具身智能新范式：VLA与“世界模型”融合，让机器人从“能干活”到“懂预判”

事件概述

具身智能技术路线正从单一的“感知-行动”向“感知-推演-行动”演进。业内逐渐明确分工：**VLA（Vision-Language-Action，视觉-语言-动作模型）主要解决机器人“能干”的问题，即精准执行抓取、移动等指令；而世界模型（World Model）**则致力于解决“想清楚再干”，即在行动前基于当前状态预测未来演化，评估不同决策的后果。两者融合被视为赋予机器人真正“具身大脑”的关键路径。

核心进展与案例

目前，上海张江等地成为该技术验证的核心区域，多条技术路线并行推进：

1. VLA的规模化落地与迁移挑战

   • 应用场景：蚂蚁灵波的“灵波通用大脑”已适配17个主流机器人品牌，在上海国大药房等多家门店正式上岗，完成取药任务；“灵龙”系列机器人进驻延锋汽车零部件企业，完成零件分拣等工位作业。
   • 核心瓶颈：从单一场景走向多场景需跨越“能力迁移”门槛。货架布局、药品包装及工业零件形态的变化要求模型具备极强的泛化能力，需验证其在不同环境下的复用性及额外调试成本。

2. 世界模型的突破与融合尝试

   • 智元机器人：发布世界-动作模型GE-Act 2.0，将“预测未来”与“生成动作”整合。训练数据从300小时扩展至3万小时，在陌生场景和陌生物体测试中，总体成功率从17.1%提升至44.1%，提升约2.6倍。
   • 擎朗智能：采用嵌入式融合路径，将世界模型嵌入VLA，使人形机器人无需遥操作即可独立完成咖啡制作等长流程任务。
   • 大晓机器人：使用自研开悟世界模型3.1驱动机器人，在中国石油加油站便利店试运营。其特点是高频预测，约每100毫秒对未来状态进行一次预测，以应对狭窄通道内的拣选打包任务。
   • 其他探索：上海人工智能实验室发布InternW0-Δ，将视觉、力觉、触觉纳入同一模型，实现实验室移液等技术环节；它石智航聚焦汽车线束装配；穹彻智能利用人类数据辅助预训练以降低采集成本。

关键挑战与行业共识

尽管前景广阔，世界模型仍面临三大必答题：

• 速度（快）：推理需满足实时性要求。例如，GE-Act 2.0在RTX 5090上生成一个连续动作块约需104毫秒。
• 拟真（真）：物理模拟需高度精确。部分模型虽能生成逼真画面，但在流体动力学等细节（如杯中水的动态）上仍存在失真。
• 数据（多）：能力涌现需要海量数据支撑。业界判断，显著的能力涌现可能需要“接近千万小时级”的训练数据。

政策与标准导向

• 规划指引：《浦东新区加快推进新型工业化“十五五”规划》明确提出重点布局“具身大模型+世界模型”融合技术，推动模型理解物理规律并自主决策。
• 标准建设：工信部《国家人形机器人产业标准体系建设指南（2026版）》及上海市相关指南已将“世界模型标准”列为关键技术标准，旨在建立多维度评测体系，确保技术在真实场景中的可靠性。