大曉聯合香港大學發佈StreamPI，讓 VLA 真正理解時間，邁向連續物理智能

大曉聯合香港大學正式對外發表一項名為 StreamPI 的最新研究成果。這是一款專門聚焦於視覺-語言-行動（VLA）模型的創新技術，目標是針對機器人系統長期以來在時間理解能力上的不足，提出一套全新的解決方案。研究團隊表示，這項成果試圖從根本層面，補齊機器人認知架構中一塊關鍵的拼圖，讓機器人不僅能看懂靜態畫面，更能理解動態世界的連續變化。所謂 VLA 模型，指的是結合視覺、語言與行動三大模態的機器人學習架構。近年來，隨著多模態大模型技術的快速進展，VLA 模型已經展現出相當成熟的基礎能力：機器人可以依據人類的自然語言指令，感知周圍環境的物體與空間關係，並直接輸出對應的動作指令。

然而，研究團隊指出，現階段大多數 VLA 模型雖然具備上述能力，卻仍然難以真正掌握物理世界持續變化的本質，這種落差成為機器人在複雜環境中做出精準決策時的主要障礙。研究團隊進一步說明，真正決定機器人下一步該怎麼做的關鍵訊息，往往並不存在於當前那一幀畫面之中，而是隱藏在連續時間的脈絡裡。以實際操作場景來看，一個物體究竟是從哪裡移動過來的、一個杯子在畫面切換之前蓋住了什麼東西、一隻機械臂當下到底正在接近還是遠離它的目標，這些帶有過程性質的細節，幾乎都無法單純從一張靜止的幀畫面中判斷出來。若機器人只能依賴瞬間影像來理解世界，便容易在動作銜接與意圖判斷上出現嚴重落差。

StreamPI 的核心突破，正是在於讓模型不再只是「觀看當下」。這套方法引入了沿時間軸追蹤變化的機制，使模型能夠將視覺訊息視為一段連續流動的過程，而不是一連串彼此孤立的靜態快照。透過這種時間維度的感知能力，機器人可以在動作執行的同時，持續累積對環境變化的理解，進而更完整地掌握眼前場景的前因後果。這項設計讓模型在面對動態環境時，不再只是被動地反應眼前畫面，而是能夠基於時間脈絡做出更具連續性的判斷。研究團隊強調，這種對時間的感知能力，是通往所謂「連續物理智能」的關鍵基礎。物理世界的運作邏輯本質上就是連續的：物體不會無緣無故出現或消失，所有狀態的改變都來自於一系列過程的累積。

如果機器人無法理解這些過程，便難以在真實世界中勝任複雜任務。StreamPI 的問世，正是要讓機器人從「能看見」進化到「能理解」，從對空間的感知延伸到對時間的感知。從技術層面來看，StreamPI 的設計思路也反映出近年來機器人學習領域的一種重要趨勢，也就是將時間建模視為與空間感知同等重要的核心能力。過去，視覺模型大多專注於在單幀影像中提取語意訊息，但真實世界中的機器人面對的卻是不斷流動的場景。研究團隊認為，唯有讓模型在時間維度上建立起連貫的表徵，機器人的動作決策才能更接近人類的直覺判斷，也才能在更廣泛的應用場景中展現真正的自主性。

這項研究成果的公布，為機器人領域提供了一個明確的思考方向：未來的 VLA 模型若要走向更高階的智能表現，勢必得在時間理解上有所突破。StreamPI 所提出的框架，不僅解決了眼前的技術瓶頸，也為後續相關研究鋪設了一條可行的路徑。隨著機器人逐步進入更複雜、更貼近人類生活的應用場域，如何讓它們理解世界的連續性，將成為決定系統實用價值的關鍵因素之一。大曉與香港大學此次的合作成果，正是朝這個方向邁出的重要一步。