在机器人基础模型领域，VLA（视觉-语言-动作）和VFA（视觉-力-动作）代表两种不同技术路径。VLA现阶段主要依赖人类演示数据，擅长语义理解与任务泛化，但在物理交互精度上有短板，代表公司为美国Physical Intelligence（2024年创立）。VFA是把力反馈作为核心模态，通过仿真强化学习让机器人自主习得物理直觉，擅长灵巧操作，但语言指令跟随能力较弱，代表公司为美国Eka Robotics（2025年创立） 。

简单来说，VLA和VFA的分歧不在模型架构，而在于数据从哪来、模型学什么。

 

1.VLA：向人类学习“任务长什么样”

VLA模型通常以预训练的视觉-语言模型为骨干，输入图像和语言指令，输出动作token或连续动作序列。训练数据主要来自人类遥操作演示与互联网视频，本质还是在学习“人类做这个任务时的动作模式”。从中获得两个关键能力：一是语言指令跟随，在用户中途改变指令时VLA能较快切换；二是语义泛化，可借助 VLM的常识识别未见过但有名称的物体。

但VLA的软肋也很明显。VFA阵营的Eka公司联合创始人曾批评VLA，说它看再多网球视频也学不会挥拍，因为感受不到球拍触球瞬间的力量变化。当然批评带有竞争嫌疑，但不可否认VLA确实有力控短板，而且VLA依赖的人类演示数据的采集成本高，导致它的规模扩展受限于人力而非算力。

2.VFA：在仿真中自学“这一下该用多大力”

VFA把力/触觉反馈从辅助信号上升为与视觉并列的核心模态。训练范式是将机器人投入高保真物理仿真，通过大规模强化学习让机器人从失败中学习力控策略，再sim-to-real（仿真到现实）迁移到真实硬件。Eka 宣称他们的VFA模型在仿真中，能在几分钟内生成几千小时的机器人经验。

这一路线的优势体现在对随机场景的适应力更强、干活速度更快。比如球在桌面上随机弹跳这种非确定性场景，VFA的力闭环反馈会更靠谱。据Eka公布的演示中，机器人面对训练中没见过的物体，也能以约1500 次/小时的速度抓取，成功率达 95% 以上，但抓取重量上限为1kg。不过VFA的短板同样明显：一是语言理解弱，目前还难以处理中途变更的指令，二是仿真训练策略搬到真实场景，是不是一样见效，仍是工程难题。

3.VLA vs VFA：一个规模领先，一个单点突进

维度	VLA及相关路线	VFA路线
代表公司	Physical Intelligence	Eka Robotics
估值/融资	百亿美元级别	14.5亿美元
核心资源	人类演示数据+大VLM骨干	高保真仿真算力+自研低成本触觉夹爪
优势场景	需要语言交互、任务泛化的通用操作	对力控精度、操作速度要求高的灵巧操作
主要风险	演示数据成本随规模线性增长；力控精度天花板	语言能力缺失；仿真到真实的迁移门槛

4.双方短期互补，长期会怎样？

人类操作本身是“视觉规划+力控执行”的串联系统，VLA解决前半段，VFA解决后半段。近期最可能落地的形态是分层架构：VLA作为高层规划器处理语言指令与场景理解，VFA作为低层控制器执行灵巧操作。

最终两条路线之争的核心还在于：仿真能不能用足够低的成本弥合 sim-to-real（仿真到现实）的鸿沟，同时把语言能力嫁接进力控模型。如果VFA能在保持力控优势的前提下补齐语义理解，VLA的数据成本劣势将被放大。反之，如果VLA通过增加触觉模态逐步逼近VFA的物理精度，VFA的价值就会减弱。目前两条路线都在爬坡期，断言谁取代谁还为时过早。

 

说明：1.文章参考公开报道并借助AI工具进行整理和分析，如有不妥之处欢迎指正。2.部分市场数据基于行业估算、发布以及官方报道，具体精确数据请以权威机构为准。3.欢迎长期追踪边缘AI的朋友一起探讨。