VLA模型

VLA（Vision-Language-Action，视觉-语言-动作）模型是具身智能领域当前最受关注的技术路线之一，核心思路是将视觉感知、语言理解与动作生成整合到统一框架中，让机器人或智能体"看到—理解—行动"。不过，这一路线内部存在显著分歧：星尘智能的Lumo-1、智平方的端到端方案等坚持原生VLA架构，认为通用机器人模型必须是"通才+端到端"的VLA；而自变量机器人创始人王潜虽早期押注VLA，却在2026年初坦言其WALL-A模型遇到了"天花板"——VLA本质上是三个独立模块的拼接，信息逐级损耗，且只能模仿训练轨迹而无法真正理解物理规律，遂转向从底层重写的WALL-B架构。

线性资本被投企业创始人陈亦伦则更为激进，认为若机器人模型只是在VLM多模态大模型上"长出一个动作头"，机器人行业便沦为其他领域的下游分支，其团队自研的AWE模型选择直接记录时间、空间、力等物理量，而非"视网膜式"表达。工业落地层面，VLA带来的增量主要体现在非结构化场景覆盖、柔性物体处理及工程配置门槛下降，但当前端到端执行速度普遍仅10–15次/分钟，距传统工业机器人的80–150次/分钟仍有数量级差距。