星動紀元陳建宇：VLA 非終局，具身大腦已進入世界模型時代 | WRC 2026

當機器人開始理解世界，通用智能才進入物理空間。作者丨吳思夢 陳嘉欣 編輯丨岑 峰 過去幾年，機器人解決的問題是“如何更精準地執行動作”。在工業生產線上，機器人可以完成焊接、搬運、裝配等大量重複任務，但這些能力建立在一個前提之上：環境、流程和目標都已經被提前定義。機器人並不需要真正理解世界，只需要按照預設路徑完成任務。但當機器人開始走出工廠，進入物流、服務甚至家庭場景，問題正在發生變化。面對一個沒有見過的物體、一個沒有訓練過的任務，機器人能不能理解環境、預測變化，並找到完成任務的方法？這成為通用機器人走向下一階段必須回答的問題。大模型的發展為機器人提供了新的可能。

語言模型證明，人工智能可以通過大規模數據學習複雜規律，並獲得跨任務泛化能力。但機器人面對的並不是語言世界，而是真實的物理世界。因此，具身智能領域正在探索一個更底層的問題：大模型究竟應該如何賦能機器人？目前行業的主流方向是 VLA。它讓機器人通過學習大量人類行為數據，將視覺、語言和動作統一起來。但 VLA 的核心仍然是模仿——模型學習人類過去如何行動。問題在於，如果機器人面對一個從未見過的新任務，僅依靠已有動作經驗，是否能夠真正泛化？另一條更激進的路線，是讓機器人擁有世界模型。它不只是學習“應該做什麼動作”，而是嘗試理解物理世界運行的規律，並預測未來可能發生什麼。

在 WRC 2026 大會上，星動紀元創始人、CEO 陳建宇提出了自己的判斷：世界模型可能不僅是 VLA 的增強模塊，而可能成為下一代具身智能的核心範式。他更強調機器人作為物理智能體的特殊性。模型的進化並不只依賴數據規模，還需要通過本體進入真實世界，在真實交互中獲得反饋。大腦、本體和場景並不是三個獨立環節，而是在持續循環中共同演化。以下為陳建宇演講內容精編，·AI 科技評論在不改變原意的基礎上進行編輯和整理。01 通用機器人的兩個特徵，與協同進化的飛輪終端之後的下一代智能終端產品，很可能是以某種家用機器人的形式存在的。這裡最關鍵的一點，是能不能打造出更加通用的機器人。

我認為，這樣的機器人必須具備兩個特徵。第一個特徵是上限更高：擁有更高的自由度、更高的智能，能夠做到許多以前的機器人做不到的事情，從而把整個市場打開。第二個特徵是更加通用、泛化性更強：當我們去做一件新的事情時，不再像以前的專用機器那樣需要重新開發硬件和軟件，絕大部分能力都可以直接複用與泛化。要打造這樣一個通用機器，避不開兩件事：同時做它的“大腦”和它的“本體”。圍繞這個目標，我們這幾年已經實現了通用機器人軟硬一體、全棧自研的多項突破。在大腦側，自研了支撐端到端的大模型運動控制；在本體側，自研了雙足本體關節與靈巧手，並把它們很好地整合到了一起。

做這件事最重要的，是把大腦、本體和場景協同起來，形成一個協同進化的飛輪。飛輪的最上層，是我們的端側具身大腦大模型，包括我們做的 VLA、世界模型與數據等，它是一個通用模型，能適配多種不同的本體、用到不同的場景中。中間層是本體：具身大腦最終要產生價值，必須放在某個本體之上，才能與物理世界交互、真正去幹活。最終，我們把大腦與本體一起應用到各類場景裡，只要大腦足夠通用、本體足夠通用，它們就能比較通用地進入各個場景。而在場景應用的過程中，我們會不斷獲得大量數據反饋，這些反饋又反過來反哺模型的發展。就這樣，我們把技術和商業化很好地協同起來，形成協同進化的飛輪。下面，我具體講講我們的思路和做法。

02大腦：從端到端 VLA 到世界動作模型先從具身大腦層面講起。我把到目前為止的具身大模型迭代，歸納為三個範式。第一範式：語言模型 + 機器人控制。這一切都始於 ChatGPT 大模型的出現。最初我們探索的是把語言大模型用在機器人裡，但整體框架仍是傳統的模塊化機器人思路：用語言模型增強上層的推理，下層仍然是傳統的感知、控制、執行模塊。這一階段，我們做出了全球首個大語言模型結合人形機器人的學術工作——以語言模型作為上層規劃，下層感知控制執行仍由傳統方法完成。但我們很快意識到這種分層方法的侷限：感知、規劃、控制、執行都被模塊化，模塊間的特徵和接口靠人工定義，無法端到端訓練。

語言模型和視覺模型都經歷過從“模塊化、人工定義特徵”到“端到端、靠數據 scaling”並最終成功的轉變，我們相信，具身智能也應遵循類似的範式。第二範式：多模態底座上的 VLA 模型。大約在 2023 年，以 GPT-4 為代表的多模態語言模型出現，把視覺等信息融了進來。對應到具身模型，就產生了 VLA：在多模態模型的底座之上，把機器人非常重要的動作和與環境交互的功能，也融合進同一個統一模型。今天典型的 VLA 模型，比如 Google 的 PaLM 系列、RT 系列等，已經形成統一範式：以多模態語言模型為底座，再加上一個動作頭，端到端訓練。

這一範式，我們其實是歷史上最早公開成論文發表的團隊之一，2024 年就發表了相關工作。第三範式：世界模型。在 AI 大模型一側，最早的代表是 2024 年發表的 Sora 第一代，如今 Seedance 等也發展得非常迅速。具身智能基於類似的方法，做出了我們所說的“世界動作模型”，它除了能預測未來的動作，還能預測未來世界狀態的演化，從而形成一個閉環。那麼，為什麼我認為還需要做世界模型？VLA 的侷限，不在端到端訓練本身，而在它的學習方式上。VLA 幾乎所有的學習都靠“模仿”：所以要採集大量人類行為數據，通過模仿形成泛化。

但這種泛化相對有限——遇到一個新場景、新任務，如果沒有被模仿過，它很難舉一反三地泛化過去。世界模型則不同：它要構建的是對物理世界的常識性理解，這種理解天然具備較好的泛化性，比如一個水杯，你往下倒水，水就會往下流，這類常識不需要一遍一遍地學。這正是我們認為世界模型能大幅提升泛化性的原因。從功能上看，我們的世界動作模型涵蓋了 VLA 的全部功能：左邊輸入，上面是代表“視覺”的感知輸入，下面是代表“語言”的 prompt；右邊上面是“動作”輸出，它同樣要產生動作。而世界模型還多出一塊：能夠對物理世界的未來演化進行預測。

兩者更大的區別，在於智能底座：VLA 的底座是多模態語言模型，最底層的智能內核是語言，優勢是抽象思維強、泛化廣，缺點則可能缺失一些細節的物理信息與理解；而如今的世界模型多以視頻模型為主，直接處理原始的圖像、視頻、音頻數據，這些數據裡包含了更豐富的物理世界細節，視頻模型能直接處理它們。所以我認為，視頻底座的世界模型，更適合我們這種面向物理世界操作的具身模型。沿著這條思路，我們做出一系列工作。早在 2024 年，我們就發表了世界動作模型的工作——這是全球首個融合視頻預測與動作預測的世界動作模型，如今也基本成為世界動作模型的標準範式，比英偉達的類似方案早了約一年。

在數據層面，世界模型對數據的吸收能力比較強：我們構建了基於大規模人類行為的數據集，2025 年初發表論文將其與世界動作模型結合，數據集中不僅加入機器人真機數據，還把第一人稱的人類操作數據也一起用於訓練。此外，我們還與 Facebook AI（FAIR）團隊的 Andreas 合作完成了 ControlNet 相關工作，進一步提升了動作行為的精準可控性；並把世界模型放到真實世界中，用真實反饋進行迭代與強化學習。具體方法不再贅述，我展示一下我們模型的能力。第一，世界模型的建模與預測能力。我給大家看了兩幅圖：一幅是世界模型生成的，一幅是真實世界實拍的——幾乎分辨不出來。

這說明通過大量數據和較好的網絡設計，世界模型已經能精準預測複雜的物理現象。類似的例子還有很多：毛巾的褶皺、把一張抽紙抽出來，這些細微操作都能被很好地建模，這對精細操作非常有利。第二，零樣本任務泛化。這是我們關於“泛化”的終極追求——任務級泛化：完全沒有學過類似任務，模型也能完成。現在的 VLA 模型能較好實現“物品泛化”（換個物品或位置可能仍能泛化），但“新任務泛化”很難。我們希望模型面對沒見過、沒訓過、沒有數據的任務也能做到。零樣本的意思，就是把預訓練模型直接接到新任務上，看它能否泛化過去。

我們在自己辦公區隨機取景、隨機下達指令，得到了比較好的初步結果：場景背景複雜多樣，指令還帶有一定邏輯推理——比如“把左邊的拖鞋放到右邊拖鞋的旁邊”“把第二個水杯拿起來”“從一堆雜物中把膠帶拿起來，並把它從水平方向放到垂直”。模型能夠端到端地把這些行為動作直接預測出來。第三，精細操作與跨本體能力。經過大量後訓練，模型可以完成比較精細的操作：疊紙盒、翻襪子（把襪子從裡到外翻出來）、脫鞋、開水，都能做得比較好。它還具備跨本體的能力，能夠操作複雜的靈巧手，進而使用工具，比如用螺釘槍打螺釘，用移液器時不僅拿起來、移動到對應位置，還會用大拇指按下按鈕再操作。我們也因此獲得了一些國際榜單的獎項。

03本體：全棧自研的雙足與靈巧手有了一個能夠理解世界的大腦，還需要一具與之匹配的身體。對於通用人形機器人來說，靈巧手、雙足以及全身高自由度運動控制，都是過去沒有成熟答案的方向。傳統機械臂解決的是固定場景下的重複動作，而人形機器人需要進入開放環境，面對更多未知任務。因此，我們選擇從整機、關節模組、機械手，到電機、減速器、驅動器進行全棧自研，同時開發對應的運動控制算法。我們設計這套本體的目標，並不是讓機器人完成某一個動作，而是讓它具備進入真實物理世界、承擔更多樣任務的能力。

全尺寸雙足機器人需要同時兼顧力量、速度、自由度和工作空間，這也是為什麼人形機器人的硬件路線正在從傳統機械設計，走向更高自由度的整機學習和控制路線。在運動控制層面，我們做了全球首個面向商用的人形機器人複雜地形方案，2023 年底已實現涉水行走、上下樓梯等能力，今年春節期間，我們還發布了全尺寸人形機器人舞劍的演示，因為我們的公司做的是通用機器，我們仍能讓它做出非常優美的舞蹈動作，它的尺寸比較大、慣性也比較大，來回翻轉的難度其實很高。再看靈巧手。靈巧手是我們末端執行器的重要類型。

以往工業裡主要用夾爪和吸盤，只有一個自由度，只能把物體夾起來放到另一個地方，很難做翻轉、手內操作等複雜動作；而靈巧手可以像人的手一樣做非常複雜的操作。另一個重要的點在於：現在我們的數據都來自人類行為數據，靈巧手能更好地與人類行為匹配，從而把人類行為數據用得更充分。目前靈巧手主要有三大技術派系：連桿驅動、腱繩驅動與直驅。我們在全行業最早推出全直驅的靈巧手產品，直驅的好處很多，最大的一個是響應速度極快：我們的手一秒鐘能點擊 10 次鼠標，達到超人類的水準；因為有較好的反驅能力，抗衝擊能力也強，穩定性好；同時我們把它做到了 24 千克的負載。

04商業化與結語：飛輪轉起來之後把軟件和硬件都做好、階段化以後，最終最重要的，是把它真正落到商業化場景裡去。我們始終堅持同時做軟件和硬件，就是為了打造完整的產品，最終提供完整的解決方案交付給終端用戶。我們從物流工業起步，逐步向服務、C 端和家用滲透。另一條線是：把硬件平臺、軟件工具鏈與 API 開放出來，供二次開發者或研究者使用、拓展。我認為，從今年開始，具身行業已經進入商業化的拐點。以我們為例，B 端客戶項目已經覆蓋十餘個城市，在各類物流工業場景中常態化運作。不僅僅是拍一個 demo。各行各業對機器人也非常關注：機器人就像 AI 大模型一樣，是一個通用的東西，可以與各行各業結合。

從互聯網大廠，到汽車主機廠，到 3C 電子公司，到物流公司，都有非常多的需求。我們在物流分揀等場景已有實際應用案例；同時，基於我們開放的硬件本體、API 和軟件工具鏈，很多用戶搭建了自己的應用，或開展新型研究，形成了比較豐富的生態成果。最後總結一下。大家可以看到，即便在物流這樣的具體場景，我們用的也是“端到端大模型 + 人形機器人 + 靈巧手”這一通用形態，再用它逐步去做具體的專用場景。這樣做，是希望通用形態能夠持續迭代：進入下一個場景時，我們不需要重新搭建一整套系統，之前場景構建出的能力和數據都可以較好地複用。

在此基礎上，隨著整個系統能力的發展，我們不斷開拓更新的場景，這樣的規劃飛輪，我們已經初步建立起來。通用機器人不是一個單點產品，而是一個持續進化的系統。大腦更聰明，本體更強大，場景更廣闊，飛輪就會轉得越來越快。感謝大家，這是我今天的分享。WRC 2026 要來了，你還在單打獨鬥？為了方便大家抱團交流、互通會議消息，我們專門建了 WRC 2026 參會群！進群你會解鎖這些「福利」?會議情報站：投稿 DDL、格式規範、評審進度……關鍵節點第一時間送達，再也不怕錯過 deadline，投稿準備穩穩的。同行茶話會：天南海北的同行都在群裡，聊心得、碰思路、攢人脈，科研路上我們同行。

前沿補給站：最新研究成果、熱點方向實時同步，結合會議主題幫你捋清投稿脈絡，給論文靈感加滿油。現場後援團：（會議期間專屬開啟）：到了會場也不用慌——路線導航：場館分佈、報告廳怎麼走，群裡隨時問；議題共讀：熱門 workshop、Keynote 現場探討，錯過也能追；Poster 彙編：現場海報精華整理，一鍵收藏不遺漏；約局廣場：約飯局、採訪局、交流局……想嘮嗑、想合作、想面基，群裡發起就成。?進群傳送門： 掃碼進群或添加微信Qvv0909777，備註：WRC + 單位/學校+姓名+方向。搞科研/搞技術，信息差很重要。來，一起快人一步！

上車，帶你看遍全球 AI 頂會精華可獨家暢覽：專家演講PPT大會報告全文熱門論文解讀學術新星訪談掃描上方二維碼或點擊「閱讀原文」關注專區。