機器人路線之爭未定:世界模型開始吃進 VLA 地盤,本報看一年內有沒有人複現——開獎 2027-07-14

這在吵什麼:機器人的「大腦」有兩條路線,一條是 VLA(把看、讀指令、做動作放進同一個模型),一條是世界模型(先學會預測環境怎麼變化,再拿來控制機器人)。

為何重要:VLA 目前在產品部署上領先,世界模型則能用網路級的影片預訓練,資料量比機器人專屬的動作資料多出好幾個數量級;誰勝出,決定機器人公司押哪一種底座。

誰在對賭:Gemini Robotics、Figure、pi 系列走 VLA 並在部署端領先;Cosmos Policy 把影片生成模型直接後訓成控制策略,在相同資料下勝過微調過的最佳 VLA。

本報判讀:機器人該走 VLA(視覺、語言、動作一體的模型)還是世界模型(先學會預測環境變化的模型),目前未定局。

VLA 在產品部署端領先。但 Cosmos Policy 把影片生成模型直接後訓成控制機器人的策略,在相同資料下勝過微調過的最佳 VLA,顯示世界模型底座開始吃進 VLA 的地盤。

這目前只是單一案例,關鍵是有沒有其他獨立團隊做得出同樣的結果。

Bruce et al. — Google DeepMind — arXiv
「We introduce Genie, the first generative…」

到 2027-07-14 對答案,看 12 個月內的研究。

至少 2 個獨立團隊複現「影片或世界模型直接後訓成控制策略,在同樣資料下勝過 VLA」:世界模型這一方坐實。

沒有人複現:VLA 維持預設路線的地位。

什麼會推翻它

至少 2 個獨立團隊複現:「VLA 專屬架構是預設選擇」的看法作廢。

世界模型直接當控制策略的做法沒有人複現:「兩條路線邊界正在模糊」的說法降級。