一、引言：具身智能为什么需要一颗"大脑"

过去几年，大语言模型（LLM）在数字世界里展现了惊人的推理与生成能力，但它始终被困在屏幕里——能"说"，却不能"做"。具身智能（Embodied AI）要解决的正是这个问题：让智能体拥有物理身体，在真实世界中感知、决策并行动。而连接"感知-认知-行动"这三者的关键枢纽，就是视觉-语言-动作模型（Vision-Language-Action Model，VLA）。

如果把具身智能体比作一个人，传感器是它的眼睛和皮肤，执行器是它的手和脚，那么VLA模型就是它的"大脑"。这颗"大脑"要同时理解摄像头看到的画面、听懂人类下达的自然语言指令，还要输出精确的电机控制信号。本文将从架构层面系统拆解VLA模型的设计思路，梳理其从RT-1到OpenVLA的演进脉络，并结合作者在多模态动态加权方向的前期研究工作，讨论模态融合这一核心难题。

二、VLA是什么：从视觉-语言到视觉-语言-动作

VLA并不是凭空出现的概念，它的技术血脉来自两条路线的汇合。第一条是视觉-语言模型（VLM）：以CLIP为代表的双塔对比学习打通了图像与文本的语义空间，此后BLIP、LLaVA等模型把视觉特征"嫁接"到语言模型上，让LLM具备了看图说话的能力。第二条是机器人策略学习：从早期的模仿学习、强化学习，到Decision Transformer把轨迹建模为序列预测问题，机器人控制逐渐被纳入"下一个token预测"的统一范式。

VLA的本质，就是把这两条线拧成一股：将视觉观测、语言指令、机器人本体状态统一编码为token序列，送入一个共享的Transformer主干，再从中解码出动作。它带来的最大改变是"知识迁移"——模型在互联网规模的图文数据上学到的常识（比如"苹果是红色的、圆形的、可以抓握的"），可以直接服务于物理世界的操作任务，而不必从零学习每一个物体。

三、架构拆解：VLA的三大核心组件

尽管各家实现细节不同，主流VLA模型在宏观架构上高度一致，可以拆成"三路输入编码—统一主干—动作解码头"三段式结构。

3.1 多模态输入编码

VLA的输入通常有三路。视觉一路最重的计算来自视觉编码器，主流选择是CLIP或SigLIP预训练的ViT，把图像切成patch后提取语义特征；部分工作（如RT-1）使用EfficientNet这类轻量卷积网络换取实时性。语言一路直接复用LLM的分词器与嵌入层。本体状态一路（关节角度、末端位姿、夹爪开合度、力触觉等）维度低但信息密度高，一般用简单的MLP投影到统一的嵌入空间。

3.2 统一主干网络

主干通常是一个预训练好的大型Transformer。RT-2直接采用PaLI-X与PaLM-E的VLM权重，OpenVLA基于Llama 2改造，PaLM-E则把连续模态的嵌入"注入"到PaLM语言模型中。把所有模态拉平成token序列后，自注意力机制天然地完成了跨模态信息交换——这正是VLA架构的优雅之处：不需要为每对模态设计专用的融合模块，注意力本身即是融合。

3.3 动作解码头

动作输出是当前架构分化最明显的环节，主要有三种路线。其一是离散token化：RT-2把每个动作维度离散化为256个bin，当作特殊词表让模型"说"出动作，实现与语言生成的完全统一，但精度受bin粒度限制。其二是连续回归头：直接在主干输出上接一个MLP回归连续动作，OpenVLA即采用此方案。其三是生成式动作头：以π0（Pi-Zero）为代表的流匹配（Flow Matching）方法和Diffusion Policy的扩散方法，用迭代去噪生成动作轨迹块（action chunk），在高频精细操作上表现更好，代价是推理时延增加。

四、代表性模型演进路线

下表梳理了VLA发展史上六个里程碑式工作的关键设计选择，可以清晰地看到"大脑"的进化逻辑：规模越来越大、动作表示越来越精细、开放程度越来越高。

表1：代表性VLA模型架构对比（据各论文公开资料整理）

从这条演进线可以看出三个趋势：第一，视觉编码从单塔走向"语义+细节"双塔融合，OpenVLA把SigLIP的语义特征与DINOv2的空间细节特征拼接，显著提升了空间推理能力；第二，主干从闭源巨模型走向开源中等规模模型，7B量级已成为学术界复现与微调的主流基座；第三，动作生成从粗粒度离散化走向连续化、块化、高频化，流匹配等生成式方法正在取代简单的分bin回归。

五、模态融合的核心难题：从静态拼接到动态加权

架构图里的"统一主干"看起来一劳永逸，但真正的魔鬼藏在细节里：三路模态的信息量并不对等，且随场景剧烈变化。机器人在光线充足的桌面抓取物体时，视觉特征贡献最大；在黑暗环境或物体被遮挡时，本体状态与触觉才是可靠依据；而当指令本身包含歧义（“把那个拿过来”）时，语言模态需要视觉上下文来消解指代。用固定方式拼接或等权融合所有模态，等于假设世界永远不变——这在真实机器人场景中是站不住脚的。

这正是作者前期研究工作的切入点。在作者已发表并被Scopus检索的论文中，提出了一种多模态动态加权融合机制（MQN-DWG）：不再让各路特征以静态权重进入融合层，而是引入一个轻量的质量评估网络，根据当前各模态输入的置信度实时计算归一化权重——视觉清晰时视觉主导，视觉退化时自动切换到状态与语言主导。该思路与多模态融合领域的MulT（多模态Transformer）一脉相承，但针对具身场景的实时性与鲁棒性做了重构。

作者注：关于MQN-DWG机制的完整数学定义、质量查询网络结构与消融实验数据，可参考相关Scopus检索论文。本文侧重架构层面的论述，不再展开公式细节。

把视角拉回VLA主线，国际上的最新工作也在向同一方向收敛。CLIP式的静态对齐在具身任务中频繁失效，催生了多种自适应融合尝试：有工作在注意力层引入模态门控（gating），有工作用Mixture-of-Experts让不同专家处理不同模态组合，π0的"动作专家"设计本质也是一种权重的结构化分配。可以说，"动态加权"正在从一种可选优化变成VLA走向真实环境的必修课——这与作者在MQN-DWG中论证的核心判断完全一致。

六、挑战与展望

尽管进展迅猛，VLA距离真正通用的具身"大脑"仍有四道坎。第一是数据：互联网图文数据以百亿计，而最大的机器人操作数据集Open X-Embodiment也只有百万级轨迹，数据规模的差距限制了模型的泛化上限，仿真合成数据与世界模型生成数据是两条突围路线。第二是实时性：7B模型在边缘设备上跑到50Hz控制频率几乎不可能，模型蒸馏、动作块缓存与"大脑-小脑"分层架构（高层低频规划、底层高频执行）是当前的主流折中。第三是长时序任务：现有VLA大多擅长几十秒的原子技能，面对"做一顿饭"这类需要几十个子任务串联的场景，还需要上层任务规划器与记忆机制配合。第四是安全与评测：物理世界的试错代价远高于数字世界，如何建立标准化的安全评测基准，是比刷榜成功率更迫切的议题。

展望下一步，作者认为有三个值得关注的方向：其一，动态加权与MoE架构的深度结合，让模态路由成为可学习、可解释的一等公民；其二，VLA与Agentic工作流的融合，大模型负责任务分解与工具调用，VLA负责底层执行，形成"规划脑+运动脑"的双层结构；其三，触觉、力觉等接触模态的规模化接入，这将是VLA从"会看会做"走向"会做精细活"的关键一跃。

七、结语

VLA模型的演进史，本质上是一部"大脑"不断打通感官与四肢的历史：CLIP打通了眼与脑，RT-2打通了脑与手，而接下来的竞争焦点，是让这颗大脑学会根据环境灵活分配注意力——知道什么时候该相信眼睛，什么时候该相信身体。作者在多模态动态加权方向的探索（MQN-DWG）正是这场大演进中的一块拼图。架构的统一让知识得以迁移，而融合的智慧将决定具身智能能走多远。

（本文为作者首发于CSDN的技术论述，转载请保留出处。）