NE时代

一边开源押注，一边公开存疑？

近日，英伟达机器人主管Jim Fan在社交媒体上发表了对具身智能机器人领域的年度“锐评”。

“当业界普遍为“氛围编程”（vibe coding）热潮感到兴奋之时，恰逢岁末年初的佳节节点，我想借此机会，分享对机器人这一尚处蛮荒探索阶段领域的些许思考与焦虑。”

以下，便是Jim Fan在2025年深耕机器人领域所收获的三条核心经验与教训：

一、硬件发展超前于软件能力，可靠性制约迭代效率

当下，我们已然见证了Optimus、e-Atlas、Figure、Neo、G1等一系列具备精湛工程水准的机器人产品问世。即便如此，当前最先进的人工智能技术，仍未能充分释放这些前沿硬件的全部潜能——机器人本体的机能上限，显著高于其“大脑”的指令输出能力。

更为关键的是，维持这些机器人的稳定运行，往往需要一整支专业运维团队的支撑。

与人类不同，机器人不具备自我修复能力，过热、电机故障、各类非常规固件问题等故障场景，每日都在实践中反复出现。一旦故障发生，往往会造成不可逆的损失，且难以通过简单干预实现恢复。在这一过程中，唯一得以增长的，便是从业者的耐心。

二、机器人领域基准测试体系仍深陷混乱

在大模型领域，MMLU、SWE-Bench等基准测试已成为行业共识，成为衡量技术水平的通用标尺。

但这一成熟范式，尚无法直接迁移至机器人领域。从硬件平台的选型、任务目标的定义、评分标准的设定，到模拟器的搭建与真实场景的部署，整个行业尚未形成统一的规范与共识。

在此背景下，几乎所有从业者都宣称自身技术达到“最先进水平”（SOTA），但这一“最先进水平”的定义，往往是为适配每次技术发布而临时设定的基准。

更普遍的现象是，多数从业者会从数十次甚至上百次的尝试中，筛选出效果最优的演示样本（demo）用于对外发布。

展望2026年，机器人领域必须打破这一乱象，不再将可复现性与科学规范置于次要地位，推动行业朝着更严谨、更有序的方向发展。

三、基于VLM的VLA路线或非最优解

VLA（视觉-语言-动作模型）已成为当前机器人大脑方案的主流选择，其核心实现逻辑是：基于预训练的VLM（视觉-语言模型）检查点，接入动作生成模块。

但深入剖析后不难发现，这一技术路线存在先天局限。VLM模型在训练过程中，过度针对视觉问答等“爬坡式”基准测试进行优化，这直接导致了两个核心问题：

其一，VLM模型中的大部分参数，主要服务于语言理解与知识处理任务，而非适配物理世界的交互需求；

其二，为适配问答任务对高级语义理解的需求，视觉编码器被主动调校为舍弃低级视觉细节——但对于机器人灵巧操作而言，这些细微的视觉细节恰恰是决定任务成败的关键。

基于这一逻辑，VLA的性能提升，并不具备随VLM参数规模增加而同步提升的合理性，核心症结在于预训练目标与机器人的实际需求存在根本性错配。相较之下，视频世界模型更符合机器人策略学习的预训练目标，这一判断已成为我深耕领域后的坚定认知。

针对此番“锐评”，也有网友表示质疑。

一网友认为，若视频世界模型是更优的预训练目标，为何Helix、GR00T N1及π0等模型仍以VLM（视觉语言模型）为骨干网络进行构建，并成功交付实际成果？与此同时，世界模型方法为何主要应用于策略评估与合成数据生成场景，而非直接用于运动控制任务的执行？此外，关于“硬件瓶颈限制迭代速度”的观点，似乎同样适用于各类预训练方案——除非机器人数据缺口这一核心问题得到解决。

Jim Fan回答道，上述提及的Helix、GR00T N1及π0均为2025年推出的模型，对于更贴合视频世界模型预训练目标的技术方案，可期待2026年下一代大型模型的表现。

01.

英伟达：物理AI战略下的智驾VLA布局

Jim Fan的锐评精准戳中了当前机器人领域的核心争议与痛点，尤其是关于VLA技术路线的优劣之争，成为行业关注的焦点。

值得注意的是，就在业界围绕这一争议展开讨论之际，英伟达近日开源最新自动驾驶VLA模型Alpamayo-R1，这一动作不仅是全球首个面向智能驾驶的开源VLA模型发布，也是其汽车事业部负责人吴新宙入职后的首份智驾领域答卷。

更核心的是，这也印证了黄仁勋此前提及的英伟达在物理AI赛道的战略布局：在计算基础设施之外，打造链接AI与物理世界的底层“安卓”生态，覆盖机器人、自动驾驶等核心场景。

从行业影响来看，此次开源意味着AI巨头英伟达正式加入VLA技术路线，为VLA阵营注入重量级力量。

此次开源内容包含VLA架构及100TB数据集（覆盖美国、欧盟多国道路数据，不含中国数据），向全球开发者开放了其相关技术方法论。

但需明确的是，英伟达尚未实现VLA技术的商业化落地，此次开源更多是技术思路的示范，并非可直接应用的成熟VLA方案，开源架构的商业化价值仍有限。

技术层面，Alpamayo-R1虽归属VLA模型范畴，但与业内主流的“端到端+大语言模型外挂”VLA存在本质区别，其核心是原生多模态模型，基座源于英伟达年初CES发布的Cosmos基础世界模型中的Cosmos Reason。

作为链接AI与物理世界的“中间层”，Cosmos本质是“通才”型世界模型，为千行百业提供基础物理AI“安卓”模板，而Alpamayo-R1正是Cosmos AI推理模型的扩展，核心能力在于通过思维链推理理解视频数据。

具体来看，Alpamayo-R1的预训练依托Chain of Causation“因果链”（CoC）数据集展开，其基座模型Cosmos的训练则采用扩散模型与自回归模型两种方法：前者包含“文本到世界生成预训练”“频到世界生成预训练”，后者涵盖“下一个token生成”“文本条件的视频到世界生成”。

这一技术路径也契合黄仁勋多次强调的物理AI核心逻辑——构建AI与物理世界的“中间层”，让缺乏强AI算法能力的企业与个人，也能借助强大基座模型和工具打造专属产品。

总的来看，Alpamayo-R1的开源并非单纯的技术输出，而是英伟达物理AI战略在智能驾驶领域的具体落地，标志着其在计算基础设施之外，进一步向自动驾驶等物理AI场景的底层生态延伸，试图构建覆盖千行百业的物理AI基础体系。

然而，这与前文Jim Fan提及的机器人领域“基于VLM的VLA路线或非最优解”的观点有所出入。

02.

宇树王兴兴：VLA是相对“傻瓜式”的架构

一边是英伟达智驾押注VLA的实践探索，一边是Jim Fan对该路线的存疑。而在这场争议中，宇树科技创始人、首席执行官兼首席技术官王兴兴和Jim Fan的观点高度一致。

在2025世界机器人大会主论坛上，王兴兴发表主旨演讲，抛出核心论断：当前智能体机器人整机硬件已能满足需求，行业最关键的挑战并非数据而是模型问题，机器人大模型的临界点或将在未来3-5年到来。

王兴兴指出，现阶段人形机器人硬件、灵巧手整机等核心硬件虽未达到完美成熟的状态，但已能适配当前发展阶段的使用需求。

未来硬件领域的核心发展方向将集中于三个维度：一是持续完善硬件细节设计，提升产品体验；二是着力降低制造成本，为规模化应用铺路；三是增强设备的使用寿命与运行可靠性，夯实商业化基础。

在王兴兴看来，机器人大模型是当前及未来限制智能体机器人（尤其是人形机器人）大规模应用的最大阻碍。在9月 的2025 外滩大会上，王兴兴再次强调，现有的硬件（甚至一两年前的硬件）足够用，核心问题是AI模型能力不足，无法充分利用硬件（比如难用好灵巧手，数据采集及实现灵巧动作具挑战性）。

从发展进度来看，当前机器人大模型的发展阶段类似ChatGPT发布前1-3年的状态——业界已明确大致的技术方向与路线，但尚未有成熟的落地成果。

他明确了机器人大模型“ChatGPT时刻”的临界点标志：机器人能在完全陌生的环境中精准听懂指令并流畅完成任务。具体场景包括比如在全新会场中完成“向指定观众传递水瓶”，或在陌生房间内按指令整理环境等。

王兴兴预判，这一临界点最快1-2年可实现，慢则需要3-5年。

针对行业普遍关注的数据问题，王兴兴提出不同看法：当前全球对数据的关注度偏高，反而忽视了更核心的模型问题，这也是机器人尚未达到上述临界点的关键原因。

王兴兴认为，数据存在采集、质量、类型、规模无标准的问题，现在还处于比较模糊的阶段；需提高数据利用率，让模型本身对数据的理解能力更强，可识别高价值数据，比如说语言模型需特征性的数据而非单纯看量。

对于当前热门的具身智能模型——VLA模型，王兴兴持怀疑态度。他认为该模型实用性存在明显局限，属于相对“傻瓜式架构”，在与真实世界交互时存在数据质量不足的问题；即便叠加RL（强化学习）技术，其架构仍需进一步升级优化。

与之相对，王兴兴认为“世界模型”是更值得关注的技术路线，甚至可能比VLA模型更快落地。

世界模型被视为迈向通用人工智能（AGI）的重要阶梯，核心价值在于通过学习环境的时空动态，实现对未来状态的预测及自身行动后果的评估。

以谷歌DeepMind发布的第三代通用世界模型Genie 3为例，其可为机器人等智能体提供低成本虚拟训练环境，支持复杂任务的长时程模拟。

此外，王兴兴还指出，当前机器人存在“学习新技能需从头训练、无法复用旧知识”的痛点，亟需实现类似大模型的持续学习能力。

“如今多模态的融合不太理想，尽管单纯的语言或多模态模型表现优异。”王兴兴补充道，但在机器人领域，用语言或图像、视频生成内容来控制机器人仍存在重大挑战。

王兴兴总结了未来2-5年智能机器人技术的三大发展重心：其一，构建统一的端到端智能机器人大模型，突破核心技术瓶颈；其二，攻坚更低成本、更高寿命的硬件产品，并实现超大批量制造，推进规模化落地；其三，搭建低成本、大规模的算力体系，尤其要发力分布式算力领域。

03.

写在最后

“VLA就是自动驾驶最好的模型方案。”理想自动驾驶负责人朗咸朋表达了与王兴兴、Jim Fan 看法不一致的观点，他强调具身智能最终拼的是整体的系统能力。

朗咸朋解释，理想的VLA本质是生成式模型，区别于生成文本Token的传统生成式模型，其生成的是轨迹与控制信号。从用户反馈来看，该VLA在部分场景下已呈现出对物理世界的认知涌现，具体体现为拟人化行为表现优异。

针对世界模型与VLA的对比，朗咸朋指出，世界模型更适合扮演“考场”角色——用于仿真环境构建与强化训练，而非作为“考生”直接部署于车端。

核心原因在于世界模型的算力需求远高于VLA，这决定了其更适配云端场景，可用于数据生成、高逼真度仿真测试及强化训练。他同时透露，理想汽车已在云端应用世界模型，规模达数E flops级别。

另外，真实数据被朗咸朋视为理想研发VLA的核心底气。目前理想已构建起由数百万辆车组成的闭环数据体系，为VLA的落地实现与持续优化提供了关键支撑。

关于VLA的未来应用，朗咸朋透露，该技术不仅将服务于当前的理想汽车，还将延伸至未来的汽车类具身机器人领域。不过，两者是否会采用同一套技术架构，他并未给出明确答案。

可以预见的是，Jim Fan的锐评与行业内的实践探索相互印证，清晰揭示了当前具身智能机器人领域的核心矛盾与发展瓶颈。硬件的相对成熟与软件的滞后性、技术路线的分歧与基准体系的缺失，共同构成了行业前进路上的主要障碍。

未来数年内，随着世界模型等新兴技术路线的探索深入、统一基准体系的逐步构建以及端到端机器人大模型的持续突破，具身智能机器人领域或将迎来从蛮荒探索到有序发展的关键转折。

至于VLA是“最优解”还是“过渡品”？这场关乎技术路线选择与行业生态构建的探索，不仅将决定相关企业的竞争格局，更将深刻影响人工智能与物理世界交互的最终形态。