多人认为没有太大意义，这也在增加了行业确定最优的数据配比方案难度。行业共识是：预训练保证样本广度，下游依靠真机数据微调，以此搭建完整数据体系。

05.

高训练成本之下，行业格局怎么走？

主持人：当前具身模型训练成本居高不下，AMI Labs估值30亿欧元、World Labs被AMD以82亿美元收购、英伟达Cosmos单次训练成本堪比一部高端工业影片。假设明年100亿参数世界行动模型单次训练依旧成本高昂，具身智能行业会走向技术大一统，还是形成通才大模型叠加垂类小模型的双层格局？

卢宗青：这更多是商业化层面的取舍。System 2级别的具身基础模型，短期门槛极高，因为包括OpenAI、国内的Seed等国内大模型公司已经开始在积累机器人数据，去训练类似Astra这样的模型。

对于具身创业公司，核心突破口，是打造具备泛化能力的高频控制System 1模块，并和System 2大模型探索结合，依靠RSI机制获得新场景泛化能力。

从落地现状看，短时间之内更多看到的是垂类模型，部分模型规模甚至不到2B参数，聚焦单一工位，完成高节拍、高成功率的重复作业，只要ROI跑通就可以落地。一开始的话，你可能是在顺丰/京东的工厂里采真机数据、训模型、部署，部署模型之后，怎么能得到更好的模型，它可以解决所有的工厂场景，这是大部分具身公司接下来需要考虑的深层问题，如何能够基于现在的模型去商业化。

因为它跟大模型公司不一样，大模型公司有To C的User。对于To C公司来讲，不管是商业场景的应用、工业场景的应用、物流场景的应用，应用会是接下来1-2年最大的挑战。

我再补充一点：GPT-6 Astra 对机器人的控制，更像是高水平开发者编写控制代码，耗时久、泛化能力有限，单纯依靠它很难落地业务，真实驱动机器人完成任务，终究离不开System 1 控制系统。

吴祖煊：问题是“通用”跟“专用”，刚刚卢老师讲了商业落地的考虑，我从大模型角度来讲讲这两个区域。

GPT到现在走的是从“通用—专用—通用”的路线，一开始大家会觉得GPT3.5只能有通用的能力，我要把模型用在一些领域，比如说数学、化学、制造、钢铁冶金，需要专用的模型，所以前两年有个很火的词叫“通专融合”，通用模型和专用模型要做融合。但发现这两年大模型Coding能力提上去之后什么问题都能解决了，我只要用大模型上接一个所谓的OPD做蒸馏，把这些能力都可以放在一个模型里。

近期的GPT-6、Opus-5.5模型都能够在很多领域有很强的能力。对于具身而言，我认为比较积极地来看，也可能就是以GPT-6往下一代发展，很多领域有可能也能解决了，当然这是比较乐观的看法，具身会比大模型更难，难点在于涉及到很多机械控制，包括跟环境本身的相关部署，这也是阻碍它大规模推广应用的点。但随着GPT模型能够接到产线中，从产线中回流到控制设备，包括跟工序、工艺相关的能力，还是有可能有机会实现通用，当然也可能是未来5-10年的事情。

06.

VLA 与世界模型，什么才是真正有价值的融合

主持人：如果假设VLA与世界模型终将走向融合，两位认为，一场有价值的融合，需要满足哪些核心条件？

卢宗青：我觉得VLA和世界模型只是不同的训练方法。一个基于Transformer，一个基于DiT backbone去训练模型，这些只是训练方法，最终不一定会融合，因为最后训练的技术路线只有一条，只有这条技术路线能训练出通用的System 1的模型，融合有可能是在技术特点上的融合，不可能只是把两个词拼起来的融合。

我觉得更多的融合可能是我们将来System 1和System 2的融合，真的训练出System1的模型再加上System 2，它真的有可能实现我们想要的RSI、Online的强化学习，是在未来具身最需要融合的地方。

吴祖煊：架构方面也挺难融合的，融合在GPT-6背景下也没有什么太大意义，核心是有些想法思想，比如说世界模型能做一些视觉预测，视觉预测思维链也可以放在VLA模型里面去，大概是这种比较High Level的规划、控制融合，可能会有融合的机会。但架构本身的融合，比如说在今年，特别是这两个月或往下来看就不太会有太多人去做，不是很好的方向。