VLA技术瓶颈凸显WAM崛起能否引领机器人GPT时刻
就在四月底，红杉资本AI Ascent 2026大会的舞台上，英伟达机器人方向负责人Jim Fan抛出了一个足够引爆圈子的论断：“视觉语言模型（VLA）已死，世界动作模型（WAM）当立。”他更进一步预测，未来一两年，机器人学习的主要“食粮”，将从昂贵的人类遥控操作数据，转向互联网上唾手可得的海量第一视角人类视频。
这番话，无异于在方兴未艾的具身智能领域投下了一颗深水冲击波。
有趣的是，在Jim Fan发言前，国内具身智能公司银河通用已联合英伟达、清华、北大发布了LDA-1B模型，旗帜鲜明地走向了“抛弃条件反射式模仿，拥抱世界模型”的路线。几乎同时，生数科技推出的通用世界行动模型Motubrain，在WorldArena与RoboTwin 2.0两项国际权威榜单上双双登顶。
一时间，业内众声喧哗。有人拍手称快，认为终于找到了通往通用机器人的正确路径；也有人冷眼旁观，觉得这不过是巨头为自身利益造势的又一轮叙事。支持者看到的是机器人从“模仿”走向“理解”的质变曙光；反对者则坚持，VLA在精细控制等领域的优势，短期内依然难以被取代。
那么，这场关乎机器人大脑未来的路线之争，核心矛盾究竟是什么？VLA真的就此沦为“昨日黄花”了吗？这场潜在的技术范式转移，又将如何重塑具身智能创业公司的生存逻辑？
01 WAM攻克了哪些难关？
要看清WAM的价值，不妨先看看VLA的“阿喀琉斯之踵”在哪里。
VLA的训练逻辑直观而有效：模仿人类遥控操作。你教它“拿起红色杯子”，它就记住了“红色杯子”这个视觉特征与“抓取”这个动作的对应关系。下次看到相似场景，便能依样画葫芦。
但现实世界从不按剧本演出。杯子的颜色、摆放的角度、环境的光线，任何细微变化都可能让这套基于固定映射的“条件反射”系统失灵。VLA学到的，是一种高度脆弱、依赖标准环境的技能，其泛化能力在复杂多变的真实场景中面临严峻挑战。
WAM则提供了一套截然不同的解题思路。它的核心不再是简单的“看到-执行”，而是“预测-理解”。WAM试图让机器人在动手之前，先在内部的“物理模拟器”中预演一番：这个动作下去，物体会如何运动？液体会如何流淌？整个场景将发生怎样的连锁变化？
这种内在的“物理想象力”，带来的第一个突破便是泛化能力的跃升。一个训练充分的WAM机器人，即便走进一间从未见过的厨房，也能基于对重力、摩擦力、惯性等物理规律的理解，做出合乎情理的判断。有研究（如HarmoWAM）表明，在背景、位置、物体语义全变的“零样本”场景中，WAM的表现比之前的顶尖VLA模型提升了33%。
除了泛化能力，WAM完成的另一项更具产业碘伏性的突破，在于对数据源的“结构性松绑”。
VLA长期被困在“遥操作数据”这座昂贵而狭小的孤岛上，每一帧训练数据都需真人遥控、真机采集，成本高昂。而WAM则可以像大语言模型吞噬互联网文本一样，去学习海量、免费、每日自然产生的人类第一视角视频（如各类生活分享、操作教程视频）。这意味着，机器人首次获得了从互联网视频中“自学”物理世界规律的潜力。智在无界的Being-H0.7模型，直接用20万小时人类视频进行预训练并取得优异效果，证明了这条路径的可行性。银河通用的LDA模型更进一步，将仿真数据、人类视频与机器人操作数据混合进行联合训练，打破了行业对“完美标注数据”的迷信。
不仅如此，WAM在另一个长期困扰机器人领域的难题——长程任务规划——上也取得了实质性进展。传统VLA通常只能处理两三个动作的短序列任务，步骤一多就容易“迷失”。而WAM的表现已开始脱离简单的演示阶段。例如，生数科技的Motubrain已能规划并执行包含十个原子动作的复杂任务链，这让机器人在真实场景中具备了更连续、更鲁棒的工作能力。
值得注意的是，国内团队在这条新赛道上的进展速度令人瞩目。银河通用的LDA-1B背靠清华、北大与英伟达的联合研发；生数科技的Motubrain登顶国际双榜；智在无界的Being-H0.7在综合排名中位列全球第一。
海外前沿实验室同样在快速推进。英伟达提出的DreamZero在真机实验中，对新任务和新环境的泛化能力较顶尖VLA模型提升超过2倍。
可以说，在这场通向物理理解的新竞赛中，国内与海外几乎站在同一起跑线上。然而，在一片喧嚣与期待之下，一个更根本的问题必须被回答：VLA真的到了该谢幕的时刻吗？
02 VLA被杀死了吗？
WAM的方向无疑是激动人心的，但“VLA已死”这个斩钉截铁的结论，需要更冷静的审视。
一方面，WAM展现的技术潜力确实诱人，它让机器人从机械模仿迈向物理理解，从依赖昂贵专用数据转向利用开放网络资源。智在无界用20万小时视频预训练的Being-H0.7能在6项国际评测中综合夺魁，这在VLA主导的时代难以想象。
另一方面，任何技术叙事的背后，都难免掺杂商业逻辑。理解这一点，关键看是谁在喊“VLA已死”。
英伟达，全球AI算力的头号供应商。无论VLA还是WAM，最终都跑在它的GPU上。但两者对算力的“胃口”天差地别。WAM需要对海量视频进行预训练，推理时还需进行复杂的物理模拟或扩散生成，其对GPU的消耗远非VLA可比。力推WAM，对英伟达而言，意味着更强劲的芯片需求与更高的客单价。一家芯片巨头，自然乐见市场转向更“吃”算力的技术路线。
因此，作为行业观察者，有必要区分哪些是客观的技术进步，哪些是被商业立场放大或引导的预期。撇开商业视角，WAM本身也面临诸多硬核挑战。
首先，在需要毫米级定位或精密力控的任务（如精密装配、手术辅助）中，WAM目前的表现仍弱于专精于动作优化的VLA模型。因为视频生成目标更关注像素一致性，而非关节级的精细控制。同时，其推理延迟虽经优化，仍普遍高于VLA。
其次，数据与算力门槛依然高企。联合训练视频与动作需要海量真机交互数据，以及高昂的扩散模型训练成本，非一般团队所能承受。
再者，当任务指令涉及抽象语言或复杂社交语境时，纯物理世界建模的WAM容易“看得懂画面，听不懂人话”。这说明，WAM在“理解物理”上迈出了一大步，但距离“融入现实”还有相当距离。而后者，恰恰是VLA目前更具优势的领域。
事实上，VLA在现阶段至少有三个维度的价值，是WAM难以简单替代的。
一是部署效率。在要求高精度、实时力反馈的场景中，VLA轻量化的“观察-动作”端到端架构，计算开销小、响应速度快，更容易在边缘设备上实现低成本实时部署。
二是工程成熟度。经过一年多快速发展，VLA的模型架构、训练流程、开源生态已相对成熟。创业团队能基于现有工具链，较快搭建出可用的原型系统。反观WAM，架构更复杂、训练不稳定、推理开销大，工程化落地的门槛明显更高。
三是与现有工业体系的兼容性。大量工业自动化场景不需要复杂的物理推理，只需稳定、精确、可重复地执行既定动作。VLA的模仿学习范式与这种需求高度契合，企业可通过少量示教快速让机器人掌握特定技能。
因此，更可能发生的演进路径，并非“WAM淘汰VLA”，而是两者的优势融合与场景分化。“VLA已死”更像一个极具传播力的行业警钟，而非最终的技术判决书。它提醒整个生态，不能安于VLA的舒适区，必须思考如何将物理理解能力融入现有框架。但就此断言VLA退出历史舞台，显然为时过早。
那么，当技术路线的争论甚嚣尘上，那些已经押注VLA的创业公司，此刻正面临着怎样的现实压力？
03 半年一变天，创业公司正在承压
从VLA被热捧到被质疑“已死”，中间不过半年多光景。机器人领域的技术迭代速度，已快到让产业参与者感到窒息。对财大气粗的科技巨头，这可能只是研究重心的微调；但对资源有限的初创企业而言，每一次“风向”变化，都可能是一次需要重新押上命运的赌局。
首当其冲的，是研发路线上巨大的沉没成本风险。
过去一年，大量初创公司围绕VLA构建了完整技术栈，投入重金购置遥操作设备，组建专业的数据采集团队。创始人们深信，积累高质量、高成本的遥操作数据，就是构筑未来的护城河。例如，自变量机器人在成立后累计融资超40亿元，其中相当部分用于数据工厂与真机数据团队建设；智平方一年内完成多轮融资，自建产线投产并实现月度百台级交付。这些数字背后，是一整套基于VLA范式建立的资产、团队与认知体系。
然而，当WAM浪潮袭来，这些巨额投入的价值面临重估。对于已完成大规模融资、团队达数百人的公司，技术路线的转向意味着惊人的沉没成本与组织阵痛。
技术风向的切换，迅速在人才市场引发连锁反应。
VLA时代，行业急需模仿学习、遥操作数据方面的专家；WAM时代，需求瞬间转向视频理解、物理仿真、世界模型构建。技能需求的快速变迁，迫使创业公司不得不重构刚刚搭建好的团队架构。
与此同时，人才市场的供需与价格体系随之剧烈波动。WAM方向成为热点，相关人才薪资水涨船高；而公司内部原有的高薪VLA团队，则面临技能过时或被动转型的压力。有报告显示，2026年春招季，具身智能岗位量暴增，平均月薪持续攀升，核心人才跳槽涨幅可达150%。创业公司不得不在新方向上高价抢人，同时消化旧方向上的团队惯性，两头承压的处境颇为艰难。
比人才问题更直接的，是产品价值可能面临的“瞬时贬值”。
一个残酷的现实是：当技术路线以“半年”为单位迭代，基于旧范式开发的产品，其市场价值可能迅速缩水。那些依赖昂贵遥操作数据训练出的专用机器人技能模型，在“互联网视频才是未来主食”的新叙事下，客户是否还愿意为其高昂成本买单？产品的核心竞争力是否需要重新定义？
所有这些问题，最终都会传导至资本市场，考验投资人的耐心与窗口期。
有行业报告指出，人形机器人投资正进入“去伪存真”的关键阶段，估值逻辑从概念炒作转向订单验证与供应链能力。报告明确提示，中游整机制造商面临“技术路线尚未收敛”的核心风险，其估值溢价将取决于模块化设计与软硬件协同优化的实际水平。
换言之，在技术路径快速演变的当下，投资人对于“故事”的容忍度正在降低。创业公司的融资，不再仅靠描绘一个性感的技术愿景，更需要在路线未明的环境中，同时证明自身的方向判断力、技术敏捷性与执行韧性。
回过头看，“VLA已死”或许并非既成事实，但它无疑是一记响亮的警钟。
在这个行业，选择比努力更重要，而做出选择的窗口期正在急剧缩短。对创业公司而言，这意味着必须在深度专注与快速灵活之间找到精妙的平衡；对投资人而言，则意味着需要以更审慎的眼光评估技术路线的长期生命力，避免被短期的叙事热潮裹挟。
机器人产业仍处早期洪荒，技术远未收敛。今天的主流，明天可能就成为历史注脚。WAM的崛起是真实的趋势，但VLA的价值也不会一夜消失。未来的答案，很可能不在非此即彼的取代，而在如何让“理解”与“执行”更好地协同，让机器真正学会在复杂现实中思考和行动。
相关攻略
过去两年，从Sora到Veo，再到Cosmos，视频生成模型在“视觉逼真度”这条赛道上飞速发展，生成的画面已足以以假乱真。然而，一个根本性问题始终存在：这些模型真的“理解”了我们所处的物理世界吗？答案很可能是否定的。 事实上，一旦要求这些模型生成涉及机器人操作的视频，诸如“机械臂穿模、物体凭空消失、
当前，具身智能领域正面临一个关键瓶颈：过度依赖真机遥操作数据来训练机器人模型，这条技术路径的局限性日益凸显。 成本高昂是首要难题——采集一小时的遥操作数据往往需要数百元投入，并且必须搭建专业的动作捕捉环境。采集效率则是另一大硬伤：操作员通过屏幕遥控机械臂，其数据采集速度远跟不上真实生产线的作业节拍。
具身智能领域，最近被一群年轻人“刷新”了认知。 当行业还在仿真与现实迁移的课题中探索时，一支由00后主导的团队——灵初智能，选择了一条更直接的路径：用近十万小时的人类真实操作数据，为机器人“喂食”。这个数据量级，即便放在全球视野下，也堪称领先。 目前，业界常用的人类操作数据集多在几千至几万小时，即便
人形机器人赛道迎来一位实力强劲的新成员。4月13日，智元机器人正式推出其全新一代全尺寸人形机器人——远征A3。与以往侧重工业或服务领域的机器人不同，这款产品精准定位于一个充满想象力的场景，并打出了“为舞台而生”的鲜明标签。 那么，这台旨在征服舞台、点亮表演的机器人，究竟在哪些方面实现了突破？它又如何
杭州云深处科技科创板IPO申请获受理，拟募资25 03亿元。公司专注四足机器人B端工业应用，在电力巡检等领域市场份额领先，2025年实现首次盈利。与同行宇树科技侧重消费市场不同，云深处坚持深耕行业场景，其未来发展聚焦算法研发与产业化拓展。
热门专题
热门推荐
苹果MacStudio库存见底，预示新款即将发布。外观预计延续经典紧凑设计，接口布局不变。核心升级为M5Max和M5Ultra芯片，性能大幅提升，但内存供应可能受限。固态硬盘速度有望翻倍。作为苹果专业桌面新旗舰，其起售价可能小幅上调，WWDC大会可能是发布窗口。
对于使用尼康Z卡口APS-C画幅（DX格式）相机（如Z fc、Z30、Z50）的摄影爱好者而言，在套机镜头之外选择一支定焦镜头，是提升创作自由度和画面质量的关键一步。尼克尔 Z DX 24mm f 1 7正是这样一款专为轻量化与大光圈设计的定焦镜头，目前京东售价1899元，为追求便携与画质平衡的用户
自动驾驶技术的分级标准正面临行业内部的深度反思与重构。在2026北京车展上，小马智行联合创始人兼CEO彭军发表的观点，将行业关注的焦点从技术参数转向了更为根本的责任归属议题。 彭军明确指出，当前广泛采用的L1至L5自动驾驶分级体系已显得“极其无厘头”。他认为，这些层级划分并非衡量自动驾驶商业化前景的
4月28日，《商业内幕》发布的一篇深度报道，揭示了特斯拉自动驾驶承诺背后日益凸显的信任危机。多年来，“未来将实现完全自动驾驶”是特斯拉吸引消费者的核心卖点，但对于众多早期支持者而言，这一愿景正变得愈发渺茫。 图1：马斯克确认HW3车型无法升级至无监督版FSD 问题的根源在于硬件代际差异。在近期举行的
当AI智能体不仅能说会道，还能帮你订餐、写报告，甚至用周杰伦的风格唱首歌时，汽车行业的竞争焦点，已经悄然从硬件参数转向了软件生态。这届北京车展，就是最好的证明。 “你能让它用周杰伦那种吐字不清的风格，唱首歌吗？”在火山引擎的展台，一位体验者向工作人员提出了这个有趣的要求。指令下达后，座舱里的“豆包”