前言

先用一张脑图把今天要聊的核心逻辑盘一下。搞开发或者关注具身智能的朋友，肯定对这俩名词不陌生。但咱们今天不拽虚词，就聊聊背后的工程落地逻辑。

2026年4月底，红杉资本AI Ascent大会上，英伟达机器人方向负责人Jim Fan只用了20分钟，就扔出了一个挺炸的判断。他用一张WAM站在VLA墓碑前的meme图，宣告“VLA已死，世界动作模型当立”。

这话当然不是随便开玩笑的。过去半年，具身智能行业最核心的争论，其实已经从“端到端是不是答案”升级成了一个更根本的问题：机器人的“大脑”，到底该长什么样？

一、VLA曾经的辉煌，与埋得很深的坑

要理解这场争论，得先回到VLA还是“标准答案”的那两年。VLA，视觉-语言-动作模型。它的逻辑其实挺好理解：把看到的画面和听到的指令，直接翻译成机器人的动作。

2023年到2025年这段时间，VLA基本就是具身智能大脑的默认选项。头部公司搭载的模型，要么是VLA，要么是VLA的变体。它确实解决了一个真问题。在这之前，机器人控制靠的是写规则，看到红色就停，走到位置就抓。问题是规则写不完，也泛化不了。VLA用端到端的方式，把感知、语言和动作连在了一起，机器人这才第一次有了“看懂场景、听懂指令、做出动作”的闭环能力。

但VLA有一个埋得很深的缺陷。它的主干是一个视觉语言模型（VLM），而VLM的训练目标是描述世界，而不是预测世界如何演变。它知道“杯子在桌上”，但它不知道“抓手闭合的时候杯子会怎样移动”。翻译成大白话就是：VLA学会了“看起来该怎么做”，但没学会“做了之后会发生什么”。

在实验室里这个问题不太明显，场景是固定的，物体是标准的。一到真实世界就不一样了。光线变了，物体换了，位置偏了，VLA的策略就开始失效。下面这个简单的对比图，就能看出问题所在：

语义上它泛化得还行，你换个颜色的杯子它还能认出来。但物理泛化就差很多了，杯子换了个形状、换了个重量，抓取的成功率就会明显往下掉。

二、世界模型登场：先预演，再执行

世界模型走的是另一条路。VLA的核心动作是模仿，你给它看足够多的演示，它学会把“这个画面+这个指令”映射到“这个动作”。世界模型的核心动作是预测。

它想在内部建一个关于物理世界的模型，把重力、摩擦力、碰撞、材质形变这些东西的运作方式搞清楚。然后在下发动作之前，先预演一遍——如果我这样做，世界会变成什么样。

Jim Fan的论证挺直接：VLM的主干是用来描述世界的，不是用来预测世界的。要解决机器人操控里的泛化问题，你需要的是一个以视频世界模型为主干的架构，也就是他说的WAM，World Action Model。

这条路为什么突然火了？有三个原因。

第一，数据来源的门槛被拉下来了。 VLA很依赖昂贵的遥操作真机数据，每一帧都得真人遥控采集。WAM可以从海量的、每天都在产生的人类第一视角视频里学物理直觉，物体怎么下落，液体怎么流动。银河通用的LDA-1B、智在无界的Being-H0.7，都已经在这条路上跑过了，证明是能走通的。

第二，泛化能力的逻辑不一样了。 物理规律比语义标签更通用，物体下落的方式不会因为换了个厨房就变了。一个学到了动力学的模型，能把这种知识带到它从来没见过的场景和动作里。HarmoWAM的研究显示，在零样本场景下，WAM比之前的SOTA级VLA提升了33%。

第三，长程任务能力开始走出Demo了。 VLA通常只能处理两到三个动作的简单任务，时序一拉长就容易迷失。WAM路线的模型已经能做到十个原子动作级别的复杂任务了。

三、概念陷阱：其实大家都在蹭热度

Jim Fan的论断能点燃舆论，是因为它确实说中了一个真痛点。但这只是一场舆论狂欢的开头，不是技术革命的终局。原因在于，“世界模型”这个概念本身，在2026年还是一团浆糊。

李飞飞和World Labs团队专门写过文章讨论这个问题，把“世界模型”按功能拆成了三类：渲染器、模拟器、规划器。这三类东西，现在都被塞进了“世界模型”这个说法里。

北京智源人工智能研究院院长王仲远的判断挺直接：当前被广泛当作世界模型代表的视频生成技术，本质只是像素级的世界模拟。“视频生成模型可以生成一群猪在天上和飞机一起飞，因为它的训练数据里包含大量科幻电影内容，它的目标从来就不是还原真实物理世界的规律”。

四、融合：别争了，其实都在用

2026年上半年的争论，本质就是一场“标签战争”。VLA阵营和世界模型阵营各自拉队伍、喊口号、发宣言。但到了下半年，情况变了。头部玩家的展示，已经从去年的“以VLA为主”，变成了今年的“世界模型+VLA”占绝大多数。

这不是谁投降了。行业发现，VLA和世界模型本来就不是互斥的。

清华大学计算机系副研究员苏航在WRC期间的判断被广泛引用：VLA和世界模型不是二选一的关系。质量较高、动作和任务标注明确的数据，VLA能直接建立感知、语言和动作之间的映射。面对规模更大、来源更广的视频数据，世界模型可以帮模型学习环境变化和行为结果之间的关系。

智平方创始人郭彦东说得更直接：世界模型不是VLA的竞争路线，而是VLA体系里的核心组成部分——“世界模型负责理解世界，而VLA负责作用于世界，两者并非对立关系，而是天然统一的整体”。

星海图的实践也印证了这一点。他们坚持“VLA+WAM”双技术路线，VLA保障实时操作，WAM提供前瞻推演。甚至连Jim Fan自己的论证里，都留着融合的空间：WAM的后训练阶段，还是得把世界模型的理解映射到动作上，这本质上就是一个VLA式的“动作专家”在做的事。“VLA已死”是一句好口号，但它不是一句准确的技术描述。

五、架构之争：分层还是端到端？

VLA和世界模型的融合，解决的是“用哪些模块”的问题。但还有一个更底层的问题没解决：这些模块之间，到底该怎么组织？这才是2026年路线之争真正难的地方。

一派是分层派。逐际动力创始人张巍的逻辑是：“模型只是技能，系统才是真大脑”。他们把认知、技能和运控拆成三层，VLA只占其中一层，就是中间那层“技能层”。Figure AI的Helix、英伟达的GR00T N1，走的都是分层思路。VLA没有退出，只是从“大脑”降到了“器官”的位置。

其实如果你真正碰过物理世界的硬件落地，就会发现分层几乎是必然的。拿启元机器人（比如Q1）来举例，它的物理架构就是分开的。运控板和大脑板物理隔离，中间靠基于FastDDS的ROS2去中心化架构连着。这就注定了你没法在大脑板里跑一个超级大的端到端黑盒，然后直接去驱动电机。你必须得分层。

下面这个HTML代码，就是典型的启元双板分层架构（也是目前大部分高阶机器人的实际落地架构）：

这种设计虽然看起来“不够端到端”，但它是为了安全保底。大脑板挂了，或者指令算错了，运控板上的状态机和仲裁机制能兜底，不至于让机器人直接失控。

另一派是端到端派。它石智航的口号是“不VLA、不仿真、不遥操”，用一个统一模型完成感知、决策和动作生成。联合创始人丁文超的理由很直接：VLA处理的是视网膜级信息，对时间、空间、力和环境交互的物理直觉，VLA给不了。分层的大小脑，在他看来“是两个不相干的东西凑在一起”。

这两派的分歧，不是“用不用世界模型”的分歧。它们争的是另一件事：智能应该被“拆开组装”，还是应该“整体涌现”。分层派赌的是可落地性，端到端派赌的是上限。

六、对开发者和行业意味着什么？

回到标题的问题：VLA死了吗？世界模型当立了吗？只看上半年的口号，答案看起来像是“是”。但看行业实际在做的事，答案更接近另一句话：VLA没有死，它正在被吸收进一个更大的系统里。

这场争论真正留下来的东西，不是谁取代了谁。它把行业推到了一个更实在的认知上：机器人的“大脑”不是一个模型，是一套得回答“理解物理世界”这个问题的系统。

作为一个普通开发者，在这种大分流里能做什么？

其实很简单，不管上游的大模型怎么打架，下游的工程接口是趋同的。

拿启元的开发者生态来说，官方给你提供的不是玄乎的端到端大黑盒，而是一套很工程化的基建。你不需要从头去训练一个WAM或者VLA。你可以在大脑板部署你的算法，但最终算出来的结果，还是得落到具体的接口上。

比如，你要封装一个完整的技能，比如“拿衣服”。其实底层逻辑就是写代码，调用 primebot_iface.py，然后打包成一个标准的 RPK 技能包。就像下面这个目录结构：

拿衣服.rpk (解压后)
 ├── manifest.json        # 技能元数据（技能名、版本号、作者信息）
 ├── config/
 │    └── task_config.yaml # 任务配置（比如抓取力度、超时时间）
 ├── src/
 │    ├── primebot_iface.py # 底层ROS2接口封装（处理Topic和Service）
 │    ├── poses.py          # 定义抬手、弯腰等姿态参数
 │    └── task_carry_clothes.py # 业务逻辑代码（识别衣服->下发动作）

你只需要在这个包里写好业务逻辑，至于底层关节怎么动，/aima/hal/joint/command 已经替你做好了。要想让机器人发出声音，调 PlayTts；要拿单帧图像，调 CaptureJpegImage。这才是目前开发者最能落地的路线。

未来一到两年，肯定是验证期。谁能先跑出高质量的真实世界数据循环，谁能在“既要落地、又不能把上限封死”的平衡点里找到解法，谁就能定义下一代机器人大脑的标准。

至于最后这个东西叫VLA、叫WAM、还是叫一个今天还不存在的名字，可能根本不再重要。重要的是，你的机器人是不是真的能稳稳当当把活儿干完，不出安全事故。

启元机器人开发者社区：https://dev.primebot.com/