VLA还没死，WAM也没立，物理AI终局尚早

2026年，具身智能赛道热度虽没减，争议却换了焦点：VLA是不是真的已经过时了？

过去两年，VLA（视觉-语言-动作模型）几乎是具身智能基座的标准答案——输入视觉和语言，直接输出动作。这套"感知-决策-执行"的端到端架构，支撑了行业从“示教重复”到“指令泛化”的第一次跃迁。

但进入2026年，世界模型成为了行业新的技术热点，特别是面向机器人控制的世界动作模型（World Action Model，简称WAM）快速走向落地，从顶会论文到产业实践，越来越多团队宣布重点投入该路线，“VLA已死，WAM当立”的说法在行业内悄然流传。

争议之中，有企业全面转向WAM，有企业仍在坚守VLA阵地，但同时也有玩家选择双线押注，一个新的产业共识由此逐渐浮现：VLA远未退场，WAM也非万能解药，物理AI的基座模型，还远没到"架构定局"的时刻。

正本清源：两条路线的本质分野

要讨论VLA与世界模型的路线之争，首先要回到这两种技术路线的本质差异。用通俗的话讲，VLA与世界模型最核心的区别，在于“做事的逻辑不一样”。

VLA的逻辑，在行为层面很像人类的“肌肉记忆”：看到眼前的场景、听到要做的任务，大脑直接支配执行机构做出动作。

更具体一点，VLA是一套“感知-动作”的直接映射——输入视觉图像和语言指令，模型经过计算后，直接输出下一步的动作指令，中间没有额外的“思考推演”环节。

这种架构的优势非常直观。“VLA非常擅长语义理解、任务Grounding以及粗粒度任务规划，总结来说，它能够帮助我们明确当前对象是什么、环境状态是什么，以及我们需要完成什么任务。”在智元合伙人、高级副总裁、具身业务总裁、觅蜂科技董事长兼CEO姚卯青看来。

图片来源：智元机器人

不仅如此，VLA还具备高效的推理效率，因为没有中间的推演步骤，计算量相对可控，更容易满足机器人实时控制的低延迟要求。

但其短板也同样明显。由于跳过了对世界环境的认知建模环节，一旦遇到训练数据中没有覆盖的新场景、新任务，VLA很难做出适配性调整，泛化能力会出现明显下滑。

“我们发现，对于传统VLA模型，非常容易出现性能退化问题，也就是当遇到新场景、新任务时，模型的能力会出现退化。”日前，在WAIC 2026同期举办的“智启具身:迎接物理AI智能涌现论坛”上，清华大学计算机系副研究员苏航直言。

不仅如此，由于缺乏对物理世界运行规律的内在因果建模，VLA很难像人类一样，在行动前预先推演不同动作可能带来的结果，也就难以完成对安全性、规划性要求较高的复杂任务。

比较之下，WAM的思路则完全相反，它更像人类“先想后做”的做事方式：动手之前，先在脑子里推演一遍动作的过程和结果，确认没问题了再执行。换言之，WAM不直接从画面输出动作，而是先生成“做完动作后世界会变成什么样”的视觉画面，再基于这个预想的目标，反推出应该做什么动作。

这种“推演式”的架构，天然具备三个核心优势：第一，长程任务规划能力更强，通过在未来时间尺度上进行粗粒度意图规划、在近处进行细粒度物理控制，可以做到“近处精细、远处粗略”，避免走一步看一步，最终导致偏离整体目标；

第二，鲁棒性更好，因为WAM在推理时会预判动作后的世界状态，这种“预测-验证”机制为异常检测和策略调整提供了理论基础，一旦实际和预想不符，能主动调整策略纠错，而不是像VLA那样容易“死循环”；

第三，对视频数据利用率更高。WAM 的预测式建模逻辑与海量互联网视频天然适配，能更高效地从中学习物理世界运行规律，有望降低对高成本真机示教数据的依赖。

当然，WAM也不是绝对完美的。首先，它的语义理解能力弱于VLA，对复杂自然语言指令的跟随性没那么好；其次，因为WAM需要在行动前推演未来的物理状态，这导致推理的算力开销更大，对机器人端侧芯片的算力和带宽提出了更高要求。

正因为各有优劣，从技术本质上看，VLA和WAM其实并非同一维度的替代关系，而是分别对应了具身智能的两类核心能力：一个偏向认知与语义理解，一个偏向物理与运动控制，各有清晰的能力边界。

路线选择：场景适配下的融合大势

尽管关于VLA和WAM的路线之争仍未结束，但其实坚持纯粹的“唯VLA论”或“唯WAM论”的企业也并不多，反而一个新的共识正在逐步形成：这两条路线大概率将走向融合，只是融合的方式、节奏和主导者，各家仍有不同判断。

智平方创始人兼CEO郭彦东就曾在多个场合指出，VLA与世界模型不是替代关系，而是深度融合、整合共生的关系。“人的大脑本身就内置了世界模型，用来理解物理环境、预判环境变化，同时依靠高层认知完成任务规划，对应机器人的VLA能力。人脑的结构已经告诉我们技术终局，融合才是唯一答案，不存在二选一。”

本次论坛上，姚卯青也明确表示，未来这两条路线的终局一定是融合，据此智元提出了World Reasoning Action Model（世界推理动作模型）。“WRAM的工作方式可以理解为，先理解任务，再去推演未来，进一步评估选择，最后落实到实施行动。这不再是简单的感知-动作的肌肉映射，而是具备物理世界推演能力的一个终极智能体。”

部署Act2Goal模型的机器人练习绘制未见过的图案，图片来源：智元机器人

聚焦这一目标，智元构建了“预训练—后训练—持续学习”的三阶段训练架构，并正沿着VLA与WAM两条路线持续演进。

其中在VLA技术路线方面，智元已经相继推出了GO-1和GO-2两个基座模型，其中GO-1赋予了机器人可靠的理解能力，GO-2则聚焦解决规划到执行的衔接问题，首次引入了动作思维链。在此基础上，智元预计今年底进一步推出GO-3模型。

而在世界模型路线方面，智元已经推出支持记忆的GE-Act，以及首次实现Goal-to-Action的Act2Goal，实现了从未来预测到机器人闭环控制的跨越。

Physical Intelligence（π）研究科学家任至意同样认为，VLA与WAM没有冲突。

作为硅谷头部具身智能初创企业，π的定位是做通用具身大脑，核心目标是最大化模型的泛化性与可引导性，让一个模型能适配不同本体、不同场景、不同任务。为此，PI在过去两年先后推出了多代具身大脑模型，最新一代是π0.7，于今年4月正式发布。

据了解，π0.7的核心思路是在成熟的VLA架构基础上，加入未来视觉子目标生成模块：用世界模型先生成“下一步要达成的目标画面”，再用VLA根据这个目标画面输出具体动作。这种模式，既保留了VLA在语义对齐、泛化性上的优势，又补上了长程规划与状态预判的短板，工程实现难度也更低。

“到目前为止，我还没看到哪家的demo能比π-07更让人印象深刻，所以VLA可能还没死。”任至意在回应“VLA已死”的说法时，甚至直言。

Dyna Robotics，则是WAM转向派的代表。

作为海外落地派具身智能的代表性初创企业，Dyna Robotics的核心目标不是做最通用的模型，而是在具体场景里把成功率做到极致，让机器人能24小时不间断干活。

Dyna Robotics联合创始人马也骋指出，他们从VLA转向WAM，核心驱动就是落地需求。

不过，马也骋同时也坦言，VLA和WAM各有千秋，不存在绝对的好坏，关键看场景适配：“针对我们所需的不同能力来说，有的场景用WM实现会比VLA更高效，也有的场景VLA会更高效。”

腾讯干脆跳出了“单一模型谁更好”的争论，直接采用分层架构。

图片来源：腾讯Robotics X实验室

腾讯首席科学家、腾讯Robotics X实验室主任张正友认为，具身智能还在早期，没有形成统一收敛的框架，不像大语言模型，Transformer基本定了，加数据加算力就能往前推。

所以腾讯打造了持续在线的具身智能体Apexio，该智能体分为三层：上层是认知系统，负责推理规划；中层是感知行动系统，负责决策；底层是肢体反应系统，负责实时运动控制。

三层各自闭环、信息互通，在不同频率下运行。在这个体系里，VLA和WAM不过是不同层级的工具，不存在谁替代谁的问题。

值得一提的是，除了Apexio，腾讯还于近期发布了新一代具身VLM（视觉语言）基座模型Hy-Embodied-VLM-1.0、具身原生的世界认知模型Hy-Embodied-RxBrain-1.0、视觉-语言-动作（VLA）模型Hy-Embodied-VLA-0.5三大方案，目前都已经开始进入真实工业场景，并在导购导览、养老服务等多个任务中完成落地验证。

整体来看，不同企业的路径选择看似分化，实则指向清晰的行业共识：在当前阶段，单一架构尚无法覆盖物理AI的全部场景需求，VLA与世界模型的融合，是技术演进的必然方向。

终局猜想：多元路线并行的长期演进

具身模型持续演进背后，整个行业都在追问同一个问题：具身智能会不会像大语言模型一样，最终收敛到一个统一的架构，然后进入拼数据、拼算力的缩放定律阶段？

目前来看，至少短期内，还不太可能收敛。

背后的原因并不复杂：首先，物理世界的复杂度远高于数字世界。

语言是一维、离散、规则明确的，而物理世界是三维、连续、充满不确定性的，摩擦力、形变、碰撞、扰动，变量多到无法穷举。仅仅依靠单一架构，很难同时覆盖语义理解、物理推演、运动控制等完全不同的能力维度。

其次，端侧算力的约束，决定了分层是必然选择。

姚卯青算了一笔账：当前最先进的端侧芯片，也只能跑50亿-100亿参数的模型，运行频率也就10赫兹左右。因此，不可能把一个上千亿参数的大模型放在机器人本体上，直接控制每秒上千次的电机运动。

这就倒逼行业必须走端云结合、分层控制的路线：云端大模型做低频的认知规划，端侧小模型做高频的动作执行。在这个架构下，天然就不会存在一个“包打天下”的单一模型。

最后，场景的碎片化，也决定了技术路线的多元化。

工业制造、家庭服务、仓储物流，不同场景对精度、速度、成本、泛化性的要求天差地别，没有一种架构能在所有场景里都做到最优。

正是因为统一架构的时代远未到来，具身智能赛道已经形成了多元技术路线并行发展的格局。除了VLA、世界模型以及二者融合的主流路线，还有多条差异化路径正在同步推进。

图片来源：具脑磐石

类脑智能便是其中之一，国内代表性企业有具脑磐石、智平方、千诀科技、灵生科技等。

这条路线不走“大数据+大模型”的传统拟合路径，而是主张用清晰的类脑智能思想替代盲目的计算，通过复刻人脑认知逻辑，构建兼具抽象推理、自主规划、持续学习能力的机器心智。

在具脑磐石创始人&CEO朱森华看来，当前以VLA体系为代表的具身智能1.0已抵达能力天花板，全球技术路线正集体转向世界模型，行业开始迈入可推演、可规划、可自主决策的具身智能2.0阶段。但目前业界对“世界模型”的定义不清晰，算法演化方向也不明确。

基于多重考虑，具脑磐石认为，突破具身智能能力上限的根本，不在于单纯的数据量积累，而在于神经网络底层范式的革命性创新。更具体一点，即类脑智能才是行业破局唯一核心路径，也是通往AGI的必由之路。

为此，具脑磐石已经自研了Bi-VLA（Brain inspired-VLA）和Bi-Agent（Brain inspired-Agent）两大脑启发具身技术底座，并据此打造了首代脑启发具身大脑产品EBKernel Brain，该方案支持“一脑多机”与“一脑多形”，此前已经展开了相关的落地验证。

郭彦东也认为，“类脑”将成为下一代物理世界AI破局的关键要素

在他看来，具身大模型不只是堆算力和堆数据的游戏，即便是世界模型跟VLA结合，也远远达不到机器人大脑的一个终局的方案。“未来要真正解决具身大模型面临的训练效率、算力和能耗等核心挑战，关键要靠类脑。”

图片来源：智平方

聚焦这一目标，智平方采用“大脑皮层—小脑—脊髓”三层架构，打造了首个类脑式具身智能系统NeuroVLA，于今年6月刚刚发布。在该系统中，大脑皮层主要负责语义理解和任务规划，小脑负责高频运动协调与动态修正，脊髓则负责毫秒级运动执行与安全反射。

目前，该系统已搭载于智平方AlphaBot 2机器人，并于WAIC 2026期间公开亮相，展示在工业制造领域的PCB上下料，完成托盘取料、上下料、移动运输、双臂协同等一系列连续动作。

值得一提的是，这种多元路线并行的格局，恰恰也是赛道走向成熟的信号。

两年前，行业还在反复论证具身智能的产业价值；一年前，各家还在比拼演示视频的惊艳程度。而今天，从业者已经开始细致讨论不同技术路线的适配场景、成本效率与融合路径，这意味着，行业已经走出概念启蒙期，进入了实打实的技术深耕与落地验证阶段。

结语

数字世界的规律，能靠大规模数据拟合，但物理世界充满复杂性与不确定性，这也注定了具身智能的演进，不会只有一条标准答案。

因此，不必急于断言VLA已经退场，也不必把WAM捧成新神话。至少目前来看，VLA在语义理解上的积累仍有其价值，WAM在物理推演上的突破也还在持续推进，叠加类脑智能等更多差异化路线的探索，将共同拓宽行业的技术边界。

最终，所有技术路线的价值，都要靠真实场景的落地来检验。当机器人能稳定、低成本地解决真实世界的具体问题时，路线之争自然会尘埃落定。