飛象網訊（喜樂）近兩年，具身智能無疑是最熱門的賽道之一。據中國信息通信研究院副總工程師許志遠介紹，當前，具身智能已經取得認知智能與物理智能的雙線突破，但模型路線、數據范式以及最佳機器人形態仍未定型，大規模落地仍處于早期階段，其未來方向仍在持續競爭與快速演化中。

一方面，機器人的“認知智能”實現明顯躍升（即“大腦”能力），大模型使機器人能夠完成傳統機器人難以處理的復雜任務，具備“可感知、可思考、可交互”的智能特征。另一方面，“物理智能”加速突破：基于強化學習，人形機器人在復雜地形行走、高難度舞蹈等動態任務上表現顯著提升；基于模仿學習與大模型范式，上肢操作能力快速增強，已能執行切黃瓜、倒水、疊衣服等精細操作。

盡管技術突破不斷，具身智能的大規模落地仍處于早期階段。當前行業仍面臨三個核心焦點問題。一是模型路線之爭；二是數據訓練范式之爭；三是形態路線之爭。

與此同時，許志遠指出，目前，利用大模型提升機器人的泛化能力已成為業界共識，但如何有效地將大模型應用于機器人系統，仍存在多條技術路徑，行業也在持續探索中。

第一條路徑是采用大語言模型（LLM）對人類指令進行語義理解與任務分解，這是賦予機器人高層智能的關鍵能力，谷歌的 SayCan 是早期代表性工作。

第二條路徑是在 LLM 的基礎上引入視覺，使模型具備語言與視覺跨模態融合能力，通過視覺語言模型（VLM）進行機器人控制。借助視覺信息，模型不僅能分析環境的空間關系和物體屬性，也能更好支撐高層任務規劃。谷歌的 PaLM-E 展示了跨模態推理在機器人控制中的潛力。

第三條路徑是在 VLM 的基礎上進一步加入動作生成能力，形成視覺-語言-動作模型（VLA）。這類模型以視覺圖像和語言指令為輸入，直接輸出機器人控制指令。VLA 路線自 2024 年底以來受到高度關注。各家廠商在模型架構、模塊設計和動作生成方式上不斷優化，例如美國的 Figure AI、PI，以及國內的智元、銀河通用等均聚焦于這一方向。

許志遠強調，目前，許多 VLA 模型采用 MoE 架構，以 VLM 作為骨干網絡，動作層常使用自回歸預測、擴散模型或流匹配等生成方式。同時，在 VLM 與動作預測之間通常加入隱向量用于信息傳遞，以兼顧復雜任務推理與實時控制需求。VLA 在復雜、多步驟、多樣化任務上展示出一定適應性�！叭欢�，我們也觀察到，盡管 VLA 在結構上不斷演進，其實際落地效果仍未達到預期。原因在于物理世界具有高度多樣性與不確定性，而當前可獲取的機器人數據量級有限、覆蓋場景不足，使得 VLA 難以充分學習并泛化到真實環境中�！�

展望未來，在 VLA 的基礎上引入 世界模型（World Model），借助其對物理世界的理解、預測與推演能力，有望成為進一步提升機器人大模型能力的重要發展路徑。