从"编程机器人"到"理解机器人"

传统工业机器人的工作方式可以用一句话概括：精确地重复。工程师编写程序，定义每一个关节的角度、每一条运动轨迹、每一个抓取力度，机器人忠实地执行——一旦环境发生任何变化（物品位置偏移、光照改变、出现障碍物），机器人就束手无策。

2026年，这种情况正在被VLA（Vision-Language-Action，视觉-语言-动作）模型彻底改变。VLA模型让机器人具备了"理解"物理世界的能力——看到场景、理解任务、自主规划动作——就像LLM让聊天机器人理解了语言一样。

高盛在2026年Q1发布的报告中，将"具身智能基础模型"列为机器人产业三大核心驱动力之首（另外两个是硬件成本下降和制造能力提升）。报告预测，到2030年，具身智能模型将使机器人的可部署场景从当前的不到10%扩展到超过60%。

VLA模型：机器人AI的技术架构

VLA模型的核心理念是：将视觉感知、语言理解和动作控制统一到一个端到端的神经网络中。

技术架构通常包含三个核心组件：

视觉编码器（Vision Encoder）：通常基于ViT（Vision Transformer）架构，将RGB图像或深度图像编码为视觉特征向量。2026年的主流方案是使用DINOv2或SigLIP作为视觉骨干网络，在ImageNet-level的物体识别和细粒度视觉理解之间取得平衡。

语言编码器（Language Encoder）：将自然语言指令编码为语义向量。大多数VLA模型使用预训练的LLM作为语言骨干——Google的RT-2-X使用了PaLI-X（550亿参数），Figure的Helix使用了定制化的70亿参数语言模型，清华团队的UniPi则采用了GPT-4级别的语言理解能力。

动作解码器（Action Decoder）：将融合后的视觉-语言特征映射为具体的机器人动作序列。这是VLA模型最具挑战性的部分——动作空间是连续的、高维的（一个7自由度机械臂的动作空间是7维），且需要满足物理约束。2026年的主流方案是使用扩散模型（Diffusion Policy）或自回归Transformer来生成动作序列。

Google DeepMind在2026年ICRA会议上展示的数据令人印象深刻：RT-2-X在未见过的任务上（即训练数据中完全没有出现过的任务）的成功率达到62%，而传统编程方式在处理同样任务时成功率为0%（因为根本没有程序）。在已知但环境变化的任务上，RT-2-X的成功率为87%，远超传统方式的45%。

主要玩家和模型

Google DeepMind：RT-2-X和RoboCat

Google DeepMind是VLA模型研究的领头羊。RT-2-X（Robotics Transformer 2-X）是2025年底发布的旗舰模型，在RT-2的基础上进行了三方面改进：训练数据量扩大10倍（从13万条增加到130万条机器人操作数据）、模型参数量增加3倍、引入了跨具身（cross-embodiment）训练——同一个模型可以控制不同形态的机器人（从单臂到双臂、从固定底座到移动底座）。

RoboCat则专注于"自改进"能力——机器人通过VLA模型执行任务后，将成功和失败的经验反馈回训练数据，使模型持续改进。Google报告称，经过5轮自改进循环后，RoboCat在特定任务上的成功率从45%提升到91%。

Figure AI：Helix模型

Figure AI在2026年初发布了Helix模型，专门为其Figure 02人形机器人设计。Helix的最大特点是"全身协调"——不只是控制手臂，而是同时控制人形机器人的手臂、手指、躯干和腿部的全部自由度（总计约40个自由度）。

Figure在宝马工厂的实测中展示了Helix的能力：Figure 02可以走到一个货架前，识别出需要搬运的零件，用双手稳定地拿起，转身走到装配线，将零件精确放置到指定位置。整个过程不需要任何预编程，仅通过自然语言指令"把那个银色支架拿过来放在这里"完成。

清华大学和星尘智能：UniPi和RDF

中国团队在VLA模型领域同样走在前列。清华交叉信息研究院在2025-2026年间发布了UniPi（Universal Policy Interface），采用视频生成+动作执行的创新范式——先"想象"任务执行的视频，再从视频中提取动作序列。这种方法的好处是可以利用海量的互联网视频数据进行预训练。

深圳星尘智能（Astribot）则在2026年发布了RDF（Robot Decision Foundation）模型，主打"实时性"——将VLA模型的推理延迟从秒级降低到100毫秒以内，使机器人能够在动态环境中做出快速反应。

具身智能：2026年的投资热点

VLA模型的突破推动了"具身智能"（Embodied Intelligence）成为2026年最热门的AI投资赛道之一。

根据PitchBook的数据，2026年上半年全球具身智能领域的融资总额达到87亿美元，已超过2025年全年的62亿美元。主要融资事件包括：

  • Figure AI在2026年3月完成15亿美元C轮融资，估值达到180亿美元
  • 智元机器人（Agibot）完成8亿美元A轮融资，估值35亿美元
  • 星尘智能完成3亿美元融资，估值12亿美元
  • Physical Intelligence（Pi）完成7亿美元融资，估值40亿美元

具身智能之所以能吸引如此高的投资热度，核心原因是它被视为"AI的下一波浪潮"——在互联网数据训练的语言模型接近天花板后，物理世界的交互数据被认为是通往AGI的关键拼图。

核心挑战：数据、泛化和安全

尽管进展令人兴奋，VLA模型仍面临三大核心挑战：

数据稀缺：与LLM可以爬取整个互联网文本不同，机器人操作数据极其稀缺。采集一条高质量的机器人操作数据需要真实的机器人硬件、真实的环境和人类遥操作——成本在每条数据1-10美元之间。即使Google的130万条数据集，与LLM的数万亿token训练数据相比也微不足道。

泛化能力：当前的VLA模型在训练过的环境和任务上表现优异，但面对完全陌生的环境和物体时性能会显著下降。如何让机器人在零样本（zero-shot）场景下仍能可靠工作，是产业化的关键瓶颈。

安全与可靠性：一个错误的语言输出可能只是尴尬，但一个错误的机器人动作可能导致人身伤害或财产损失。2026年的VLA模型缺乏形式化的安全保证（formal safety guarantees），这限制了它们在与人密切协作的场景中的应用。

展望：从VLA到世界模型

2026年的VLA模型只是一个开始。行业共识是，下一阶段的突破将来自"机器人世界模型"（Robot World Model）——一个能够预测物理世界行为、规划长期动作序列、理解物理因果关系的AI系统。

Meta AI首席科学家Yann LeCun在2026年的演讲中预测：“未来2-3年内，我们需要的不是更好的VLA模型，而是一个能够像婴儿一样通过观察和交互来学习物理世界规律的世界模型。“这一愿景的实现时间表仍在争论中，但毫无疑问，2026年已经标志着机器人从"工具"到"智能体"转变的关键转折点。”