一分钟学会Arcgis|分水岭的生成
2026年前七个月，国内具身智能“大脑”赛道的资金流向发生显著变化。高工机器人产业研究所（GGII）7月发布的《具身智能大脑赛道投融资月度追踪报告》显示，1至6月明确以世界模型为核心技术路线的融资项目占比达41%，上年同期为12%；VLA路线项目占比从63%回落至35%。单笔融资均值方面，世界模型项目达到2.3亿元，是同期VLA项目的1.7倍。资本转向的速度，快于行业技术共识的形成。
这一变化的直接背景，是机器人“大脑”的讨论重心从“能否演示”转向“能否泛化”。过去两年，VLA模型几乎是人形机器人公司的标准叙事——视觉输入、语言指令、动作输出，链路贯通即可完成演示。但当产品从Demo走向产线，VLA在陌生场景下的泛化能力开始暴露短板。多位产业人士近期表达了相近的判断：VLA不是错了，而是不够了。
光象实验室首席科学家吕尧的观点更为直接。他认为VLA路线“已经触碰到天花板”：前端是语言模型，后端接动作专家头，语言token映射到动作空间存在模态鸿沟。仅靠超大规模数据训练VLA生成真正泛化的通用策略，在他看来“基本不现实”。这一表述与宇树科技创始人王兴兴在2025世界机器人大会上的公开质疑形成呼应。王兴兴当时将VLA称为“相对比较傻瓜式的架构”，并明确表示更看好视频生成模型或世界模型驱动机器人，认为这条路线的“收敛概率还更大”。
但“世界模型”并不是一个定义清晰的赛道。斯坦福大学教授李飞飞与World Labs团队今年专门撰文讨论这一概念，将世界模型按功能分为三类：渲染器、模拟器和规划器。渲染器生成给人看的像素画面；模拟器要求对几何、物理和动态变化有更准确的描述；规划器负责根据观测和目标决定下一步动作。按此划分，VLA本身也可归入规划器一类。换言之，VLA与世界模型在学理上未必是竞争关系，但在产业叙事中，二者已被推向对立面。
智平方创始人兼CEO郭彦东在6月北京智源大会上的表态代表了另一种立场。他明确表示，世界模型不是VLA的竞争路线，而是VLA体系中的核心组成部分。这一分歧背后，是行业对“世界模型到底解决什么问题”尚未形成共识。一位世界模型创业公司负责人透露，部分视频生成结果乍看效果不错，但对摩擦力、材质刚度等物理属性的表达仍不充分，真正用于机器人操作执行时“并不够用”。相关数据目前仍需企业自行采集，成本不低。
光象科技近期联合清华大学李升波教授课题组发布的Phi-WM 1.0 ActEffect模型，试图从“动作后果预测”的角度切入。其核心逻辑不是生成更逼真的视频，而是让世界模型充当“训练时反馈器”——模型一次生成三个精细程度不同的动作方案，分别预测每个方案可能带来的结果，再通过比较筛选出最优方案。训练完成后，世界模型被移出推理链路，部署时由策略网络一次前向计算直接输出动作。吕尧的解释是，这相当于把世界模型对动作后果的判断提前“蒸馏”进策略权重，以降低部署阶段的推理负担。
这一技术选择直接回应了当前世界模型落地的核心矛盾：模型越强，推理成本越高，机器人端侧部署越难。将世界模型仅用于训练阶段、推理阶段剥离，是务实的工程折中，但代价也清晰——机器人在实际部署中失去了对环境变化的实时预测能力，策略网络的泛化上限取决于训练阶段世界模型的保真程度。一位从事机器人操作模型研发的工程师评价称，这种做法“在成本可控的前提下，把世界模型的价值压到了最大，但也把风险提前锁死在了训练数据里”。
数据问题并未因世界模型的升温而消失。对于“世界模型会让数据需求变少”的流行说法，吕尧给出了有保留的回答。他认为纯视频预测型世界模型并不能天然降低数据需求——训练一个足够保真、具备泛化能力的视频预测模型，本身仍需海量数据。但如果世界模型能从数据中提炼出跨场景通用的底层物理规律，则可能降低对跨场景、跨本体数据的需求。这一判断将问题从“需要多少数据”转换为“需要什么样的数据”，而后者恰恰是行业目前最缺乏共识的部分。
光象科技创始人兼CEO张涛用一个操作性场景说明了问题的实质：往筐里扔十个不同重量和形状的东西，练十次都能扔进去，换上第十一个、第一百个没见过的物体还得重新试。按这套逻辑，最稀缺的不是成功示范，而是在仿真里大量试错、做反向推演的能力。这意味着数据需求的结构性变化：从采集人类示范，转向生成物理交互过程中的失败案例与因果链。
行业面临的更深层挑战，是机器人能力本身还没有统一的分级标准。一位世界模型公司负责人指出，现阶段机器人已能在工厂里完成边界明确、流程较短的工序，但家庭打扫这类开放任务要求识别环境、理解目标、判断因果关系、根据执行结果动态调整动作，距离真正完成“仍有较大差距”。在缺乏能力分级的情况下，世界模型的技术进展难以被量化为可比较的产业指标，投资决策和客户采购都会受到影响。
一位长期跟踪机器人赛道的投资人对当前局面的概括是：机构对世界模型项目的判断标准高度分化，“有的看生成质量，有的看物理仿真精度，有的只看团队背景”，尚未形成统一的评估框架。资金的迁移速度，明显快于技术共识的形成速度。
从VLA到世界模型，具身智能的叙事切换速度超过了技术验证的速度。论文数量、融资数据、人才流动都在指向同一方向，但升温不等于收敛。渲染器、模拟器、规划器的定义之争尚未平息，训练阶段与推理阶段的使用边界仍在摸索，数据需求的结构变化也缺乏系统性方案。具身智能的“大脑”竞赛进入下半场，终点线还远未划定。
本文由AI辅助生成
