具身智能路线之争转向融合：VLA与世界模型走向混搭

2026 年的具身智能赛道，技术路线之争曾一度白热化。在英伟达 GTC 大会上，吉利、Momenta、华为等重量级玩家公开质疑 VLA 的局限性，而“世界模型”和 VA 路线则从不同方向给出答案。最具戏剧性的是，VLA 概念共同开创者 Generalist AI 团队公开表示要“抛弃”VLA 乃至世界模型的标签，认为“过于在意工具的标签，反而会限制通往物理 AGI 的想象力”。

然而，几个月后，争论声量变小，模型发布变多，核心较量从“谁是对的”变成“机器人到底动起来没有”。WAIC 上，机器人展品不再是“能动的演示”，而是围绕 3C 电子、汽车制造、仓储物流等真实场景的应用展示。更值得注意的是，头部玩家开始心照不宣地做“路线混搭”。

智平方创始人郭彦东明确表示，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。星海图 CEO 高继扬也认为两者底层逻辑相通，未来会走向融合。小鹏汽车刘先明强调，世界模型与第二代 VLA 不是互相替代或竞争的关系，而是透过不同训练信号共同提升对物理世界的理解。

尽管泛化能力被质疑，VLA 模型更新反而进入小高潮，方向转向产品化。蚂蚁灵波 7 月开源的 LingBot-VLA 2.0，预训练阶段融入 6 万小时真实物理数据，覆盖 17 个厂商的 20 种机器人构型，在 GM-100 评测中领先 π0.5 与 GR00T N1.7，推理延迟在 RTX 4090 上控制在 130 毫秒以内。灵波表示，VLA 现在还不是“拿来即用”的成熟形态，更像是具身智能的基础底座。

面壁智能发布的 MiniCPM-Robot 系列，参数量仅 1.5B，在 LIBERO、Calvin 等评测中进入第一梯队，单次决策延迟仅 120 毫秒，接近 π0.5（234 毫秒）的一半。其通过纳入历史观测，在 RMBench 中拿到约 53 分，而 π0.5 仅约 10 分，能完成叠衣服、做三明治等长任务。

擎仓机器人走轻量化路线，其 Evo-Depth 参数量仅 0.9B，仿真端 Meta-World 达 84.4%、LIBERO 达 95.4%，真机平均成功率约 90%，部署侧仅需约 3.2GB 显存、约 12.3Hz 推理频率。这些进展表明，VLA 没有“死”，而是变得更小、更快、更能干。

世界模型同样在加速进化，从“视频生成”和“轨迹预测”的学术竞赛，转向“行动一体化”。大晓机器人在 WAIC 上发布的开悟世界模型 Kairos 3.1，依托混合 Transformer 架构与共享混合注意力机制，将视觉观测、语言指令、力触状态、策略轨迹等多维数据压缩进统一隐空间，实现理解、生成、预测的原生融合。

Kairos 3.1 搭载自主反思闭环机制，执行失败时可自主定位问题、迭代优化动作策略。其 8B 版本在英伟达 Jetson Thor 平台上单次推理仅 125 毫秒，已在家务场景中展现实用价值，如洗衣服流程能自主拆分十余步操作，出错后自动重试。

然而，灵生科技合伙人蒋玉骅提供冷静视角：目前工业界与学术界的世界模型规模普遍在 10B 以下，甚至没有人画出 Scaling Law 曲线。对比大语言模型，具身智能大概相当于 GPT-3 之前的阶段。Gartner 研究副总裁高挺也表示，世界模型目前更多用于合成数据生成、仿真、评估和辅助规划，真正直接用于实体机器人控制的案例仍然比较早期。

面对“终极答案”，行业态度变得更加谦逊。灵波表示，VLA 擅长人机交互和模态融合，世界模型擅长预测未来状态，两者将加速融合，形成优势互补的闭环智能。灵波已发布 LingBot-VA 2.0，是行业首个具身原生的世界动作模型，并判断当前的 VLA 和世界模型都不是终局。

智平方提出类脑架构 NeuroVLA，仿生人类大脑的“皮层-小脑-脊髓”三层体系，在 VLA 和世界模型之上再做系统级整合。而 Generalist AI 选择“从零训练”路线，其 GEN-1 模型约 99% 参数从零开始训练，成功率超过 99%，速度提升 2-3 倍，仅需上代模型 1/10 的数据和微调。

2026 年上半年，国内具身智能赛道融资总额达 934.74 亿元，较 2025 年同期暴涨约 5 倍；融资事件 322 笔，同比增长 137%。工信部表示，今年我国人形机器人全年整机产量有望突破 10 万台。但具身智能至今仍没有一张被完整验证过的技术路线图，接下来的分水岭是让机器人真正动起来。