具身智能技术演进：从VLA到WAM的范式转移

1. 具身智能的技术演进：从VLA到WAM的范式转移

在机器人技术发展的历史长河中，具身智能（Embodied Intelligence）始终扮演着关键角色。这一概念的核心在于让机器不仅能够感知环境，更能通过物理动作与环境进行有效互动。过去十年间，我们见证了两种主流技术路线的交替演进：视觉-语言-动作模型（Vision-Language-Action，VLA）和世界动作模型（World Action Model，WAM）。

VLA模型在2018-2023年间曾主导行业研究方向，其技术架构通常采用三阶段设计：首先通过大规模图文数据集（如LAION-5B）预训练视觉语言模型（VLM），然后使用机器人动作数据进行微调，最后实现从视觉观察到动作输出的端到端映射。这种方法的优势在于能够快速迁移互联网规模的知识到机器人任务中，例如让机器人识别并抓取训练数据中从未出现过的物体。

然而，VLA模型在实践中暴露出了三个致命缺陷：首先是对物理动态的建模能力薄弱，模型可以准确识别Taylor Swift的面部特征，却无法理解鞋带缠绕的力学原理；其次是数据效率低下，Google的RT-2模型需要数百万条机器人演示数据才能达到基本可用水平；最后是跨场景泛化能力不足，实验室环境下训练的表现往往无法迁移到真实世界。

2. VLA模型的技术瓶颈与局限性

2.1 语义理解与物理现实的割裂

VLA模型最突出的问题是其"能认不会做"的特性。以厨房场景为例，模型可以准确识别水壶、杯子和液体，但无法理解倾倒动作中涉及的流体动力学原理。这种割裂源于其训练数据的静态特性——互联网上的图文数据缺乏时间维度的动态信息。2024年斯坦福大学的实验显示，当要求VLA模型完成"将水从壶倒入杯子"的任务时，成功率仅为23%，而洒水率高达67%。

这种局限性在精细操作任务中尤为明显。MIT在2023年的对比实验表明，VLA模型在物体分类任务上的准确率可达92%，但在需要连续接触调整的任务（如解开缠绕的耳机线）上，成功率不足15%。根本原因在于传统VLA架构中的视觉编码器会丢弃对物理交互至关重要的时空信息。

2.2 数据依赖与泛化困境

VLA模型的第二个瓶颈是其对标注数据的严重依赖。Physical Intelligence团队在2025年发布的π0.5模型需要超过10万条机器人演