标注猿的第97篇原创  

  一个用数据视角看AI世界的标注猿   

别再争VLA和WAM了，机器人真正缺的是“技能培训学校”

最近，具身智能圈最热的争论之一，

就是VLA和WAM到底谁代表未来。

一边是已经能落地、能交付、能跑项目的VLA；

另一边是被大厂押注、看起来更接近通用机器人的WAM。

于是很多人开始问：

VLA是不是要过时了？

WAM是不是要彻底替代VLA？

机器人厂商是不是必须马上all in世界模型？

说实话，这个问题很热闹，但不够产业。

真正做过项目的人都知道，机器人落不了地，

很多时候不是模型名字不够先进，

而是数据不干净、训练不成体系、真机失败后没人给它“补课”。

VLA也好，WAM也好，最后拼的不是谁概念更性感，

而是谁能让机器人真正干活。

一、VLA负责当下赚钱

VLA，全称是视觉-语言-动作模型。

简单理解，就是机器人看到画面，听懂人的指令，然后直接输出动作。

你对机器人说：“把桌上的杯子拿过来。”

它看到杯子，理解任务，然后调用训练里学过的动作完成抓取、移动、放置。

这套逻辑非常适合当下的服务机器人。

它推理快、延迟低，适合机械臂和服务机器人实时控制；

它语言理解能力强，适合餐饮、商超、酒店、养老等高频人机交互场景；

它训练链路成熟，本体厂商不需要从零搭建特别复杂的系统。

更重要的是，它便宜、稳定、容易交付。

餐饮上菜、货架分拣、封闭巡检、简单搬运，这些任务不一定需要机器人理解复杂物理世界，

首先需要的是稳定完成标准动作。

所以短期来看，VLA不是落后技术，而是服务机器人当下商业化的主力底座。

但VLA也有明显短板。

它更像是在学习“画面和动作之间的对应关系”，并不真正理解重力、碰撞、摩擦和环境变化。

桌面光线变了，物体位置偏了，中间多了一个障碍物，

抓取时出现打滑，它就容易翻车。

这就是为什么很多机器人在展厅里很丝滑，

一到真实场景就露馅。

二、WAM负责未来进化

WAM，也就是世界动作模型。

它和VLA最大的区别是：

VLA想的是“我现在该怎么做”，

WAM想的是“我这么做之后，会发生什么”。

这就像人拿杯子，不只是看到杯子就伸手，

而是会判断杯子会不会滑、旁边有没有障碍、拿起来会不会碰倒其他东西。

WAM的价值，就在于让机器人行动前先做一次内部预演。

从长期看，WAM确实更接近通用机器人方向。

家庭陪护、开放商超、酒店服务、人形机器人，

这些场景都不是标准化环境，有杂物、有人走动、有突发变化、有各种长尾问题。

没有物理预判能力，机器人很难真正进入复杂开放场景。

但问题是，未来方向不等于今天马上量产。

WAM现在最大的难点是贵、重、难。

它需要更高算力，部署成本更高，训练流程更复杂。

很多中小本体厂商还不具备完整世界模型训练能力。

所以，WAM很重要，但不能神化。

今天让所有服务机器人厂商直接all in WAM，

就像让一家刚开始赚钱的公司直接上马核聚变项目，

方向没错，但节奏可能错了。

三、别二选一：VLA量产，WAM进化

真正清醒的判断是：

VLA不会马上被WAM淘汰，WAM也不是PPT概念。

二者不是替代关系，而是分层关系。

标准化场景，用VLA快速交付。

复杂开放场景，用WAM提升鲁棒性。

低成本商用机型，用VLA控制成本。

高端通用机器人，用WAM拉开差异化。

真正危险的不是选VLA还是WAM，而是只押注一个模型，

却没有自己的数据资产、训练平台和真机闭环。

机器人行业最终不是比谁论文读得多，

而是比谁能在真实场景中持续迭代。

四、机器人真正缺的是“技能培训学校”

我认为，未来具身智能行业一定会出现一种新角色：

机器人技能培训学校。

它不是简单做机器人本体，

也不是单纯做大模型算法，更不是传统数据标注外包。

它要做的是一整套机器人技能训练体系。

• 机器人不会上菜？给它上“餐饮服务课”。

• 机器人不会分拣？给它上“货架分拣课”。

• 机器人在酒店容易撞障碍物？给它上“复杂环境避障课”。

这套课程体系背后，本质上就是四件事：

高质量数据集、标准化训练管线、场景化技能模板、真机失败数据闭环。

• 所谓“教材”，就是清洗后的机器人训练数据。

• 所谓“课堂”，就是VLA和WAM双范式训练平台。

• 所谓“考试”，就是仿真和真机评测。

• 所谓“补课”，就是真机失败数据自动回流，再清洗、再训练、再上线。

当机器人可以像人一样不断学习、复盘、补课，

机器人行业才真正从“Demo时代”进入“上岗时代”。

我们面向全品类机器人本体厂商，以用为导向，以真实落地场景为核心，

提供端到端机器人综合训练解决方案，不做单一模型研发，

而是搭建通用训练中台，

打通VLA成熟量产路线、WAM长期进化路线，

解决机器人本体厂商数据、训练、迭代落地的全链条痛点。

01、精细化自监督数据清洗引擎（双范式通用底层）

不管厂商训练VLA还是WAM，高质量干净数据是基础，内置自研逐帧粒度清洗技术。

02、双范式一体化训练中台（核心教学课堂）

一套平台兼容两条技术路线，厂商按需切换，无需两套研发系统。

03、分场景标准化技能课程库（预制教学教材）

对标新东方标准化课程体系，沉淀商用服务机器人高频成熟技能，厂商开箱即用、少量自有数据微调即可落地。

04、仿真+真机双维度自动评测系统（技能结业测验）

训练完成自动输出量化达标报告，适配VLA、WAM两套评测指标。

05、真机故障数据闭环迭代系统（课后持续补课）

五、数据标注公司的新机会来了

这件事对数据标注行业意味着什么？

意味着下一轮机会，可能不在传统图片框选里，

而在具身智能训练数据服务里。

过去，我们做的是图像标注、文本标注、语音转写、视频审核。

但机器人时代的数据更复杂。

一条机器人训练数据，可能同时包含，

视觉画面、语言指令、机械臂轨迹、传感器状态、

任务目标、失败原因、环境变化和物理反馈。

这不是简单标一个框、打一个标签就结束了。

未来的数据标注公司：

必须具备采集、清洗、标注、训练、闭环五种能力。

能采集机器人遥操作数据，能清洗失败轨迹和无效片段，

能标注动作、状态、意图和风险，能沉淀场景化技能数据集，

能对接VLA和WAM训练，能把真机失败数据重新回流，形成持续迭代。

也就是说，未来的数据标注公司，不能只做“人工加工厂”，

必须升级成“机器人训练数据服务商”。

以前我们帮AI看懂世界，未来我们要帮机器人学会干活。

六、机器人下半场，拼的是补课能力

别再简单争论VLA和WAM谁赢谁输了。

VLA赢在当下量产，WAM赢在长期进化。

但真正决定机器人能不能进入真实世界的，

是有没有高质量数据、标准化训练管线、场景技能库，

以及真机失败后的持续补课能力。

具身智能的下半场，不是模型发布会，而是数据训练场。

谁能成为机器人行业的“技能培训学校”，

谁就有机会站在具身智能商业化的关键入口。

过去，数据标注行业解决的是“AI怎么看懂世界”。

现在，机器人时代给了我们一个更大的命题：

如何让机器真正学会干活。

这件事，才刚刚开始。