具身智能前沿文献调研（2022-2026）：近期热点、主要技术路线与证据不足方向

一、核心结论

总体判断：过去三年具身智能最确定的进展不是某个单一模型把某任务做到了 SOTA，而是三条独立证据线收敛出一个共识——端到端 VLA 已成为主流范式，但真正卡住能力上限的是真机数据规模与开放世界评估，而非模型参数量。面向转型决策者，这意味着：(1) 工程岗的核心增量在数据采集、清洗、对齐与评测基础设施，而非从头训大模型；(2) 路线之争尚未终结，模块化思想以双系统架构形式回流端到端模型；(3) 世界模型与 Sim2Real 在真机操作上的系统证据仍薄，是尚未拥挤的方向。

判断 1：端到端 VLA 已从概念验证走到产业部署，但"端到端 vs 模块化"的路线分歧以新形式存续。RT-2（Brohan et al., 2023b）把机器人动作离散化为文本 token、直接复用网页预训练知识，确立了 VLA 范式；SayCan（Ahn et al., 2022）同期代表的"LLM 高层规划 + 离线技能价值函数接地"模块化路线并未被淘汰，而是被 GR00T N1（NVIDIA, 2025）以 System2（语言理解）+ System1（扩散 Transformer 运动生成）的双系统架构重新吸收。边界：双系统是否优于纯端到端，目前缺同任务同数据下的受控对照。

判断 2：真机示教数据的规模与多样性是当前最硬的瓶颈，参数规模反而是次要杠杆。OpenVLA（Kim et al., 2024）7B 参数、97 万条真机示教即在 29 个任务上超过 RT-2-X（55B）16.5 个百分点；OXE（Open X-Embodiment Collaboration, 2024）21 家机构 22 种机器人的联合数据证明跨具身正迁移；DROID（Khazatsky et al., 2024）把采集扩展到三大洲 564 个场景。三条独立证据线收敛到同一结论：数据底座决定策略上限。边界：这些结论主要在桌面操作与短程任务上成立，长程家务与移动操作的数据效率仍在快速演进。

判断 3：策略表示正在从离散动作 token 转向连续生成式建模（扩散/流匹配），这是对 RT-2 路线的实质性修正。Diffusion Policy（Chi et al., 2023）在操作基准上平均提升 46.9%；RDT-1B（Liu et al., 2024）1.2B 双臂扩散基础模型支持零样本泛化；π0（Black et al., 2024）是首个 flow-matching VLA；GR00T N1（NVIDIA, 2025）的 System1 也采用扩散 Transformer。四条独立线索从不同起点收敛。边界：扩散/流匹配相对离散 token 的端到端优势，目前多在灵巧操作子集上展示，缺跨任务大样本消融。

判断 4：世界模型是正在成形的第二增长曲线，但在真机 manipulation 上的系统证据仍薄。Genie（Bruce et al., 2024）从无标注网络视频学出动作可控虚拟世界；Dreamer 4（Hafner et al., 2025）首次纯离线数据在 Minecraft 获得钻石；iVideoGPT（Wu et al., 2024）把视觉-动作-奖励 token 化；DreamGen（Jang et al., 2025）开始用视频世界模型生成合成轨迹反哺真机策略。边界：世界模型目前的里程碑几乎全在虚拟环境或视频生成，真机操作上"世界模型想象训练能否替代真机数据"仍无系统对照。

判断 5：评估范式正在从"中心化固定任务基准"转向"分布式配对比较"，并暴露现有 VLA 开放世界泛化不足。RoboArena（Atreya et al., 2025）用 600+ 集众包双盲评测 7 个通用策略；MultiNet（Guruprasad et al., 2025）发现现有 VLM/VLA 在未见域与跨模态任务上显著退化；NSR 专家圆桌（Zhao & Yuan, 2025）对具身智能科学基础是否成熟提出系统性质疑。边界：MultiNet 来自较新研究机构，证据强度中等；RoboArena 本身也只覆盖 7 个策略样本。

判断 6：VLA 的 scaling law 是否成立，目前缺乏大样本实证，是方法论空白。现有综述（Sapkota et al., 2025；李浩然等, 2025）把"scaling 规律在具身操作上是否复现"列为开放挑战，但 RT-2/OpenVLA/Octo 量级的系统 scaling 消融并未出现。这意味着"堆参数+堆数据就能得到通用机器人"的叙事目前证据不足。

二、研究范围与方法

检索以近三年（2023-2026）为主，兼顾 2022 年 Gato/SayCan/RT-1 等奠基作；通过学术检索围绕 VLA 模型族、数据工程、学习算法、世界模型、评估批评五个视角独立检索，跨视角合并去重。纳入标准：(1) arXiv/会议/期刊正式发表；(2) 标题+第一作者可被检索直接核验；(3) 涉及具身智能核心技术路线。排除标准：行业博客、灰色评论文章。共纳入 30 条核心文献，其中 VERIFIED 27 条、MINOR 2 条（含 C29 MultiNet）、PAYWALL 1 条（C30 郑南宁报告，仅作政策背景）。证据等级按 CS/AI 惯例：真机实验 > 仿真，基准/消融/可复现性为强证据；本批文献全部停留在摘要层引述，具体数字均以摘要/官方页面为准，未做全文精读。

三、文献多维地图

主题	支持文献数	代表文献	争议 / 反对	研究空白 / 后续价值
A. VLA 端到端路线与具身大模型	9 篇	[C01][C02][C05][C07][C08]	端到端是否优于模块化长期未定；GR00T N1 双系统回流暗示纯端到端非终局	VLA scaling law 大样本实证缺失；开放世界长程任务数据效率
B. 跨具身数据底座与采集范式	5 篇	[C12][C13][C14][C15]	基本共识"数据是瓶颈"，但数据质量 vs 数量的相对贡献仍未拆分	野外多场景真机数据标准；遥操作采集成本下降路径
C. 扩散/流匹配策略表示	3 篇	[C10][C11][C07]	扩散相对离散 token 在跨任务上的端到端优势缺大样本消融	高频控制与力控任务上扩散策略的实时性
D. 生成式世界模型	4 篇	[C17][C18][C19][C28]	虚拟环境里程碑丰富，真机 manipulation 对照几乎空白	世界模型想象训练能否替代真机数据的系统实证
E. 评估、基准与批评反思	4 篇（另含 6 篇综述/路线图）	[C21][C22][C29][C23]	中心化固定任务基准 vs 分布式配对评估尚未收敛	跨实验室、跨硬件、跨长程任务的统一评测协议

整体分布：证据高度集中在 VLA 架构与数据工程（A+B 占 14 篇），世界模型真机对照与评估协议是明显稀疏带；中文综述/政策视角（C25/C26/C30）提供路线图判断但不承担机制论证。

四、研究视角与本文结构

本节按"模型-数据-算法-预测-评测"五个相互咬合的子问题组织，而非按论文团队罗列：A 回答"用什么架构把语言接到动作上"，B 回答"喂什么数据"，C 回答"动作怎么表示才能学得多模态"，D 回答"能否不依赖真机、靠想象学习"，E 回答"怎么知道自己真的变强了"。这样分类是因为这五个子问题在文献中各自有独立的方法族与争议，且互相制约——A 的能力上限受 B 约束，B 的效率受 D 挑战，所有 A/B/C/D 的进展都要靠 E 来证伪。

五、核心逻辑图

以"具身智能如何获得开放世界操作能力"为根，VLA 端到端（M1）与模块化 LLM+技能接地（M2）是最早分化出的两条路线；OXE/DROID 跨具身数据底座（M3）与 ALOHA/Mobile ALOHA 低成本遥操作范式（M4）共同支撑了 M1 的能力扩展；扩散/流匹配策略表示（M5）从 M1 的动作头内部生长出来，反过来重塑 M1 的输出层；生成式世界模型（M6）既向 M3 补充合成数据，又以"想象式 RL"挑战纯真机数据范式；评估与批评（M7）则同时对 M1（开放世界泛化不足）与 M6（真机验证薄弱）提出限定。

六、主题章节

（一）具身大模型与 VLA 路线：端到端主导，模块化以双系统回流

本节文献：Brohan et al.（2023a, 2023b）、Driess et al.（2023）、Reed et al.（2022）、Kim et al.（2024）、Ghosh et al.（2024）、Black et al.（2024, 2025）、NVIDIA（2025）、Ahn et al.（2022）、Zawalski et al.（2024）

这一主题的核心 claim 是：VLA 已形成"把视觉-语言预训练知识直接蒸馏到动作层"的主流配方，但路线并未收敛到单一形态。

正面证据：RT-1（Brohan et al., 2023a）先用 Transformer 在真机多任务上证明规模化可控；RT-2（Brohan et al., 2023b）进一步把动作离散化为 token，让网页预训练的语义与推理能力迁移到机器人控制，被后续几乎所有 VLA 工作引为范式锚点。PaLM-E（Driess et al., 2023）走的是另一条并行路线——把连续传感模态注入 562B LLM 做机器人推理规划；Gato（Reed et al., 2022）则更早证明单一网络可以跨具身、跨任务复用。开源端 OpenVLA（Kim et al., 2024）7B 参数、97 万条真机示教即在 29 任务上超过 RT-2-X（55B）16.5 个百分点，Octo（Ghosh et al., 2024）在 OXE 80 万轨迹上训练并跨 9 种机器人微调验证，二者共同把 VLA 从大厂私有模型变成社区可复现基线。最新进展 π0（Black et al., 2024）用 flow matching 把 VLA 推向叠衣服这类高灵巧操作，π0.5（Black et al., 2025）进一步协同训练多源异构数据，首次在全新家庭完成长程家务。

反面证据与限定：端到端并非全胜。SayCan（Ahn et al., 2022）代表的"LLM 高层规划 + 离线技能价值函数接地"模块化路线，在端到端 VLA 兴起后并未消失；NVIDIA（2025）的 GR00T N1 把这种分层思想显性化为 System2（语言理解）+ System1（扩散 Transformer 运动生成）的双系统架构，并直接部署于人形机器人。ECoT（Zawalski et al., 2024）在 OpenVLA 上加入具身 chain-of-thought，无需新增真机数据即把泛化任务成功率提升 28%，说明推理时增强在端到端框架内仍有很大空间。值得注意的是，SayCan 的模块化路径与 RT-2 的端到端路径表面上对立，但 GR00T N1 的双系统设计提示二者更可能是"分工粒度"的差异而非范式互斥——语言侧做慢思考、动作侧做快反应，正在成为新的工程共识。

跨主题连接：VLA 的能力上限受数据主题（二）直接约束——OpenVLA 与 Octo 的训练数据底座正是 OXE；其动作输出层又被学习算法主题（三）的扩散/流匹配趋势重塑。

小结：VLA 范式在三年间从 Google 内部原型走到开源基线与人形机器人产业部署，但"端到端是否终极形态"并未被证实；双系统架构与推理时增强的兴起，提示模块化思想正在以更精细的粒度回流。

（二）数据工程：跨具身联盟、野外采集与低成本遥操作三条路径收敛

本节文献：Open X-Embodiment Collaboration（2024）、Khazatsky et al.（2024）、Zhao et al.（2023）、Fu et al.（2024）

claim：真机示教数据的规模、多样性与采集成本，是当前 VLA 能力上限最硬的约束；行业正在用三种互补方式扩展数据供给。

正面证据：OXE（Open X-Embodiment Collaboration, 2024）联合 21 家机构、22 种机器人具身，首次系统性证明跨具身数据正迁移，并直接成为 Octo、OpenVLA 的训练底座；DROID（Khazatsky et al., 2024）把采集从实验室搬到野外，7.6 万条轨迹、350 小时、三大洲 564 场景 86 任务，代表了"分布式野外采集"路线；ALOHA/ACT（Zhao et al., 2023）用低成本双臂遥操作 + Action Chunking Transformer，把 10 分钟示教做到 80-90% 成功率，触发了国内 ALOHA 复现潮；Mobile ALOHA（Fu et al., 2024）进一步把遥操作扩展到全身移动操作，50 条示教加协同训练即可把成功率推到 90%。三条路径的分工清晰：OXE 解决"跨具身联合"，DROID 解决"野外多样性"，ALOHA 家族解决"单任务低成本高密度采集"——三者不是替代关系，而是正在被 π0.5（Black et al., 2025）这类最新工作协同训练到同一个基础模型里。

反面证据与限定：数据"数量"与"质量/多样性"的相对贡献尚未被系统拆分；OXE 内部不同具身数据质量差异很大，但这一异质性如何影响下游策略仍缺消融。Mobile ALOHA 的高成功率建立在 50 条示教 + 协同训练的特定配方上，泛化到新场景的效率仍待观察。

跨主题连接：数据底座是 VLA 主题（一）能力扩展的前置条件；世界模型主题（四）的 DreamGen 正是想用合成数据部分替代真机数据，构成对本节"真机示教为王"共识的潜在挑战。

小结：数据工程是当前最没有路线争议的子方向——所有人都同意要更多更多样的真机数据，争议只在"怎么采集更便宜、合成数据能补多少"。

（三）学习算法：从离散动作 token 到扩散/流匹配的连续动作分布建模

本节文献：Chi et al.（2023）、Liu et al.（2024）、Zhao et al.（2023）

claim：策略表示正在从 RT-2 式的离散动作 token，转向以扩散与流匹配为代表的连续生成式动作分布建模；这一转变与 VLA 主干并行发生，并正在嵌入 VLA 的动作头。

正面证据：Diffusion Policy（Chi et al., 2023）把视觉运动策略建模为条件去噪扩散过程，在多个操作基准上平均提升 46.9%，成为模仿学习的主流策略表示之一；RDT-1B（Liu et al., 2024）把扩散策略扩展到 1.2B 参数双臂基础模型，跨多机器人数据预训练后支持零样本泛化与 1-5 条示教的新技能快速适配。值得注意的是，π0（Black et al., 2024）与 GR00T N1（NVIDIA, 2025）的 System1 动作生成器也都采用扩散/流匹配——这意味着该趋势不再只是独立模仿学习流派，而是已经被 VLA 主流架构吸收。ACT（Zhao et al., 2023）的 Action Chunking 思想（一次性预测一段动作）也被扩散策略与 π0 沿用。

反面证据与限定：扩散/流匹配相对离散 token 的端到端优势，目前多在灵巧操作子集上展示，缺跨任务大样本消融；扩散采样的实时性约束在高频控制与力控任务上是否成立，摘要层证据不足。Sim2Real 强化学习路线在本批文献中缺乏操作任务层面的系统对照——检索命中多为四足运动方向或综述转述，这一空白要在开放问题中如实标出。

跨主题连接：本主题与 VLA 主题（一）的动作头深度耦合；其数据需求由主题（二）满足；其长期替代路径由世界模型主题（四）挑战。

小结：策略表示的生成式化是过去两年最确定的算法趋势，但"扩散 vs 离散 token 在全部操作任务上孰优"尚无定论；Sim2Real 在 manipulation 上的系统实证是本方向明显空白。

（四）世界模型：虚拟环境里程碑密集，真机操作验证仍薄

本节文献：Bruce et al.（2024）、Hafner et al.（2025）、Wu et al.（2024）、Jang et al.（2025）

claim：生成式世界模型在虚拟环境与视频预测上快速推进，开始尝试反哺真机策略，但"在世界模型里想象训练能否替代真机数据"目前只有初步证据。

正面证据：Genie（Bruce et al., 2024）从未标注网络视频学出动作可控的 11B 参数虚拟世界；Dreamer 4（Hafner et al., 2025）在可扩展世界模型内做想象式 RL，首次用纯离线数据在 Minecraft 获得钻石；iVideoGPT（Wu et al., 2024）把视觉、动作、奖励统一 token 化为可交互世界模型，支撑视觉规划与 model-based RL；DreamGen（Jang et al., 2025）用图像到视频世界模型生成合成轨迹，再通过逆动力学恢复伪动作，在单任务示教下迁移出 22 种新行为——这是世界模型首次较直接地反哺真机操作。

反面证据与限定：Dreamer 4 的里程碑发生在 Minecraft 这类结构化虚拟环境；Genie 展示的是虚拟环境可交互性，不是真机操作。DreamGen 的真机迁移仍受单任务示教与伪动作恢复精度约束。世界模型在长程真机家务、接触富集操作上是否比真机示教数据更高效，目前没有系统对照。

跨主题连接：世界模型是对数据主题（二）"真机数据为王"共识的潜在挑战，也是评估主题（五）需要新增验证维度的方向。

小结：世界模型是最像"第二增长曲线"的方向，但当前证据严重偏向虚拟环境；从虚拟里程碑到真机操作泛化之间，仍缺系统性桥接实验。

（五）评估、基准与批评反思：中心化基准正在失去公信力

本节文献：Atreya et al.（2025）、Guruprasad et al.（2025）、Zhao & Yuan（2025）、Sapkota et al.（2025）、Ma et al.（2024）、李浩然等（2025）、白辰甲等（2025）、An et al.（2025）、郑南宁等（2025）

claim：社区正在意识到"在固定实验室任务上刷分"不能反映开放世界泛化，并开始尝试分布式配对评测与跨域退化检验；与此同时，国内外综述对具身智能科学基础是否成熟存在分歧。

正面证据：RoboArena（Atreya et al., 2025）提出众包双盲配对真机评测，用 600+ 集评测 7 个通用策略，明确反对中心化固定任务基准；MultiNet（Guruprasad et al., 2025）在统一跨域基准上发现现有 VLM/VLA 在未见域与跨模态任务上显著退化——尽管作者机构较新、证据强度中等，但与 RoboArena 的批评方向一致。NSR 专家圆桌（Zhao & Yuan, 2025）由丁汉院士主持 7 位领域领军学者，系统讨论了具身智能科学基础、路线图与产业边界，是中文世界对"是否已经找到正确路线"最严肃的一次集体反思。综述侧，Proceedings of the IEEE（Sapkota et al., 2025）系统梳理 80+ 近三年 VLA 模型；Ma et al.（2024）的首篇 VLA 综述把研究线索归为组件、低层策略、高层规划三类；李浩然等（2025）从结构、数据、预训练、后训练、评估五维梳理国内 VLA；白辰甲等（2025）归纳大模型赋能具身智能的五范式；An et al.（2025）以"智能-身体-环境"三要素框架组织综述；郑南宁等（2025）则提供政策与战略视角（PAYWALL，仅作背景）。

反面证据与限定：批评侧证据强度参差——RoboArena 只覆盖 7 个策略样本，MultiNet 作者机构较新；NSR 圆桌是观点荟萃而非受控实验。中心化基准并未被废弃，新协议本身也还在早期。

跨主题连接：评估主题对 VLA 主题（一）提出"开放世界泛化不足"的限定，对世界模型主题（四）提出"真机验证缺失"的限定，是整个调研的证伪机制。

小结：具身智能的评估范式正处于"旧基准公信力下降、新协议尚未收敛"的过渡期；对转型者而言，能参与设计分布式评测协议本身就是稀缺技能。

七、争议与开放问题

争议 1：端到端 VLA vs 分层模块化，谁是终局？
SayCan（Ahn et al., 2022）主张 LLM 规划 + 技能接地；RT-2（Brohan et al., 2023b）主张端到端；GR00T N1（NVIDIA, 2025）的双系统架构则把两者折中成"System2 语言 + System1 运动"。目前没有同任务、同数据下的受控对照能判定哪种架构在长程开放世界任务上更优，证据不足以判断。

争议 2：数据数量 vs 数据质量，哪个是杠杆？
OXE（Open X-Embodiment Collaboration, 2024）与 DROID（Khazatsky et al., 2024）代表"规模与多样性"路线，ALOHA（Zhao et al., 2023）代表"单任务高密度高质示教"路线。两者都报告了强结果，但缺在同一任务上的数据质量×数量消融。

开放问题 1：VLA 的 scaling law 是否成立？
综述（Sapkota et al., 2025；李浩然等, 2025）一致把这个问题列为开放挑战，但 RT-2/OpenVLA 量级的系统 scaling 消融并未出现。这是方法论空白，不是观点分歧。

开放问题 2：Sim2Real 在 manipulation 上的系统对照缺失。
本批文献中 Sim2Real 证据多来自四足运动或综述转述，缺操作任务层面"仿真训练 vs 真机训练 vs 混合训练"的大样本对照。

开放问题 3：世界模型想象训练能否替代真机数据？
DreamGen（Jang et al., 2025）给了初步信号，但缺跨任务、跨场景的系统实验。

八、可研究的方向

1. 题目：《在统一跨具身基准上系统消融 VLA 的 scaling law：数据量、模型规模与任务多样性的三维网格》。缺口依据：对应开放问题 1——综述一致点名但无大样本实证。方法思路：基于 OXE 公开数据，在 OpenVLA 7B 与 Octo 架构上做数据量（10万/50万/100万轨迹）× 模型规模（1B/3B/7B）× 任务多样性（单具身/跨具身）的网格实验，报告真机成功率与跨任务泛化曲线；需控制数据来源分布，区分"更多同分布数据"与"更多新场景数据"的边际收益。可用公开数据集直接做，门槛中等。

2. 题目：《Sim2Real 与真机模仿学习在接触富集操作任务上的对照基准》。缺口依据：对应开放问题 2——本批文献在 manipulation 上的 Sim2Real 系统对照几乎空白。方法思路：选取 5-10 个典型接触富集任务（插拔、抽屉、柔性物体操作），在同一硬件上比较纯真机示教、纯仿真域随机化、仿真+真机微调三种配方的样本效率与成功率；需控制仿真器到真机的视觉/动力学差异，并报告失败模式分类。需要硬件资源，门槛较高但增量清晰。

3. 题目：《用视频世界模型生成合成数据的真机数据效率增益：在 DROID 子集上的对照实验》。缺口依据：对应开放问题 3——DreamGen 给了初步信号但未系统对照。方法思路：以 DROID 部分任务为基准，比较"纯真机示教"与"真机示教 + DreamGen 式合成轨迹"达到同一成功率所需的真机示教条数；需区分合成数据补多样性 vs 补密度的不同作用，并在未见场景上做泛化测试。可用公开视频生成模型 + 现有真机策略基线，门槛中等。

4. 题目：《分布式配对评测协议的跨实验室复现：RoboArena 范式在不同硬件上的一致性》。缺口依据：对应争议 1 与评估主题——RoboArena 只在 7 个策略上验证，跨实验室一致性未知。方法思路：把 RoboArena 的双盲配对协议移植到第二个实验室的硬件与任务集，比较同一组 VLA 策略在两处的排名一致性；需设计任务集对齐协议与评分者间一致性指标。适合有合作机器人实验室的团队，门槛中等。

5. 题目：《VLA 推理时增强（CoT / 反思 / 子任务分解）在长程家务任务上的系统收益》。缺口依据：ECoT（Zawalski et al., 2024）显示 +28% 但只在一组泛化任务上验证；长程家务（如 π0.5 展示的厨房/卧室整理）上推理时增强的收益尚未系统测量。方法思路：在 OpenVLA/π0 类开源基线上，对比直接动作输出、显式 CoT、子任务分解三种推理模式在 10+ 长程家务任务上的成功率与失败模式；需控制推理计算预算，区分"更慢但更准"与"纯架构收益"。可基于开源模型做，门槛较低。

九、局限性

(1) 全部 30 条文献停留在摘要层，具体数字以摘要/官方页面为准，未做全文精读；奠基作的消融细节、失败模式分类未展开。
(2) Sim2Real 在 manipulation 上的证据主要来自综述转述与四足运动方向，缺操作任务层面的系统对照，这一空白本身已在开放问题中如实标出。
(3) C30 郑南宁报告为 PAYWALL 状态，仅作政策背景，不承担机制论证；C29 MultiNet 来自较新研究机构，作为批评侧补充证据使用，未用于支撑核心 claim。
(4) 检索以英文 arXiv/会议为主，中文期刊与预印本覆盖有限；国内产业界模型（如智元、宇树、银河通用等）的学术化论文未系统纳入。

十、完整文献综述参考稿

提示：以下内容是基于本次大方向调研生成的文献综述格式参考稿，用于示范如何组织已有研究、判断与引用；后续若要围绕具体细分题目写作，仍需根据该细分方向重新筛选、核验和补充文献，不应直接作为论文成品段落使用。

围绕"如何把视觉-语言预训练能力迁移到机器人动作"这一核心问题，具身智能近三年形成了两条表面对立、实则正在折衷的技术路线。RT-2（Brohan et al.，2023b）把机器人动作离散化为文本 token，使网页预训练的语义与推理能力直接迁移到控制层，确立了视觉-语言-动作（VLA）模型的主流配方；Gato（Reed et al.，2022）与 PaLM-E（Driess et al.，2023）则并行证明单一网络可跨具身复用。与这条端到端路线相对，SayCan（Ahn et al.，2022）同期坚持"大语言模型高层规划加离线技能价值函数接地"的模块化架构，并未被淘汰；NVIDIA（2025）的 GR00T N1 反而把这种分层思想显性化为 System2 语言理解加 System1 扩散 Transformer 运动生成的双系统架构，并直接部署于人形机器人。这一折衷提示，端到端与模块化的分歧更可能是分工粒度差异而非范式互斥；但双系统是否在长程开放世界任务上优于纯端到端，目前仍缺受控对照。

如果说架构路线尚未终局，那么"真机示教数据才是能力上限"这一判断在三条独立证据线上已经收敛。OpenVLA（Kim et al.，2024）以 7B 参数、97 万条真机示教即在 29 个任务上超过 55B 的 RT-2-X 达 16.5 个百分点，Octo（Ghosh et al.，2024）则在 Open X-Embodiment（Open X-Embodiment Collaboration，2024）汇聚的 80 万条轨迹上跨 9 种机器人微调验证——二者共同表明，参数规模反而是次要杠杆，数据底座才是决定性约束。数据供给侧沿三条互补路径扩张：OXE 联合 21 家机构、22 种机器人具身，首次系统证明跨具身数据正迁移；DROID（Khazatsky et al.，2024）把采集搬到野外，覆盖三大洲 564 个场景；ALOHA/ACT（Zhao et al.，2023）与 Mobile ALOHA（Fu et al.，2024）则用低成本双臂遥操作加动作分块，把 10 分钟示教推到 80%–90% 成功率。三者分工清晰：OXE 解决跨具身联合，DROID 解决野外多样性，ALOHA 家族解决单任务高密度示教，且正被 π0.5（Black et al.，2025）协同训练到同一基础模型。但数据数量与质量多样性的相对贡献至今未被系统拆分。

与数据底座扩张并行的，是策略表示本身的生成式化。RT-2 把动作离散化为 token 的路线并非终点：Diffusion Policy（Chi et al.，2023）把视觉运动策略建模为条件去噪扩散过程，在多个操作基准上平均提升 46.9%，成为模仿学习的主流策略表示之一；RDT-1B（Liu et al.，2024）进一步把扩散策略扩展到 1.2B 参数的双臂基础模型，支持零样本泛化与少量示教的快速适配。这一趋势并未停留在独立模仿学习流派——π0（Black et al.，2024）是首个 flow-matching 视觉-语言-动作模型，GR00T N1（NVIDIA，2025）的 System1 动作生成器同样采用扩散 Transformer。连续生成式动作建模由此嵌入 VLA 主流动作头，反过来重塑 RT-2 式离散 token 的输出层。不过扩散与流匹配相对离散 token 的端到端优势，目前多在灵巧操作子集上展示，跨任务大样本消融仍然缺失。

在真机数据共识之外，生成式世界模型是最像"第二增长曲线"的方向。Genie（Bruce et al.，2024）从未标注网络视频学出动作可控的 11B 参数虚拟世界，Dreamer 4（Hafner et al.，2025）在可扩展世界模型内做想象式强化学习，首次用纯离线数据在 Minecraft 中获得钻石；DreamGen（Jang et al.，2025）则开始用图像到视频世界模型生成合成轨迹、再经逆动力学恢复伪动作，在单任务示教下迁移出 22 种新行为，首次较直接地反哺真机操作。然而从虚拟里程碑到真机泛化仍缺系统性桥接实验：Dreamer 4 的成功发生在结构化虚拟环境，Genie 展示的是虚拟可交互性而非真机操作。"世界模型想象训练能否替代真机数据"这一问题，目前只有初步信号，尚无跨任务系统对照。

与上述四条线索相互咬合的，是评估范式自身的反思。RoboArena（Atreya et al.，2025）提出众包双盲配对真机评测，用 600 余集评测 7 个通用策略，明确反对中心化固定任务基准；MultiNet（Guruprasad et al.，2025）在统一跨域基准上发现现有视觉-语言模型与 VLA 在未见域与跨模态任务上显著退化；NSR 专家圆桌（Zhao & Yuan，2025）则由领域领军学者系统讨论了具身智能科学基础是否成熟。这些批评方向彼此收敛，但证据强度参差——RoboArena 仅覆盖 7 个策略样本，MultiNet 来自较新机构，NSR 圆桌是观点荟萃而非受控实验。与此同时，综述侧（Sapkota et al.，2025；李浩然等，2025）一致把 VLA 的 scaling law 是否成立列为开放挑战，但 RT-2、OpenVLA 量级的系统 scaling 消融至今并未出现；Sim2Real 在操作任务上的系统对照、以及推理时增强在长程家务上的系统收益，也都仍在测量空白之中。当前具身智能的关键问题已不再是端到端 VLA 是否有效，而是其优势在何种数据规模与开放世界条件下能否稳定成立。

十一、参考文献

[C01] Brohan A, et al. RT-1: Robotics Transformer for Real-World Control at Scale. RSS 2023. https://arxiv.org/abs/2212.06817
[C02] Brohan A, et al. RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. CoRL 2023. https://arxiv.org/abs/2307.15818
[C03] Driess D, et al. PaLM-E: An Embodied Multimodal Language Model. ICML 2023. https://arxiv.org/abs/2303.03378
[C04] Reed S, et al. A Generalist Agent (Gato). TMLR. https://arxiv.org/abs/2205.06175
[C05] Kim M J, et al. OpenVLA: An Open-Source Vision-Language-Action Model. CoRL 2024. https://arxiv.org/abs/2406.09246
[C06] Ghosh D, et al. Octo: An Open-Source Generalist Robot Policy. CoRL 2024. https://arxiv.org/abs/2405.12213
[C07] Black K, et al. π0: A Vision-Language-Action Flow Model for General Robot Control. arXiv 2024. https://arxiv.org/abs/2410.24164
[C08] Black K, et al. π0.5: a Vision-Language-Action Model with Open-World Generalization. arXiv 2025. https://arxiv.org/abs/2504.16054
[C09] NVIDIA. GR00T N1: An Open Foundation Model for Generalist Humanoid Robots. arXiv 2025. https://arxiv.org/abs/2503.14734
[C10] Chi C, et al. Diffusion Policy: Visuomotor Policy Learning via Action Diffusion. RSS 2023. https://arxiv.org/abs/2303.04137
[C11] Liu S, et al. RDT-1B: A Diffusion Foundation Model for Bimanual Manipulation. arXiv 2024. https://arxiv.org/abs/2410.07864
[C12] Open X-Embodiment Collaboration. Open X-Embodiment: Robotic Learning Datasets and RT-X Models. ICRA 2024. https://arxiv.org/abs/2310.08864
[C13] Khazatsky A, et al. DROID: A Large-Scale In-The-Wild Robot Manipulation Dataset. RSS 2024. https://arxiv.org/abs/2403.12945
[C14] Zhao T Z, et al. Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware (ACT/ALOHA). arXiv 2023. https://arxiv.org/abs/2304.13705
[C15] Fu Z, et al. Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation. arXiv 2024. https://arxiv.org/abs/2401.02117
[C16] Ahn M, et al. Do As I Can, Not As I Say: Grounding Language in Robotic Affordances (SayCan). CoRL 2022. https://arxiv.org/abs/2204.01691
[C17] Bruce J, et al. Genie: Generative Interactive Environments. arXiv 2024. https://arxiv.org/abs/2402.15391
[C18] Hafner D, et al. Training Agents Inside of Scalable World Models (Dreamer 4). arXiv 2025. https://arxiv.org/abs/2509.24527
[C19] Wu C, et al. iVideoGPT: Interactive VideoGPTs are Scalable World Models. NeurIPS 2024. https://proceedings.neurips.cc/paper_files/paper/2024/file/7dbb5bfab324e3b86af9bd0df15498dd-Paper-Conference.pdf
[C20] Zawalski M, et al. Robotic Control via Embodied Chain-of-Thought Reasoning (ECoT). CoRL 2024. https://arxiv.org/abs/2407.08693
[C21] Atreya K, et al. RoboArena: Distributed Real-World Evaluation of Generalist Robot Policies. arXiv 2025. https://arxiv.org/abs/2506.18123
[C22] Zhao H, Yuan B. Development of intelligent robots in the wave of embodied intelligence (NSR专家论坛). National Science Review, 2025. https://academic.oup.com/nsr/article-pdf/12/7/nwaf159/63012377/nwaf159.pdf
[C23] Sapkota, et al. Vision-Language-Action Models: Concepts, Progress, Applications and Challenges. Proceedings of the IEEE, 2025. https://arxiv.org/abs/2505.04769
[C24] Ma Y, et al. A Survey on Vision-Language-Action Models for Embodied AI. arXiv 2024. https://arxiv.org/abs/2405.14093
[C25] 李浩然, 等. 面向具身操作的视觉-语言-动作模型综述. 自动化学报, 2025. https://arxiv.org/abs/2508.15201
[C26] 白辰甲, 等. 大模型驱动的具身智能：发展与挑战. 中国科学:信息科学, 2025. https://pdf.dfcfw.com/pdf/H3_AP202502121643006879_1.pdf
[C27] An J, et al. Embodied intelligence: Recent advances and future perspectives. The Innovation Informatics, 2025. https://www.the-innovation.org/data/article/informatics/preview/pdf/TII-2025-0015.pdf
[C28] Jang E, et al. DreamGen: Unlocking Generalization in Robot Learning through Video World Models. arXiv 2025. https://arxiv.org/abs/2505.12705
[C29] Guruprasad, et al. Benchmarking the Generality of Vision-Language-Action Models (MultiNet v1.0). arXiv 2025. https://arxiv.org/abs/2512.11315
[C30] 郑南宁, 等. 具身智能发展趋势与展望. 西安交通大学, 2025. http://www.cdoview.cn/upload/tank/report/2026/202606/1/fc446478134441a7918d20048d068b75.pdf