摘要：当前国内具身操作赛道并存隐式VLA、显式/隐式世界模型、WAM、IL/RL、虚实混合数据多条技术路线。各大厂商对外均宣称「虚实融合」，但底层数据权重、模型架构信仰截然不同。本文梳理路线矛盾，给出收敛时间窗口与各家演进推演。

一、先厘清两条正交技术坐标轴

很多讨论陷入误区：把世界模型、VLA、IL/RL放在同一维度对比。实际是两套独立维度，可以自由组合。

1. 模型架构维度

• 隐式路线（原生VLA）：无独立可调用预测模块，感知直接输出动作；延迟低、工程简单，缺少前瞻推演能力。
• 显式世界模型：策略与动力学预测解耦，可在模型内部预演多条动作轨迹，支持想象规划、MPC；痛点是预测幻觉、算力开销高。
• WAM（世界-动作模型）：尝试一体化建模状态预测与动作输出，分为显式WAM、隐式WAM两个分支。

2. 训练与数据范式维度

• IL（模仿学习）：依托专家示教轨迹，基线稳定，是现阶段落地的基础入场券；局限是难以超越示范样本。
• RL（强化学习）：具备自主优化潜力，但纯真机RL样本成本极高；行业主流方向为想象RL（在世界模型内交互训练）。
• 虚实混合数据：核心分歧不在于“要不要仿真”，而是训练各阶段真机/仿真采样权重谁占主导。

训练三阶段标准链路：
基座预训练 → 任务协同Co-training → 真机现场精调

二、六家厂商底层路线底色（核心差异）

关键真相：
所有厂商都宣传「虚实融合」，但路线鸿沟在于：基座预训练、协同训练阶段，到底是真机分布主导，还是仿真分布主导。
这也是相同演示效果下，真机上线后稳定性差距巨大的根源（温漂、机械间隙、接触摩擦、传感器噪声等隐性扰动难以在仿真完整复现）。

三、技术范式收敛时间窗口推演

1. 短期：2026–2028｜路线融合期，不会大一统

不会出现VLA、世界模型、WAM单一架构消灭对手。
行业统一演进方向：分层混合架构成为主流工程基线

• 上层：LLM负责长时序任务拆解（低频）
• 中层：轻量化潜空间显式世界模型，滚动推演、风险预判、候选动作评估
• 底层：高频执行单元（VLA/简化WAM）负责连续动作输出
• 训练范式：IL搭建基础能力 + 想象RL优化策略 + 真机数据持续校准抑制幻觉

路线差异从「有没有世界模型」收缩为：
世界模型规模大小、虚实数据采样权重、RL承担的优化比例。
纯隐式VLA（无预测模块）、纯像素级显式世界模型两条极端路线很难独立支撑高端工业交付。

2. 中期：2028–2030｜阶段性范式收敛分水岭

头部厂商完成大规模量产验证，行业形成公认标准基线架构。
对外宣传的架构叙事差异大幅缩小。
竞争重心发生转移：

1. 高质量真机交互数据集底座；
2. Sim2Real系统化校准管线（处理温漂、机械非线性等工业特有误差）；
3. 虚实混合动态采样训练框架；
4. 端侧低延迟模型部署与软硬一体优化。

简单类比：如同CV领域CNN与Transformer之争，最终Transformer成为统一底座；后续比拼不再是架构选择，而是数据与工程能力。

3. 长期：2030以后｜存在范式跃迁可能性

当前整套体系以视觉RGB为主模态，力觉、触觉、本体动力学属于附加输入。
未来潜在新方向：

• 视觉+力觉+触觉+本体动力学原生联合建模的多模态物理基座；
• 神经网络+可微分物理融合架构；
• 脱离自回归Transformer的类脑时序连续预测框架。

即便新架构诞生，存量VLA/WAM混合架构仍会在工业场景长期服役，不会瞬间被替代。

四、落地选型核心结论

1. 2026–2028项目选型不要迷信“架构先进论”

• 固定产线、力控作业、长时间连续运行：优先考察真机数据是否占据训练主体（千寻、智元优势区间）；
• 多品类泛化、快速试点、大量长尾场景探索：世界模型路线迭代速度更强（SUDO、极佳视界），前提是配套充足真机现场微调。

2. 收敛 ≠ 同质化
   架构模块趋同只是表层现象；数据分布、训练管线、针对机器人硬件噪声的深度适配，会持续构成长期壁垒。

3. 终局不是单一技术胜出，而是场景匹配
   不存在万能架构。工业高精度交互场景天然对真机数据权重要求更高；通用开放式机器人会持续依靠世界模型提升泛化与前瞻规划能力。

赛道下一阶段竞争不再是“VLA vs 世界模型”的路线辩论。真正拉开差距的命题：如何构建一套自适应动态虚实配比训练体系，根据任务类型、部署阶段，自动平衡仿真数据的泛化能力与真机数据的物理真实性。